Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel

Actualités robotique — page 9

7 422 articles au fil, du plus récent au plus ancien.

RobotWorld : un banc d'essai pour agents multimodaux pilotant des robots, sur des tâches et des morphologies variées
401arXiv cs.RO 

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

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

RecherchePaper
1 source
Une représentation cinématique unifiée permet d'estimer des moments articulaires biologiques réutilisables
402arXiv cs.RO 

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

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

ExosquelettesPaper
1 source
RobotAPO : optimisation adversariale des préférences physiques pour la génération de vidéos de manipulation robotique
403arXiv cs.RO 

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

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

RecherchePaper
1 source
La désapprentissage de politiques par traits parcimonieux atténue les hallucinations d'état dans les modèles vision-langage-action (VLA)
404arXiv cs.RO 

La désapprentissage de politiques par traits parcimonieux atténue les hallucinations d'état dans les modèles vision-langage-action (VLA)

Des chercheurs publient sur arXiv (2610.09496v1) SOUL (Sparse feature pOlicy UnLearning), une méthode censée réduire l'« hallucination d'état » des modèles Vision-Language-Action (VLA). Ce terme désigne un mode de défaillance récurrent: le modèle continue d'agir comme si un état robot-objet n'avait pas été atteint alors qu'il ne l'a pas été. Un robot peut par exemple poursuivre sa séquence comme s'il tenait déjà l'objet, alors que la saisie a échoué. Les auteurs relient ces épisodes à un affaiblissement de l'attention portée aux régions visuelles pertinentes pour la tâche. Une analyse par autoencodeurs parcimonieux (sparse autoencoders) leur permet d'identifier des features précises, activées spécifiquement lors de ces échecs. SOUL utilise ces features comme cibles d'oubli, et celles issues des comportements réussis comme cibles de rétention. Le résumé annonce des tests sur plusieurs architectures de VLA, en simulation et en environnement réel. Il parle d'une réduction substantielle des échecs hallucinés et d'une amélioration du taux de succès, sans dégrader sensiblement les capacités existantes. Il ne donne aucun chiffre: ni taux de succès, ni nombre de tâches, ni modèles testés, ni robots utilisés. L'enjeu est la fiabilité, principal frein au déploiement des VLA hors laboratoire. Les intégrateurs et les responsables d'exploitation constatent que ces modèles généralisent bien sur des démonstrations, mais qu'ils échouent de façon répétitive et parfois silencieuse en production. Un robot qui ignore l'échec de sa propre action est difficile à superviser et à certifier. L'approche proposée vise à corriger un comportement indésirable précis sans réentraîner toute la politique, ce qui serait bien moins coûteux qu'un nouveau cycle de collecte de données et de fine-tuning. Elle suggère aussi que l'interprétabilité, souvent cantonnée à l'analyse des LLM, peut servir d'outil d'ingénierie pour les politiques robotiques. Il faut toutefois rester prudent. Il s'agit d'un preprint sans revue par les pairs, et l'absence de métriques dans le résumé empêche d'évaluer l'ampleur du gain. Les résultats en conditions réelles, souvent limités à quelques tâches et à une seule plateforme, ne garantissent pas la robustesse en usine ou en entrepôt. Ces travaux s'inscrivent dans la montée des VLA, de Pi-0 à GR00T ou Helix, bâtis sur des modèles vision-langage pré-entraînés dont ils héritent à la fois la puissance de généralisation et certains défauts. La littérature explore déjà plusieurs pistes pour fiabiliser ces politiques: détection d'échecs, vérification en boucle fermée, apprentissage par renforcement après entraînement. Le « machine unlearning », c'est-à-dire la suppression ciblée de connaissances, venait jusqu'ici surtout des modèles de langage. SOUL l'applique à la manipulation robotique. La suite logique serait une validation sur des modèles de grande taille et des tâches longues, puis une comparaison avec les méthodes concurrentes de détection d'échecs. Aucun calendrier ni partenaire industriel n'est mentionné.

RecherchePaper
1 source
Politiques de scène à base d'agents
405arXiv cs.RO 

Politiques de scène à base d'agents

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

RecherchePaper
1 source
OpenViTac : apprentissage et évaluation de politiques visuo-tactiles dans un cadre unifié simulation et réel
406arXiv cs.RO 

OpenViTac : apprentissage et évaluation de politiques visuo-tactiles dans un cadre unifié simulation et réel

OpenViTac, un nouveau benchmark publié sur arXiv (2610.10384), vise à évaluer de façon unifiée la manipulation robotique intégrant le toucher, en simulation comme en conditions réelles. Il organise les tâches riches en contacts selon quatre dimensions de capacités où le tactile est déterminant, et fournit des environnements appariés simulation et monde réel. Ceux-ci permettent de comparer, dans un cadre cohérent, trois familles de politiques : les VLA (vision-language-action), les WAM (world action models) et les VTLA (vision-tactile-language-action). Les auteurs étudient ensuite l'effet de différentes représentations tactiles et stratégies d'intégration sur des VLA préentraînés. De cette comparaison découle OpenVTLA, un cadre d'augmentation tactile qui combine la représentation et la stratégie d'intégration les plus performantes. Le résumé ne chiffre pas les gains, ne nomme pas les capteurs ni les modèles de base testés, et ne précise ni le nombre de tâches ni la taille des jeux de données. Ces éléments sont à vérifier dans l'article complet. Un dernier volet porte sur le co-entraînement sim-réel, que le dispositif apparié permet d'analyser. L'intérêt est d'abord méthodologique. Les politiques VTLA se multiplient, mais chaque équipe les évalue sur ses propres capteurs, tâches et protocoles. Il est donc difficile de savoir si le tactile améliore réellement les VLA ou si les gains tiennent au montage expérimental. Un banc d'essai commun, avec des paires sim-réel, permet de séparer ces effets et de mesurer les facteurs qui comptent pour le transfert entre domaines. Pour les intégrateurs et les équipes qui envisagent d'équiper des mains ou des pinces de capteurs visuo-tactiles, des résultats comparatifs sur les représentations (images brutes, features, signaux de force) et sur le point d'injection dans le modèle (précoce, tardif, via un expert dédié) seraient directement exploitables pour les choix de conception. Il s'agit toutefois d'une publication de recherche, sans produit ni déploiement industriel, et la valeur dépendra de l'adoption du benchmark par d'autres laboratoires, ainsi que de la fidélité de la simulation tactile, souvent le point faible du transfert sim-réel. Ce travail s'inscrit dans la montée en puissance des modèles VLA généralistes de type Pi-0 ou GR00T, qui reposent surtout sur la vision et le langage et peinent sur les tâches riches en contacts : insertion, manipulation d'objets déformables ou glissants, ajustements fins. Le tactile y est étudié depuis plusieurs années avec des capteurs de type GelSight, mais sans cadre d'évaluation partagé comparable à ceux qui existent pour les VLA purement visuels. OpenViTac cherche à combler ce vide, en prolongeant l'intérêt récent pour le co-entraînement sim-réel comme moyen de réduire le coût de collecte de données réelles. La suite dépendra de la publication éventuelle du code, des environnements et des jeux de données, et de la reprise du benchmark par d'autres groupes, académiques ou industriels, qui développent des mains dotées de peau tactile.

RecherchePaper
1 source
Apprentissage visuo-tactile temporel pour la stabilité de la saisie dextérique
407arXiv cs.RO 

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

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

RecherchePaper
1 source
Planification de trajectoire sans données de trajectoire : une approche guidée par les variétés
408arXiv cs.RO 

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

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

RecherchePaper
1 source
{\Delta}WAM : distiller des champs tangents d'action dans des modèles du monde et d'action
409arXiv cs.RO 

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

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

RecherchePaper
1 source
RoboPilot : manipulation robotique dynamique généralisable grâce à un double mode de raisonnement
410arXiv cs.RO 

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

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

RecherchePaper
1 source
TMT : détection de portes dérobées à l'exécution pour les politiques vision-langage-action (VLA) sur des tâches inédites
411arXiv cs.RO 

TMT : détection de portes dérobées à l'exécution pour les politiques vision-langage-action (VLA) sur des tâches inédites

Des chercheurs présentent sur arXiv (2610.09462) TMT, un détecteur de backdoors fonctionnant à l'exécution pour les politiques vision-langage-action (VLA). Une politique VLA compromise conserve des performances normales sur ses tâches habituelles, mais produit des actions malveillantes dès qu'un déclencheur apparaît dans l'observation. TMT (Token Manifold and latent Transition modeling) est entraîné uniquement sur des rollouts bénins. Une première branche évalue la structure des tokens d'entrée. Une seconde mesure les erreurs de prédiction dans la dynamique latente entre couches adjacentes. Un rollout jugé suspect par la première branche est confirmé par des déviations latentes, ce qui guide le choix des transitions à surveiller ensuite. Les auteurs testent aussi une purification par auto-distillation: une copie gelée de la politique infectée fournit les actions de référence sur entrées bénignes pour superviser un modèle étudiant, sur des paires d'observations bénignes et déclenchées, sans politique saine séparée. Face à dix baselines (détecteurs de backdoors classiques adaptés, méthodes de détection d'anomalies et d'échecs réutilisées), TMT revendique le meilleur résultat sur des tâches inédites, pour trois attaques. Le résumé ne donne aucun chiffre, et la comparaison est menée a posteriori par les auteurs eux-mêmes. Le point difficile est que chaque action malveillante peut être plausible isolément, et qu'une tâche nouvelle modifie légitimement observations et comportements. Un détecteur calibré sur les tâches d'entraînement risque donc de multiplier les fausses alertes en production. Viser la généralisation à des tâches inédites correspond au besoin réel des intégrateurs, qui déploient des VLA génériques sur des cellules changeantes. L'absence de politique de référence saine pour la purification est aussi un atout pratique, puisque ces modèles sont rarement disponibles en double. Il s'agit toutefois d'un résultat académique, sans validation sur robot réel annoncée, et le gain reste à confirmer hors des benchmarks choisis. Les VLA se diffusent via des poids ouverts et du fine-tuning tiers, ce qui expose la chaîne d'approvisionnement logicielle: un modèle téléchargé ou ajusté par un prestataire peut embarquer un déclencheur dormant. La sécurité des politiques robotiques reste bien moins outillée que celle des modèles de langage. TMT s'inscrit dans cette lacune, au moment où les VLA entrent dans des pilotes industriels. Les prochaines étapes à surveiller sont la publication du code via la page projet des auteurs, des tests sur matériel physique et une évaluation face à des attaques adaptatives conçues pour contourner la détection.

RecherchePaper
1 source
TempoBridge : contrôle du tempo guidé par le langage pour les politiques vision-langage-action (VLA)
412arXiv cs.RO 

TempoBridge : contrôle du tempo guidé par le langage pour les politiques vision-langage-action (VLA)

Des chercheurs publient sur arXiv (2610.09451) TempoBridge, un cadre léger qui permet de contrôler la vitesse d'exécution d'une politique Vision-Language-Action (VLA) à partir de la consigne en langage naturel, par exemple « déplace-toi lentement » ou « vite ». Le système exploite les représentations d'un VLA gelé, sans nouvelles démonstrations robotiques conditionnées par le tempo et sans réentraînement du modèle de base. Il extrait les indices de tempo des représentations contextuelles du modèle vision-langage, les aligne sur l'avancement de la tâche via un routeur de phases causal, puis module les commandes de mouvement nominales pendant l'exécution. Sur les tâches du benchmark LIBERO, le Tempo Success Rate passe de 52,6 % à 89,7 % avec des instructions de tempo canoniques, tout en conservant un taux de réussite élevé des tâches. Les performances restent proches de la référence quand aucune consigne de tempo n'est donnée, et le système généralise à des formulations de tempo jamais vues, sans entraînement supplémentaire. Des essais sur un robot physique illustrent la modulation en conditions réelles. L'enjeu est pratique : les VLA actuels comprennent bien quoi faire, mais l'utilisateur n'a guère de prise sur la manière de l'exécuter. Or, en environnement industriel ou de service, la vitesse est un paramètre central. Il faut aller vite sur une phase de transfert, ralentir pour une insertion délicate ou près d'un opérateur. TempoBridge montre qu'on peut ajouter cette commande sans recollecter de données ni toucher aux poids du modèle de base, ce qui réduit fortement le coût d'intégration pour ceux qui déploient déjà un VLA. Le routeur de phases est un point clé : la consigne peut viser un moment précis de la tâche (« approche vite, saisis doucement ») et pas seulement un facteur global de vitesse. Quelques réserves s'imposent. Les résultats chiffrés viennent d'un benchmark en simulation, LIBERO, et la validation sur robot réel est présentée de façon qualitative, sans métriques détaillées dans le résumé. Le Tempo Success Rate est une métrique définie par les auteurs, et le gain de 52,6 % à 89,7 % dépend de sa définition. Il s'agit d'un travail de recherche, pas d'un produit ni d'un déploiement. Il s'inscrit dans la lignée des efforts pour rendre les VLA plus pilotables après les premières générations centrées sur la seule réussite de tâche, et ouvre la voie à des contrôles voisins comme la force, la prudence ou la précision. Le code, les évaluations sur davantage de robots et la robustesse face à des consignes ambiguës seront les prochains tests.

IA physiqueActu
1 source
RoboPace : recadrage temporel optimal sous contacts pour les politiques à segments d'actions
413arXiv cs.RO 

RoboPace : recadrage temporel optimal sous contacts pour les politiques à segments d'actions

RoboPace, une couche de « retiming » en ligne décrite dans l'article arXiv 2610.09696, vise à régler un problème de timing propre aux politiques VLA (Vision-Language-Action) entraînées sur des démonstrations sans robot. La collecte de données se déplace de la téléopération vers des interfaces comme l'Universal Manipulation Interface (UMI), voire vers l'enregistrement direct des mains humaines. Les politiques entraînées ainsi héritent du rythme du démonstrateur. Or ce rythme ne se transpose pas tel quel. Une main humaine, compliante, encaisse un contact rapide, alors qu'un robot peut dépasser sa cible à cause des limites de ses actionneurs et de son suivi de trajectoire. À l'inverse, le robot peut aller plus vite que l'humain en espace libre. RoboPace conserve le chemin géométrique produit par la politique et n'en modifie que le calendrier, en respectant les contraintes cinématiques et dynamiques du robot cible. La vitesse est ajustée selon le contact prédit, en combinant des limites de vitesse dépendantes du contact et les limites de mouvement de la machine. La méthode ne demande aucun réentraînement et fonctionne en temps réel. Les tests portent sur trois tâches riches en contacts, réalisées par un robot bimanuel. Une exécution uniforme plus rapide échoue largement, tout comme un retiming limité aux seules contraintes physiques du robot. RoboPace obtient un taux de réussite global supérieur à celui d'une exécution uniforme lente, et termine quatre commandes sur cinq en environ moitié moins de temps. Il garde donc la fiabilité de la lenteur sans en payer le coût en durée de cycle. Les résultats sont issus d'un seul article préprint, sur un robot et trois tâches. Le texte ne précise ni les taux de réussite chiffrés, ni la plateforme exacte, ni la dispersion des essais. Ces points restent à vérifier dans l'étude complète avant toute extrapolation. L'enjeu pour l'industrie est concret. Les données sans robot sont attractives parce qu'elles réduisent fortement le coût et la complexité de la collecte, mais elles posent un écart de timing entre humain et machine. Faute de traitement, les intégrateurs ont deux options peu satisfaisantes : ralentir toute l'exécution, ce qui dégrade le temps de cycle, ou l'accélérer et accepter des échecs au contact. RoboPace propose de déplacer ce compromis vers l'exécution, sans toucher à la politique ni relancer un entraînement coûteux. Cela suggère qu'une partie de l'écart entre démonstration et réalité relève du contrôle plutôt que de l'apprentissage. Pour un décideur B2B, c'est un levier de cadence potentiellement applicable à des politiques existantes. La généralisation à d'autres robots et d'autres tâches reste à démontrer. Ce travail s'inscrit dans la montée des politiques à « action chunks », qui émettent des séquences d'actions plutôt que des commandes isolées, et dans l'essor des données issues de dispositifs portables comme UMI. Le retiming de trajectoires à temps optimal est un sujet ancien en robotique classique. La nouveauté tient à son couplage avec la prédiction de contact au sein d'une boucle de politique apprise. Les modèles généralistes de type VLA, aujourd'hui développés par de nombreux acteurs, partagent tous ce problème d'héritage du rythme humain. Aucun pilote industriel ni calendrier de déploiement n'est annoncé. La suite logique sera des validations sur d'autres plateformes et des comparaisons directes avec les approches de contrôle en compliance.

RecherchePaper
1 source
Abandon ciblé de modalités pour une manipulation robotique réelle robuste aux pertes intermittentes de vision
414arXiv cs.RO 

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

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

RecherchePaper
1 source
CIRRA : réconciliation continue des instructions à deux niveaux pendant l'exécution, pour des robots agents incarnés dans des tâches domestiques interactives
415arXiv cs.RO 

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

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

RecherchePaper
1 source
Planification de mouvement distribuée pour systèmes multi-robots sous contraintes topologiques
416arXiv cs.RO 

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

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

RecherchePaper
1 source
Évaluer la pilotabilité comportementale des modèles fondation de comportement
417arXiv cs.RO 

Évaluer la pilotabilité comportementale des modèles fondation de comportement

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

RecherchePaper
1 source
Là où le succès échoue : apprentissage aux frontières d'échec pour des modèles vision-langage-action (VLA) robustes
418arXiv cs.RO 

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

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

RecherchePaper
1 source
LLA-MPPI : contrôle adaptatif rapide du corps entier de robots à pattes grâce à des simulations parallèles accélérées sur GPU
419arXiv cs.RO 

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

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

RecherchePaper
1 source
Apprendre des contraintes inconnues sans données dangereuses grâce à l'optimalité et à la régularisation contrefactuelle
420arXiv cs.RO 

Apprendre des contraintes inconnues sans données dangereuses grâce à l'optimalité et à la régularisation contrefactuelle

Des chercheurs publient sur arXiv (2610.09350, première version) Counterfactual KKT (CF-KKT), une méthode qui apprend des contraintes inconnues à partir de démonstrations d'experts. Ces démonstrations sont localement optimales et respectent les contraintes. L'apprentissage n'exige aucune donnée dangereuse. La méthode procède en deux temps. Un modèle de dynamique différentiable, appris localement, permet d'imposer aux démonstrations des conditions d'optimalité inspirées de Karush-Kuhn-Tucker (KKT). Le même modèle génère ensuite des comportements contrefactuels, proches des démonstrations, qui améliorent la récompense. Ces trajectoires seraient préférables si la contrainte n'existait pas. Elles servent donc d'exemples synthétiques d'infaisabilité. Si la forme paramétrique de la contrainte est connue, le cadre permet aussi une récupération directe des paramètres, avec une analyse de sensibilité aux erreurs du modèle de dynamique. Sur des tâches de contrôle robotique en haute dimension, les auteurs affirment obtenir des contraintes neuronales plus sûres et plus économes en données que les références d'ICRL hors ligne (inverse constrained reinforcement learning). L'enjeu est pratique, car les contraintes de sécurité (zones interdites, limites de contact, distances aux opérateurs) sont difficiles à spécifier à la main. Les approches d'ICRL gèrent des contraintes complexes et des dynamiques inconnues, mais elles demandent souvent une exploration en ligne, pendant laquelle des violations peuvent survenir. Les approches de contrôle optimal inverse contraint (CIOC) sont sûres et frugales, mais supposent une dynamique connue et des contraintes structurées. CF-KKT vise à réunir les avantages des deux. Pour un intégrateur, cela ouvrirait la voie à des règles de sécurité déduites de démonstrations téléopérées, sans exposer le matériel. Il faut toutefois rester prudent. Le résumé ne donne ni taux de violation, ni nombre de démonstrations, ni liste des tâches, et ne dit pas si des essais ont eu lieu sur robot réel. La méthode dépend aussi de la qualité du modèle de dynamique local. Ce travail relève de l'apprentissage par démonstration, où deux courants coexistent : le CIOC, issu du contrôle optimal, et l'ICRL, issu de l'apprentissage par renforcement. Il se positionne face aux méthodes d'ICRL hors ligne. Il s'agit de recherche amont, sans produit, partenaire industriel ni pilote annoncé. Les suites logiques seraient une validation sur matériel réel, des comparaisons chiffrées plus détaillées et une évaluation de la robustesse quand le modèle de dynamique est imparfait.

RecherchePaper
1 source
Vers une localisation précise de l'effecteur final pour l'enseignement de la manipulation robotique de type UMI
421arXiv cs.RO 

Vers une localisation précise de l'effecteur final pour l'enseignement de la manipulation robotique de type UMI

Des chercheurs publient MILD (Manipulation-Interface Localization Dataset), un jeu de données destiné à évaluer la localisation de l'effecteur terminal dans les systèmes de collecte de démonstrations de type UMI (Universal Manipulation Interface). Le sous-ensemble réel compte 86 séquences de capteurs enregistrées avec une caméra Insta360 X5 et un dispositif Insight9, couvrant 15 tâches répétées sur table. Il inclut des données de calibration et une trajectoire de référence du TCP (tool center point) du robot pour chaque exécution. Un sous-ensemble en simulation, MILD-Sim, sous Isaac Sim, étend la couverture des tâches pour des études de rejeu contrôlées. Les auteurs ont testé plusieurs systèmes inertiels-visuels et assistés par marqueurs fiduciaires. Ils observent de fortes différences d'erreur de trajectoire relative au TCP et de complétude temporelle, y compris sur une même tâche nominale. Les auteurs proposent aussi AprilVINS, qui fusionne une estimation visuelle-inertielle sur caméra fisheye avec la géométrie locale de tags AprilTag, sans carte préalable de marqueurs relevée au préalable. Le système sépare l'admission des a priori de l'export contrôlé de l'état optimisé conjointement. Sur les enregistrements Insta360 AprilTag4, la version complète d'AprilVINS atteint une erreur APE RMSE de l'ordre du millimètre, après alignement SE(3), avec une forte complétude temporelle. Le VIO fisheye sans facteurs de tags reste à l'échelle du centimètre. Le code, les données et les manifestes d'évaluation ne seront publiés qu'après acceptation. Pour les équipes qui collectent des démonstrations par dispositif portatif, ce travail touche un point peu visible : la qualité de l'apprentissage par imitation dépend de la fiabilité de la pose de l'outil, surtout quand la caméra est occultée ou très proche de l'objet. Les benchmarks SLAM classiques portent sur la navigation, et les jeux de données de manipulation visent l'apprentissage de politiques, pas la mesure de localisation. MILD comble ce vide et montre que le choix de la pile de localisation change nettement la qualité des trajectoires. Un point de prudence s'impose : le résultat millimétrique d'AprilVINS repose sur des profils propres à chaque séquence. Les comparaisons se font selon les protocoles respectifs de chaque méthode, ce qui limite leur portée. L'étude de rejeu MILD-Sim fournit des tolérances par tâche pour juger si une erreur donnée est acceptable. Ces travaux s'inscrivent dans le sillage des interfaces de collecte sans robot, popularisées par UMI, qui visent à remplacer la téléopération coûteuse par des démonstrations humaines enregistrées avec des outils légers. La difficulté de localiser précisément l'outil sans infrastructure lourde, comme la capture de mouvement, y reste centrale. Il s'agit d'une prépublication arXiv (2610.09857v1) qui n'a pas encore été évaluée par des pairs. Aucun calendrier de publication n'est donné au-delà de l'acceptation, et la reproductibilité par des tiers dépendra de la sortie effective du code et des données.

RecherchePaper
1 source
Compétences de manipulation à très long horizon en robotique grâce à la génération de code continue guidée par l'humain
422arXiv cs.RO 

Compétences de manipulation à très long horizon en robotique grâce à la génération de code continue guidée par l'humain

Des chercheurs proposent LYRA, un cadre de génération de code robotique qui apprend des compétences de manière continue à partir des retours humains. Il vise les tâches de manipulation dites « ultra-longues », où l'enchaînement d'actions dépasse ce qu'un grand modèle de langage (LLM) sait produire de façon fiable en une seule passe. Le système distille chaque correction humaine en compétences modulaires et réutilisables, puis étend leurs fonctionnalités au fil des interactions sans écraser les comportements déjà acquis. Une mémoire externe stocke ces compétences et des exemples d'exécution. Une récupération augmentée (RAG) sélectionne les connaissances pertinentes pour chaque tâche. Quand cette récupération ne suffit pas, l'utilisateur donne un indice pour orienter la réutilisation. Les auteurs annoncent un taux de succès de 0,93, jusqu'à 27 % au-dessus des méthodes de référence, et un gain de 42 % en efficacité de correction, c'est-à-dire en nombre d'interventions humaines nécessaires. Les tests couvrent les benchmarks Ravens, Franka Kitchen, LIBERO-long et MetaWorld, ainsi que des tâches en conditions réelles. LYRA réussit notamment la tâche « construire une maison », qui exige de planifier plus de 20 primitives. Ce travail s'attaque à un point faible connu de la robotique pilotée par LLM. Les modèles traduisent bien une consigne en code, mais l'ambiguïté des instructions, le bruit des générations et la fenêtre de contexte limitée rendent les longues séquences peu fiables. Les boucles fermées qui reposent seulement sur le retour d'un LLM ne règlent pas le problème, car ces modèles raisonnent mal sur l'état physique d'un robot, même quand l'erreur saute aux yeux d'un humain. L'intérêt pour un intégrateur est concret : plutôt que de réentraîner un modèle ou de réécrire des prompts à chaque correction, l'opérateur enrichit une bibliothèque de compétences qui se transmet d'une tâche à l'autre. Cela limite l'oubli catastrophique, fréquent quand les retours s'accumulent dans des représentations qui généralisent mal. L'approche est une alternative à bas coût aux modèles vision-langage-action (VLA) entraînés de bout en bout, mais elle déplace la charge vers l'humain dans la boucle. Les résultats sont à lire avec prudence : il s'agit d'un preprint sans validation par les pairs. Les benchmarks sont en grande partie simulés. L'article ne donne pas de temps de cycle, de robot industriel ni de volume de déploiement. Le gain de 27 % est relatif aux méthodes de référence choisies par les auteurs. Le papier arrive en version 3 sur arXiv (2509.18597), ce qui indique plusieurs cycles de révision depuis la première soumission de septembre 2025. Il s'inscrit dans la lignée des approches de génération de code pour la robotique, comme Code as Policies, qui font du LLM un planificateur écrivant des appels à des primitives. Il s'oppose à la voie des VLA généralistes (Pi-0, GR00T, Helix), qui encodent la compétence dans les poids du modèle. Aucun partenaire industriel, calendrier de pilote ni publication de code n'est mentionné dans le résumé. La suite logique serait un test sur bras industriels avec des opérateurs non experts, et une mesure de la façon dont la bibliothèque de compétences se comporte à grande échelle, quand la récupération doit trier des centaines de compétences.

RecherchePaper
1 source
YUBI-STAG : alignement riche en contact et en sémantique pour les VLA par ancrage vidéo-langage automatisé
423arXiv cs.RO 

YUBI-STAG : alignement riche en contact et en sémantique pour les VLA par ancrage vidéo-langage automatisé

Des chercheurs ont publié sur arXiv (octobre 2026) YUBI-STAG, un cadre d'annotation spatio-temporelle qui enrichit automatiquement les démonstrations de manipulation avec une sémantique détaillée des interactions. Les jeux de données robotiques actuels ne fournissent le plus souvent que des descriptions grossières de tâche. Ils omettent quel préhenseur agit, quel objet est touché, et comment il est saisi puis déplacé. YUBI-STAG combine une segmentation des objets en contact avec des modèles vision-langage (VLM). Il annote l'identité, les attributs et l'état des objets, les actions par préhenseur, la coordination bimanuelle et les interactions spatialement ancrées. Comme ce pipeline exige des séquences déjà localisées et plusieurs étapes d'inférence VLM, les auteurs l'ont distillé en YUBI-VLM. Ce second modèle reconstruit la structure des actions et les annotations directement à partir de vidéos brutes non segmentées, en peu d'appels d'inférence, et n'utilise que les vues poignet. Les deux systèmes sont évalués sur YUBI-STAG-Bench, qui couvre des tâches d'ancrage temporel, sémantique et spatial. Selon les auteurs, YUBI-VLM conserve l'essentiel de la précision d'annotation de YUBI-STAG, avec moins d'appels et un temps d'exécution plus court, et généralise à des manipulations jamais vues. Le résumé ne donne aucun chiffre sur la précision, le gain de temps ou la taille du benchmark. Ces ordres de grandeur seront à vérifier dans l'article complet. Ce travail reste une prépublication, sans produit commercialisé ni déploiement industriel. L'enjeu touche un point faible des modèles vision-langage-action (VLA). Leur pré-entraînement à grande échelle leur donne des compétences de manipulation étendues, mais les piloter par le langage suppose un alignement fin entre instruction et geste physique. Or les annotations disponibles sont trop pauvres pour cela. Les auteurs affirment qu'un post-entraînement de politiques VLA sur ces annotations automatiques améliore l'exécution et le suivi d'instructions dans des expériences bimanuelles. Le contrôle porte sur l'identité de l'objet, le préhenseur actif, le lieu cible et les relations spatiales, des éléments absents des étiquettes d'origine. Si ces résultats se confirment, ils indiquent que le goulot d'étranglement tient autant à la qualité des annotations qu'à l'architecture des modèles. Un VLM léger fonctionnant sur les seules caméras poignet pourrait aussi enrichir à bas coût des corpus existants, sans réannotation humaine. Les expériences restent toutefois de laboratoire, sur plateformes bimanuelles, et l'on ignore sur quels VLA elles ont été menées. Ce travail s'inscrit dans la tendance du « ré-labelling » automatique des données robotiques par VLM, face à des démonstrations dont le langage est jugé trop pauvre pour les politiques généralistes de type Pi-0, GR00T ou Helix. La distillation vers un modèle opérant sur vidéo brute vise à rendre cette approche praticable sur de gros volumes. Aucun calendrier de publication du code, des données ou du benchmark n'est mentionné dans le résumé. La suite logique serait une validation sur des VLA de référence et des tâches industrielles plus variées.

RecherchePaper
1 source
Workhorse : apprendre la loco-manipulation humanoïde robuste du corps entier à partir de données humaines
424arXiv cs.RO 

Workhorse : apprendre la loco-manipulation humanoïde robuste du corps entier à partir de données humaines

Des chercheurs présentent Workhorse, un système qui apprend la loco-manipulation du corps entier pour humanoïdes à partir de démonstrations humaines enregistrées sans robot (arXiv 2610.09117). L'architecture sépare deux politiques. Un planificateur visuel, alimenté par des images RGB égocentriques et la proprioception, prédit cinq cibles de liens : le torse, les deux poignets et les deux pieds. Un contrôleur de suivi du corps entier, entraîné par apprentissage par renforcement, exécute ensuite ces poses sur le robot. Les deux politiques sont entraînées séparément sur les mêmes poses humaines, sans retargeting vers la morphologie du robot. Chacune est aussi entraînée sur des données augmentées qui imitent les erreurs de l'autre au déploiement. Sur un Unitree G1 réel, le système trie des boîtes avec les mains et un coup de pied, attrape une boîte lancée, puis fait basculer une valise et grimpe dessus. Il récupère aussi après une poussée ou le retrait de la boîte par une personne. Dans une copie simulée de la salle de démonstration, le tri aboutit dans 77 % des épisodes, et dans 64 % sous poussées de 40 N.s. Avec les deux politiques réentraînées sur les mêmes démonstrations, un second humanoïde simulé atteint 83 % sans poussées. L'intérêt tient à la façon de contourner deux goulets d'étranglement. Les humanoïdes peinent à planifier des manipulations riches en contacts, où le corps entier participe, à partir de la seule vision embarquée. Et la téléopération robot, qui produit l'essentiel des données d'entraînement actuelles, coûte cher et passe mal à l'échelle. Utiliser des démonstrations humaines brutes, sans passer par le retargeting, simplifie la collecte et ouvre la voie à des corpus plus larges. L'interface à cinq liens est un compromis lisible : assez abstraite pour être indépendante de l'embodiment, assez riche pour porter des gestes comme un coup de pied. Le résultat sur un second humanoïde, obtenu par simple réentraînement, suggère que l'approche se transfère. Il faut toutefois relativiser les chiffres. Les taux de 77 % et 64 % sont mesurés en simulation, dans une salle répliquée, et ne disent rien de la fiabilité sur le robot réel, qui n'est démontré que par des séquences qualitatives. Les tâches restent des démonstrations de laboratoire, loin des cadences et de la robustesse qu'exige un site industriel. Le travail s'inscrit dans la course aux politiques corps entier pour humanoïdes. Les grands modèles VLA (Pi-0, GR00T N2, Helix) visent des compétences généralistes, tandis que les approches de suivi de mouvement par apprentissage par renforcement se sont multipliées sur le G1, plateforme académique de référence en raison de son coût relativement bas. Workhorse relève d'une troisième voie hiérarchique, avec un planificateur appris sur données humaines et un contrôleur bas niveau robuste. Il s'agit d'une publication de recherche (v1) et non d'un produit : aucun déploiement, calendrier ni partenaire industriel n'est annoncé. La suite logique serait de quantifier les taux de réussite sur matériel réel, d'élargir la diversité des tâches et d'évaluer le passage à l'échelle avec davantage de données humaines.

RecherchePaper
1 source
Au-delà du support de politique : apprentissage par renforcement hors ligne sous contrainte d'interaction pour la conduite autonome
425arXiv cs.RO 

Au-delà du support de politique : apprentissage par renforcement hors ligne sous contrainte d'interaction pour la conduite autonome

Des chercheurs proposent ICDP (Interaction-Constrained Drive Policy), un cadre d'apprentissage par renforcement hors ligne pour la conduite autonome, qui cible un défaut peu traité : le décalage de distribution au niveau des interactions. Le problème de base est classique. En RL hors ligne, la politique s'entraîne sur un jeu de données figé, sans exploration en ligne, et l'optimisation tend à choisir des actions peu représentées dans ces données, ce qui rend les estimations de valeur peu fiables. Les méthodes existantes contrôlent ce décalage dans l'espace d'actions de la politique elle-même. Les auteurs montrent que cela ne suffit pas en conduite : une trajectoire candidate du véhicule ego peut être bien couverte par la distribution marginale des comportements enregistrés, tout en étant très mal couverte conjointement avec le comportement des agents environnants observé dans le même log. Ils nomment cette dégradation « interaction distribution shift » (IDS). Techniquement, ils décomposent exactement la perte de support conjoint en une composante propre à l'ego et une composante résiduelle d'interaction. Cette dernière est estimée par des ratios de densité contrastifs, ce qui évite de modéliser explicitement la densité conjointe, de prédire les autres agents, ou de lancer des rollouts dans un simulateur réactif ou un modèle du monde pendant l'optimisation. Les évaluations en boucle fermée portent sur nuPlan et Interplan, ainsi que sur des essais réels avec un camion. Selon les auteurs, ICDP supprime la sélection de trajectoires à forte valeur estimée mais non soutenues par les interactions observées, et améliore les résultats dans les scénarios où l'interaction est critique. Les chiffres détaillés ne figurent pas dans le résumé. L'intérêt pratique tient à l'angle d'attaque. Beaucoup de planificateurs appris échouent précisément dans les situations denses (insertions, croisements, négociation de priorité), où une trajectoire isolément plausible devient dangereuse face à la réaction réelle des autres usagers. Traiter ce problème par une contrainte de support apprise, sans simulateur réactif ni prédicteur d'agents dans la boucle d'entraînement, réduit le coût de calcul et évite d'injecter les erreurs d'un modèle du monde dans l'optimisation. C'est un argument pour les équipes qui veulent exploiter de gros volumes de logs de flotte sans exploration risquée. La présence d'essais sur camion suggère aussi une préoccupation de transfert vers le poids lourd, même si le résumé ne précise ni l'ampleur ni les conditions de ces tests, et si les gains annoncés restent à valider sur des benchmarks indépendants. Il s'agit d'un résultat de recherche, pas d'un produit ni d'un déploiement. Ce travail s'inscrit dans la lignée du RL hors ligne appliqué à la conduite, où les approches dominantes limitent l'écart à la politique de comportement (contraintes de support ou pénalités de type conservateur) et où nuPlan sert de banc d'essai standard pour la planification en boucle fermée. Interplan, centré sur des scénarios interactifs, complète cette évaluation. Les concurrents directs sont les planificateurs fondés sur l'imitation, les méthodes de RL hors ligne conservatrices et les approches adossées à des simulateurs réactifs ou des modèles du monde appris. La suite logique serait une validation plus large, avec des comparaisons chiffrées face à ces références et des essais réels étendus. Une page projet accompagne la publication (mahmoud-selim.github.io/ICDP).

RecherchePaper
1 source
Vers la détection d'infaisabilité cinématique exploitable en planification de mouvement
426arXiv cs.RO 

Vers la détection d'infaisabilité cinématique exploitable en planification de mouvement

Des chercheurs proposent un cadre géométrique pour certifier qu'aucun chemin sans collision n'existe en planification de mouvement. Le travail, publié sur arXiv (v2 de l'identifiant 2609.32806) sous forme de lettre, s'appuie sur des champs de distance signée (SDF) pour tracer, directement dans l'espace des configurations, les variétés séparatrices induites par les frontières des obstacles. La méthode ne se contente pas de détecter l'infaisabilité: elle identifie aussi la cause géométrique précise du blocage. Pour tenir la charge de calcul, les auteurs ont développé un algorithme parallèle d'expansion de frontière, accéléré sur GPU, qui reconstruit des complexes simpliciaux en haute dimension. Les validations portent sur des scénarios de robots à 4 et 5 DOF: la certification prend quelques secondes à 4 DOF et moins de quatre minutes à 5 DOF. Aucun nom de robot, de laboratoire ni de matériel GPU n'est précisé dans le résumé. L'enjeu est un angle mort de la planification. Les planificateurs par échantillonnage (type RRT ou PRM) passent à l'échelle sur des bras à 6 ou 7 DOF, mais, faute de chemin trouvé, ils ne peuvent pas dire s'il n'existe pas ou s'ils n'ont simplement pas assez cherché. Les méthodes complètes, qui savent certifier l'absence de solution, restent cantonnées aux espaces de faible dimension. Pour un intégrateur, la différence est concrète: un robot qui « ne trouve pas » peut attendre, replanifier ou réessayer indéfiniment, alors qu'une preuve d'infaisabilité, assortie de l'obstacle responsable, permet de déclencher une action utile, comme déplacer une pièce, modifier l'implantation de la cellule ou alerter un opérateur. La mention d'une certification « dépendante de la résolution » est importante: la garantie vaut pour une discrétisation donnée de l'espace des configurations, pas de manière absolue. Il faut toutefois relativiser la portée. Les cas testés (4 et 5 DOF) sont loin des 6 à 7 DOF des bras industriels courants, et encore plus des humanoïdes, dont les chaînes cinématiques dépassent la trentaine de DOF. Le passage de quelques secondes à près de quatre minutes en ajoutant un seul degré de liberté laisse prévoir une croissance rapide du coût, et les auteurs reconnaissent eux-mêmes que l'extension à des dimensions supérieures reste à construire, en évoquant seulement des pistes. Le travail s'inscrit dans la lignée des approches de planification complète et des représentations par SDF, de plus en plus répandues grâce au calcul GPU. À court terme, il s'agit d'un résultat de recherche académique, sans produit ni déploiement annoncé. Sa valeur pratique dépendra de la capacité à atteindre 6 DOF en des temps compatibles avec une cellule robotisée.

RecherchePaper
1 source
Représentation tactile factorisée et contrôle pour la manipulation en transfert simulation-réel
427arXiv cs.RO 

Représentation tactile factorisée et contrôle pour la manipulation en transfert simulation-réel

Des chercheurs proposent, dans un preprint arXiv (2610.10510v1), un cadre de représentation tactile « factorisée » et de contrôle destiné au transfert sim-to-real en manipulation. L'idée est de projeter la force normale et la zone de contact vers une « réponse de contact effective », récupérable à partir des lectures du capteur, plutôt que de tenter de reproduire fidèlement la physique propre à chaque capteur. Cette réponse est ensuite scindée en trois composantes: la géométrie du contact, la distribution des forces et la variation temporelle du contact. Chacune dispose de son propre encodage et de sa propre randomisation de domaine. Le contrôleur, baptisé Tactile Gated Policy, conserve ces trois représentations séparées tout au long de la chaîne de contrôle. Il fonctionne sur toutes les configurations de masques, c'est-à-dire toutes les combinaisons de composantes activées, sans réentraînement. L'évaluation porte sur la reconstruction de la réponse, l'alignement spatial, la régulation de force et l'insertion de cheville adversariale riche en contacts, en simulation comme sur robot réel. Les auteurs annoncent une localisation du contact inférieure à 1 mm, une erreur de suivi de force de 1,69 N sur des géométries inédites et un gain de 35 % en insertion réelle par rapport à la réponse non factorisée. L'intérêt dépasse le seul benchmark. Le tactile reste le maillon faible du sim-to-real: la vision et la proprioception se transfèrent de mieux en mieux, mais les signaux de contact dépendent fortement du capteur, ce qui limite la réutilisation des politiques d'un dispositif à l'autre. En séparant géométrie, force et dynamique, le travail permet d'évaluer indépendamment l'utilité et la fiabilité de transfert de chaque représentation. Il montre aussi que ces représentations n'aident pas toutes les mêmes interactions, ce qui nuance l'idée d'un signal tactile unique et générique. Pour un intégrateur, la conséquence pratique est qu'un choix de capteur pourrait compter moins que la manière d'exposer l'information de contact à la politique. Quelques réserves s'imposent. Il s'agit d'un preprint non évalué par les pairs. Le gain de 35 % est mesuré contre une base de référence interne, et non contre des méthodes concurrentes. Le résumé ne précise ni le matériel, ni le nombre d'essais, ni les tolérances d'insertion. Rien ne permet d'extrapoler à des cadences industrielles ou à des pièces variées. Ce travail s'inscrit dans l'effort général pour donner un toucher exploitable aux politiques apprises, alors que les modèles généralistes (VLA) restent surtout visuels. Les capteurs tactiles optiques de type GelSight et leurs dérivés ont popularisé les approches de simulation tactile, mais chaque équipe doit en général recalibrer son pipeline pour son capteur. L'approche factorisée vise à contourner ce verrou en s'appuyant sur une couche intermédiaire commune. Les suites logiques seraient une validation sur plusieurs capteurs et plusieurs plateformes, des tâches plus longues que l'insertion de cheville et une intégration dans des politiques généralistes. Aucun calendrier, code ni partenaire industriel n'est annoncé à ce stade.

RecherchePaper
1 source
Évaluation comparative de modèles génératifs de trajectoires pour le contrôle par inférence active
428arXiv cs.RO 

Évaluation comparative de modèles génératifs de trajectoires pour le contrôle par inférence active

Des chercheurs publient sur arXiv (2610.05692, deuxième version) GenAIF, un cadre de commande par inférence active générative. Un seul modèle génératif de trajectoires, entraîné sur des démonstrations et des interventions d'action mesurées, fournit deux éléments. Le premier est une politique conditionnée par un objectif. Le second est une correspondance probabiliste entre états et observations. Les auteurs en tirent trois exigences pour le modèle: des propositions d'actions utiles, une prédiction fidèle sous actions imposées, et une évidence d'observation probabiliste pour la mise à jour des croyances et le calcul du gain d'information attendu. Ils comparent quatre familles (diffusion, Transformers autorégressifs, autoencodeurs variationnels conditionnels ou CVAE, et flow matching) sur une tâche de manipulation MuJoCo avec plusieurs conditions physiques. La diffusion donne le meilleur contrôle sur toutes les dynamiques testées. Le CVAE offre une prédiction à court horizon comparable pour une inférence nettement plus rapide. Après un changement d'inclinaison non annoncé, la diffusion préentraînée met à jour sa croyance le plus vite parmi les modèles d'origine. Un fine-tuning sur des démonstrations de récupération accélère encore l'identification et maintient un suivi précis. Pour les équipes qui construisent des politiques apprises, le résultat chiffre un arbitrage concret entre qualité de contrôle et coût d'inférence. La diffusion est la plus performante mais la plus lourde, le CVAE est un compromis crédible quand la latence compte, et la réutilisation de trajectoires réduit le calcul. L'intérêt tient aussi à la capacité d'adaptation. Un modèle capable de dire quand ses observations contredisent ses prédictions peut détecter un changement physique, comme une charge ou une pente modifiée, sans modèle dynamique explicite. Les limites sont nettes: tout reste en simulation, sur une seule tâche, et le résumé ne donne aucun chiffre de taux de réussite ni de temps de calcul. L'écart simulation-réel n'est donc pas abordé, et il s'agit d'un travail académique, pas d'un produit. Le travail se situe au croisement de deux courants. Les politiques génératives dominent la manipulation apprise: Diffusion Policy, ACT (basé sur un CVAE) et Pi-0 (flow matching) en sont les références. L'inférence active, issue des neurosciences computationnelles, peine à s'imposer en robotique appliquée faute de modèles de dynamique exploitables. GenAIF propose de combler ce manque avec des modèles appris sur démonstrations. La suite logique passe par une validation sur robots physiques, davantage de tâches et des comparaisons directes avec les politiques de type VLA déjà déployées.

RecherchePaper
1 source
PhysEvo : Astra sait agir, laissez-la faire
429arXiv cs.RO 

PhysEvo : Astra sait agir, laissez-la faire

PhysEvo, un cadre de travail publié sur arXiv (2610.08995), applique l'auto-amélioration récursive à la manipulation robotique physique, autour d'un seul modèle figé, Astra, dont les poids ne sont jamais mis à jour. Un agent de tâche exécute les missions du robot. Un méta-agent exploite les trajectoires obtenues pour diagnostiquer les échecs, réviser les outils et les compétences, puis tester les corrections. Il peut aussi améliorer ses propres outils de diagnostic, de sorte que les révisions retenues servent à la fois l'action suivante et l'auto-amélioration suivante. Le processus fait émerger un contrôle au niveau des articulations, une observation qui cherche activement des preuves et des compétences de manipulation réutilisables, sans politique d'action entraînée à part. Sur 42 tâches du banc RoboDojo, avec des agencements de scène jamais vus, les versions de déploiement retenues atteignent un score moyen de 68,14/100 (cinq dimensions) et 62,00 % de réussite. L'agent Astra en un seul essai de RoboDawn, la meilleure référence publiée de la comparaison, plafonne à 47,17 %. Sur huit tâches difficiles pour Astra utilisé directement, PhysEvo monte à 55,00 % de réussite contre 1,25 %. Le harnais, évolué en simulation puis déployé sur un bras AgileX PiPER avec poursuite de la révision des compétences, obtient 90,60/100 et 84,00 % de réussite sur 25 essais répartis sur cinq tâches réelles. L'intérêt tient au déplacement du levier d'amélioration. Au lieu de réentraîner un modèle de fondation ou de collecter des démonstrations pour une politique dédiée, les auteurs montrent que la couche logicielle qui entoure un modèle figé (outils, compétences, observation) concentre une grande part de la fiabilité. L'écart de 1,25 % à 55 % sur les tâches difficiles suggère que les échecs de l'agent direct viennent surtout de son interface avec le monde. Pour les intégrateurs, cela ouvre une voie où l'adaptation à un site passe par des révisions de code et de compétences, plus inspectables et versionnables que des poids. Les réserves sont nettes : les scores sont des moyennes de versions « retenues » par tâche, donc sélectionnées après coup. L'échantillon réel est mince (25 essais, cinq tâches, un seul bras), et les 84 % incluent une révision continue sur le matériel, ce qui n'est pas un transfert direct de la simulation. Il s'agit d'un résultat de recherche, sans produit ni déploiement industriel. Le travail s'inscrit dans la vague des agents à base de modèles de fondation qui écrivent du code pour piloter des robots, et dans l'intérêt croissant pour l'auto-amélioration récursive, jusqu'ici surtout appliquée au logiciel pur. Sa référence principale, RoboDawn, repose sur un agent Astra en un seul essai, sans boucle de révision. Les approches concurrentes passent par des politiques vision-langage-action (VLA) entraînées, qui exigent données et calcul. PhysEvo mise sur l'évolution après déploiement d'un système autour d'un modèle gelé. Les prochaines étapes à surveiller sont la validation sur davantage de plateformes et de tâches réelles, des mesures de coût en essais et en appels de modèle, et la comparaison directe avec des VLA entraînés dans des conditions équivalentes.

RecherchePaper
1 source
Génération de code adaptative pour le contrôle de robots
430arXiv cs.RO 

Génération de code adaptative pour le contrôle de robots

Des chercheurs proposent, dans un preprint arXiv (2610.09588v1), une architecture de contrôle robotique à double IA pour piloter des robots dans des environnements inconnus et dynamiques à partir d'intentions formulées en langage naturel. Un grand modèle de langage (LLM) traduit des objectifs de haut niveau en code exécutable. Ce code est limité à une bibliothèque robotique formelle et contraint par une syntaxe vérifiable. Un modèle vision-langage (VLM) assure l'ancrage sémantique, c'est-à-dire le lien entre les mots et ce que le robot perçoit, grâce à un processus de distillation. Le système ajoute des déclencheurs de replanification pilotés par l'environnement, fondés sur des seuils géométriques et sémantiques. Il intègre aussi une surveillance continue à l'exécution et une boucle de planification adaptative. Les auteurs l'ont évalué sur plusieurs modèles de pointe. Le résumé ne donne ni DOF, ni temps de cycle, ni taux de réussite chiffré, ni plateforme robotique, ni site de déploiement. Il s'agit d'une contribution de recherche, sans produit ni déploiement. L'enjeu porte sur la façon d'utiliser les LLM en robotique. L'approche n'est pas celle des modèles vision-langage-action (VLA) de bout en bout, qui produisent directement des actions. Elle génère du code contraint à une bibliothèque de primitives, donc auditable, vérifiable avant exécution et borné par ce que le robot sait faire. Pour un intégrateur ou un responsable industriel, cette propriété compte dans les contextes où la traçabilité et la sécurité priment. Le travail cible trois verrous : l'écart de formalisation entre une intention floue et une action exécutable, l'écart de taxonomie quand l'environnement présente des objets ou situations imprévus, et le suivi de l'état et de la progression dans le temps. Il soutient que ancrer l'IA générative dans une boucle réactive et contrainte permet de remplir des intentions complexes malgré l'incertitude. La prudence s'impose pourtant. Le résumé ne chiffre rien, et un benchmark sur modèles de pointe ne dit pas comment le système tient face aux latences, aux erreurs de perception ou aux pannes matérielles d'un site réel. Cette publication prolonge la ligne de travaux qui font écrire du code aux LLM pour commander des robots, popularisée par des approches comme Code as Policies, et qui s'oppose aux politiques apprises de bout en bout de type Pi-0, Helix ou GR00T. Les auteurs inscrivent leur démarche dans la vision de robots comme systèmes adaptatifs complexes, passant de bibliothèques de commandes rigides à une autonomie fondée sur l'intention. Le texte ne cite pas de partenaire industriel, de calendrier ni d'étape suivante. Les prochains jalons à surveiller sont la publication des résultats détaillés, d'éventuels essais sur robot physique et la comparaison directe avec les VLA sur des tâches longues en environnement ouvert.

RecherchePaper
1 source
MimicX : affinage de la supervision avec politique dans la boucle pour le suivi de mouvements humanoïdes à partir de vidéos
431arXiv cs.RO 

MimicX : affinage de la supervision avec politique dans la boucle pour le suivi de mouvements humanoïdes à partir de vidéos

MimicX, un framework décrit dans un preprint arXiv (2610.09055v1), propose d'utiliser les échecs d'exécution d'une politique de contrôle comme signal pour corriger la supervision d'un humanoïde qui apprend à imiter des vidéos humaines. Le système part d'un mouvement reconstruit à partir d'une vidéo puis retargeté sur le robot. Il localise ensuite les transitions difficiles et les parties du corps concernées. Il ajuste conjointement les objectifs de suivi (tracking) et le curriculum de réinitialisation, c'est-à-dire les états de départ proposés à la politique lors de la reprise de l'entraînement. Des rollouts répétés servent à vérifier chaque modification, et seules les améliorations qui privilégient l'exécution sans dégrader des garde-fous de suivi sont conservées. Sur quatre tâches vidéo de référence, la méthode réduit en moyenne l'erreur de suivi du corps de 25,7 % et augmente de 255,6 % le Robust Execution Horizon, la durée pendant laquelle le robot exécute le mouvement sans échec, par rapport à la base de comparaison « Fixed Reference », qui conserve la référence initiale inchangée. Des études complémentaires portent sur d'autres vidéos, d'autres références de mouvement et des scènes avec collisions. Une variante, MimicX-HLoop, accélère la boucle de rétroaction grâce à une exécution hétérogène. L'intérêt tient à un constat que connaissent les équipes qui travaillent sur le suivi de mouvement : une référence visuellement plausible n'est pas forcément exécutable sous contraintes physiques. Les pipelines vidéo vers humanoïde traitent souvent la référence comme une vérité fixe et laissent la politique s'en accommoder, ce qui produit des échecs persistants sur certains passages. MimicX inverse la logique en considérant la référence et la supervision comme des variables à corriger. Pour un intégrateur ou un laboratoire, cela réduit le travail manuel de nettoyage des données de mouvement, souvent le goulot d'étranglement du transfert depuis la vidéo. Il faut toutefois relativiser. Le gain de 255,6 % porte sur une métrique d'horizon définie par les auteurs, mesurée sur seulement quatre tâches, face à une seule base de comparaison explicitement faible. Les résultats semblent obtenus en simulation, rien n'indique de validation sur robot réel, et les éléments fournis ne précisent ni la plateforme, ni les temps de calcul de la boucle. Ce travail s'inscrit dans la lignée des méthodes d'imitation de mouvement humain pour humanoïdes, qui reposent sur la reconstruction de pose à partir de vidéos, le retargeting cinématique, puis l'apprentissage par renforcement en simulation. Les approches existantes se concentrent surtout sur la robustesse de la politique ou sur la qualité de la reconstruction, plus rarement sur la correction de la supervision elle-même à partir des échecs. Il s'agit d'un preprint, sans revue par les pairs, ni code ni déploiement annoncés dans le résumé. La suite logique serait une validation sur matériel et une comparaison avec des méthodes de nettoyage ou de filtrage de référence plus solides que la base fixe.

RecherchePaper
1 source
Juno : dompter les latents prédictifs des modèles vision-langage-action (VLA)
432arXiv cs.RO 

Juno : dompter les latents prédictifs des modèles vision-langage-action (VLA)

Des chercheurs publient sur arXiv (2610.09940) Juno, un cadre unifié qui exploite les « latents prédictifs » d'une architecture JEPA (Joint-Embedding Predictive Architecture) pour améliorer les modèles vision-langage-action (VLA). Une JEPA prédit des observations masquées ou futures dans un espace de représentation plutôt qu'en pixels. Juno s'appuie sur une seule JEPA conditionnée par l'action, qui joue trois rôles : backbone de représentation aligné sur le contrôle, enseignant prédictif et modèle de dynamique adaptable. En pré-entraînement, elle est entraînée sur des trajectoires issues de la même morphologie que le robot cible. Une perte « dynamic CLS » transfère la dynamique des patches, pondérée par le mouvement, vers un état global compact. En apprentissage de politique, les patches JEPA de l'image courante sont fusionnés dans la perception du VLA. Une branche de raisonnement découplée, avec ses propres paramètres de transformation, distille les états latents futurs pour générer les actions. Au déploiement, le modèle du monde est adapté sur toutes les transitions observées, échecs compris. L'enseignant adapté est ensuite gelé, et la politique est réalignée sur les exécutions vérifiées via des adaptateurs LoRA et une tête d'action entraînable, sans corrections d'expert ni récompenses de tâche. Sur le benchmark de simulation SimplerEnv, Juno fait passer le taux de réussite moyen de 60,9 % à 68,5 % face à Qwen3GR00T, la meilleure référence testée. L'adaptation au moment du test porte ce score à 72,7 %. Sur robot réel, la politique conserve 70 à 75 % de réussite quand le fond, la hauteur ou les objets changent, alors que la politique de base tombe à 0 %. Ces chiffres viennent des auteurs, et le papier est une prépublication sans relecture par les pairs. Le nombre d'essais réels, les tâches et la plateforme robotique ne figurent pas dans le résumé, ce qui limite la portée de l'effondrement à 0 % de la référence, un résultat dépendant du protocole. L'enjeu dépasse le gain de 7,6 points en simulation. Le papier s'attaque à un point faible des VLA déployés : la fragilité face aux décalages de distribution (décor, hauteur de table, objets inédits), qui sépare la démo en laboratoire du fonctionnement en production. Deux idées intéressent les intégrateurs. D'abord, apprendre aussi des échecs, sans opérateur humain ni fonction de récompense. Cela réduirait le coût de réglage sur site, aujourd'hui l'un des principaux freins au déploiement. Ensuite, utiliser un enseignant prédictif figé pour éviter la dérive pendant l'adaptation. Cela dit, une adaptation en ligne exige du calcul embarqué ou un cycle de réentraînement, et la robustesse annoncée reste à confirmer hors du dispositif des auteurs. Le travail s'inscrit dans la convergence entre les modèles du monde et les VLA. La lignée JEPA, portée par Yann LeCun et Meta avec V-JEPA, sert ici de source de représentations pour l'action. La comparaison avec Qwen3GR00T, un VLA dérivé de la famille GR00T de NVIDIA et adossé à Qwen3, le situe face aux politiques généralistes actuelles, aux côtés de Pi-0 de Physical Intelligence. Aucun déploiement industriel ni code ou calendrier de diffusion n'est annoncé dans le résumé. La suite dépendra de la publication du code, d'évaluations sur d'autres morphologies et d'une reproduction indépendante.

IA physiqueActu
1 source
ActiveLang : cartographie 3D active à vocabulaire ouvert, avec exploration guidée par l'incertitude sémantique
433arXiv cs.RO 

ActiveLang : cartographie 3D active à vocabulaire ouvert, avec exploration guidée par l'incertitude sémantique

ActiveLang est un système autonome de cartographie 3D active à vocabulaire ouvert, décrit dans un preprint arXiv (2610.09518). Il construit des cartes 3D annotées en langage naturel pendant que le robot explore, et choisit lui-même où regarder ensuite en fonction de l'incertitude sémantique. Techniquement, le système adapte en ligne des descripteurs de langage sur une représentation compacte à double jeu de gaussiennes (variante du Gaussian Splatting). Cette représentation reconstruit conjointement la géométrie, l'apparence et la sémantique, avec un surcoût mémoire que les auteurs qualifient de modeste, sans le chiffrer dans le résumé. Le planificateur sélectionne les points de vue les plus informatifs, ce qui permet de cartographier avec moins d'observations et un coût de calcul réduit. Les tests portent sur deux jeux de données, Replica et ScanNet++. Ils montrent des gains « substantiels » en segmentation à vocabulaire ouvert, en 2D comme en 3D, face à des méthodes en ligne et hors ligne. Le résumé ne donne ni pourcentages de mIoU, ni temps de calcul, ni nombre de vues économisées. L'enjeu est de savoir quoi regarder, pas seulement comment représenter ce qu'on a vu. La plupart des cartes sémantiques à vocabulaire ouvert supposent un parcours de capture déjà fait, puis traité hors ligne. Un robot déployé dans un entrepôt, un hôpital ou un domicile ne connaît ni l'environnement ni les concepts utiles à l'avance. Il doit donc cartographier et interpréter en même temps. Si l'approche tient ses promesses, elle réduit le temps d'exploration et le calcul embarqué, deux postes qui pèsent sur la viabilité d'un déploiement. Elle permettrait aussi d'interroger la carte en langage libre (« où est le chariot rouge ? ») sans réentraîner de classifieur. Les réserves sont nettes. Replica et ScanNet++ sont des scènes d'intérieur statiques et propres, et aucune validation sur robot réel, avec bruit de capteur, dynamique ou grandes surfaces, n'est mentionnée dans le résumé. C'est un résultat de recherche, pas un produit. Le travail s'inscrit dans la convergence entre le Gaussian Splatting et les modèles vision-langage, avec des approches comme LangSplat ou Feature 3DGS pour la distillation de caractéristiques CLIP dans des scènes 3D. Ces méthodes restent souvent hors ligne et passives. À l'inverse, la cartographie active, historiquement fondée sur l'information géométrique (exploration par frontières, prochaine meilleure vue), n'intégrait pas l'incertitude sémantique. ActiveLang comble cet écart. Les prochaines étapes à surveiller sont un passage sur plateforme mobile réelle, des mesures de latence embarquée et une intégration avec des planificateurs de tâches pilotés par modèles de langage. Aucun partenaire industriel ni calendrier n'est annoncé.

RecherchePaper
1 source
NovaPlan : manipulation à long horizon sans apprentissage préalable par planification vidéo-langage en boucle fermée
434arXiv cs.RO 

NovaPlan : manipulation à long horizon sans apprentissage préalable par planification vidéo-langage en boucle fermée

NovaPlan est un cadre de planification hiérarchique pour la manipulation robotique longue durée, décrit dans un preprint arXiv (2602.20119, version 2). Il fonctionne en « zero-shot », c'est-à-dire sans démonstration ni entraînement propre à chaque tâche. Au niveau supérieur, un modèle vision-langage (VLM) décompose la tâche en sous-étapes. Il génère plusieurs scénarios vidéo candidats pour chacune, puis écarte ceux dont la dynamique est physiquement incohérente. Pour convertir ces futurs imaginés en actions, le système choisit de façon adaptative entre deux représentations géométriques : le flux centré sur l'objet (object-centric flow) et le flux de la main humaine (hand flow). Enfin, une boucle fermée surveille l'exécution, vérifie les résultats et, en cas d'échec, synthétise des corrections locales sans préhension, comme pousser ou « poker » un objet du bout du doigt. Les auteurs affirment que NovaPlan surpasse nettement les systèmes zero-shot antérieurs sur des tâches multi-étapes variées, avec des assemblages complexes et des récupérations d'erreur dextres. Le résumé ne donne ni chiffres de taux de réussite, ni nombre d'essais, ni robot utilisé. Ces éléments figurent sur le site du projet et dans le texte complet. L'intérêt tient à la manière dont le travail s'attaque à un point faible connu des approches « VLM plus génération vidéo » : les hallucinations physiques du générateur vidéo et les incohérences géométriques du VLM s'accumulent sur des horizons longs, ce qui bloque l'exécution réelle. NovaPlan répond par une logique de proposition, vérification et réparation, plutôt que par un modèle plus grand ou davantage de données. Si les résultats tiennent hors du laboratoire, cela suggère qu'on peut obtenir de la fiabilité sur des séquences longues sans collecter de démonstrations par tâche. Ce coût de collecte reste le principal frein économique du déploiement pour les intégrateurs. L'usage du flux de la main humaine comme représentation intermédiaire est aussi notable : il permet d'exploiter les vidéos générées de mains pour guider des manipulations fines. Il faut toutefois rester prudent. Il s'agit d'un preprint académique sans déploiement industriel, les temps de cycle et la robustesse sur de longues séries ne sont pas documentés dans le résumé, et les comparaisons dépendent des baselines retenues par les auteurs. Ce travail s'inscrit dans la lignée de la planification par vidéo générative (les approches « vidéo language planning ») et des modèles vision-langage-action (VLA) comme Pi-0 ou GR00T, qui apprennent plutôt la politique de bout en bout à partir de grandes quantités de démonstrations. NovaPlan fait le pari inverse : réutiliser des modèles de fondation existants, sans réentraînement, et ajouter autour d'eux une couche de vérification. La version 2 du preprint indique un travail en cours de consolidation, mais aucune date de transfert vers un produit n'est annoncée. La suite logique est une validation sur davantage de plateformes et de tâches, avec des métriques de latence. La boucle de vérification et de génération de vidéos candidates est coûteuse en calcul, et c'est probablement la vraie question pour une cadence de production.

RecherchePaper
1 source
Décoder la dynamique des populations de neurones grâce à un analogue robotique
435arXiv cs.RO 

Décoder la dynamique des populations de neurones grâce à un analogue robotique

Des chercheurs ont mis au point un analogue robotique des systèmes moteurs biologiques, décrit dans une prépublication arXiv (2610.09977v1). La plateforme associe des muscles artificiels, des capteurs multimodaux et un contrôleur à réseau de neurones entraîné par apprentissage par renforcement. Selon les auteurs, elle réalise des mouvements précis, reste robuste en cas de dommage et reproduit des dynamiques de population neuronale proches de celles observées chez l'animal. Elle met en évidence des rotations neuronales qui génèrent des manœuvres oscillatoires orthogonales à la direction d'atteinte d'une cible. Ces oscillations servent à ajuster la trajectoire, et des données neuronales de primates les confirment. Le modèle fait aussi apparaître des principes énergétiques contre-intuitifs lorsque capteurs et actionneurs sont redondants, ainsi que des moments « Eureka » pendant l'apprentissage moteur. Le résumé ne donne ni nombre de muscles, ni degrés de liberté, ni taux d'erreur, ni taille de réseau. Il s'agit d'un travail de recherche fondamentale, sans produit ni déploiement. Le résultat touche à un problème ancien des neurosciences. Chez l'animal, on observe depuis des années que les mouvements volontaires précis s'accompagnent de dynamiques rotationnelles dans le cortex moteur. En revanche, leur effet physique sur le mouvement restait inconnu, car on ne peut pas manipuler ces dynamiques de façon causale sur un animal vivant. Un robot incarné, entraîné sur une tâche, sert ici de banc d'essai où l'on peut lire et perturber chaque unité. Pour la robotique, l'intérêt est double. Le travail suggère que des contrôleurs appris par RL sur des actionneurs souples de type muscle peuvent converger vers des structures de commande proches du vivant, et que cette structure aide la précision et la robustesse. Il faut toutefois rester prudent. Il s'agit d'une prépublication non relue par les pairs. La comparaison avec le primate repose sur une similarité de dynamiques, ce qui ne prouve pas une équivalence de mécanisme. On ignore aussi comment la plateforme se comporte hors de la tâche d'atteinte étudiée, et la notion de « Eureka moments » mériterait d'être quantifiée. Ce travail s'inscrit dans deux courants qui convergent. Le premier est la neuroscience computationnelle, avec les modèles de réseaux récurrents entraînés sur des tâches pour expliquer l'activité corticale. Le second est la robotique à actionnement musculaire, qui cherche à dépasser les moteurs rigides. Les humanoïdes industriels actuels, comme Figure 03, Optimus ou Digit, reposent plutôt sur des actionneurs électriques rotatifs et des politiques VLA ou de RL en simulation. Les muscles artificiels restent un domaine de recherche, avec des applications potentielles en prothèses et en exosquelettes, où des acteurs européens comme Wandercraft travaillent sur la commande de la marche. Les prochaines étapes probables sont la publication évaluée par les pairs, la mise à disposition du code et des données, puis le passage à des tâches plus complexes comme la manipulation ou la locomotion. Aucun calendrier de transfert vers un produit n'a été annoncé.

RecherchePaper
1 source
Navigation continue d'objets de petite taille dans des agencements changeants : un benchmark et une méthode
436arXiv cs.RO 

Navigation continue d'objets de petite taille dans des agencements changeants : un benchmark et une méthode

Des chercheurs publient sur arXiv (2610.10125) une formalisation et un banc d'essai pour un problème que rencontrent tous les robots domestiques: retrouver à répétition de petits objets, comme des outils ou des jouets, dans un logement où des personnes les déplacent sans que le robot s'en aperçoive. La tâche, baptisée LiSoNav-COL (Lifelong Small-object Navigation in Changing Object Layouts), impose trois contraintes. L'agent doit trouver des points de vue adaptés à une observation fiable, accumuler et réutiliser sa connaissance de la scène pour accélérer les recherches suivantes, et corriger sa mémoire quand un objet a été déplacé. Il démarre avec une mémoire vide, donc sans scan préalable de l'environnement. Le benchmark associé, LiSoNav-Eval, couvre 28 scènes d'intérieur et 45 catégories de petits objets. Ses séquences de navigation « à vie » mélangent cibles inchangées et cibles déplacées, ce qui permet de mesurer séparément la réutilisation de la mémoire et l'adaptation au déplacement. Les auteurs proposent aussi une méthode, IVAM-Nav (Inspection multi-vues avec mémoire ancrée sur les points de vue). Le robot observe activement les surfaces porteuses (tables, étagères, plans de travail) depuis plusieurs angles complémentaires. Il rattache ensuite chaque souvenir au point de vue où l'observation a eu lieu. Le code et le jeu de données sont annoncés comme disponibles. L'intérêt est d'abord de cibler un angle mort de l'évaluation. La plupart des benchmarks de navigation vers objet (ObjectNav) supposent des cibles volumineuses, une scène figée et des épisodes indépendants. Or un robot de service réel manipule des objets de quelques centimètres, souvent masqués, dans un décor qui change. L'ancrage de la mémoire sur les points de vue a une conséquence pratique: une croyance sur la position d'un objet peut être revérifiée dans des conditions d'observation similaires, au lieu d'être simplement écrasée ou conservée. Les analyses des auteurs confirment ce que les intégrateurs soupçonnent: la difficulté augmente quand les objets rétrécissent, quand l'environnement s'agrandit et quand la distance de relocalisation s'allonge. Il faut toutefois rester prudent. Le résumé évoque une performance « favorable » face à des méthodes représentatives, sans donner de taux de réussite ni d'écart chiffré. Tout cela est évalué en simulation, donc sans mesure de l'écart sim-to-real ni test sur matériel physique. Les scénarios de déplacement d'objets sont par ailleurs générés par le benchmark, pas observés dans de vrais foyers. Ces travaux s'inscrivent dans la montée des approches « embodied AI » où la navigation s'appuie sur des cartes sémantiques, des modèles vision-langage et une mémoire persistante. Les résultats reposent souvent sur des scènes statiques et des objets de grande taille. Les robots domestiques commerciaux et les plateformes humanoïdes visant le foyer ont besoin de cette capacité, mais aucun acteur industriel n'est cité ici. Il s'agit d'une publication académique en première version (v1), non évaluée par les pairs, et non d'un produit ou d'un déploiement. La suite logique serait la reprise du benchmark par d'autres équipes, qui comparerait des méthodes concurrentes à base de VLA ou de cartes sémantiques sur les mêmes séquences, puis une validation sur robots réels dans des logements occupés. C'est là que l'on verra si l'inspection multi-vues tient ses promesses malgré les contraintes de temps de cycle et de batterie.

RecherchePaper
1 source
Amélioration de la perception et de l'adaptabilité des robots grâce à la fusion de capteurs et à des conceptions inspirées de l'origami
437arXiv cs.RO 

Amélioration de la perception et de l'adaptabilité des robots grâce à la fusion de capteurs et à des conceptions inspirées de l'origami

Des chercheurs décrivent sur arXiv (2610.09828) un robot mobile compact dont les roues inspirées de l'origami servent à la fois à la locomotion et au pilotage de la géométrie de perception. Le prototype pèse moins de 2 kg et coûte moins de 300 USD. Lorsque les roues passent d'une configuration adaptée au terrain à une autre, le tangage du châssis change et balaie un LiDAR 2D à travers plusieurs élévations. Une position de roue maintenue fixe donne un angle de vue choisi. Une IMU compense l'attitude du châssis, et un nœud de fusion projette les retours LiDAR dans le flux de profondeur RGB-D transmis à RTAB-Map, la bibliothèque de SLAM visuel. Le dispositif réutilise l'actionnement des roues déjà présent, sans moteur supplémentaire pour orienter le capteur. Les essais ont eu lieu dans un couloir intérieur sans texture et dans une zone extérieure ensoleillée, avec trois passages par configuration de capteurs dans chaque environnement. La fraction moyenne de pixels de profondeur invalides sur l'image entière passe de 21 % à 11 % en intérieur, et de 48 % à 18 % en extérieur. La fusion réduit donc fortement les trous de profondeur dans les deux situations où une caméra RGB-D seule est le plus fragile : surfaces uniformes en intérieur, saturation par le soleil en extérieur. Le LiDAR obtient en plus un point de vue réglable en continu, sans composant dédié. Ces résultats montrent qu'un robot à budget très serré peut obtenir une perception plus robuste en exploitant mieux le matériel existant, plutôt qu'en ajoutant des capteurs coûteux. Pour les intégrateurs de petites plateformes d'inspection, d'exploration ou de logistique légère, où la charge utile et le coût sont les contraintes dominantes, la piste est concrète : un mécanisme de locomotion peut aussi servir d'actuateur de perception. Les limites sont nettes. Le protocole est modeste, avec seulement trois runs par configuration, deux environnements et un seul prototype. Aucune comparaison avec d'autres approches de fusion ou avec un LiDAR 3D n'est mentionnée, et la précision de cartographie n'est pas évaluée, seulement la couverture de profondeur. Il s'agit d'une démonstration de laboratoire, pas d'un produit ni d'un déploiement. Le travail s'inscrit dans deux courants de recherche : les roues et châssis reconfigurables inspirés de l'origami, conçus pour s'adapter à des terrains variés, et la fusion LiDAR-caméra pour pallier les limites des capteurs de profondeur actifs et stéréo sous éclairage ou texture défavorables. Les alternatives courantes passent par des LiDAR 3D ou des montages motorisés (pan-tilt), plus chers et plus lourds, ce qui est précisément ce que le prototype cherche à éviter. Les suites logiques seraient des tests sur davantage de scénarios et de trajectoires, une évaluation de la qualité des cartes produites par RTAB-Map, et une comparaison chiffrée avec des capteurs 3D à coût équivalent. L'article ne mentionne ni partenaire industriel ni calendrier de pilote.

RecherchePaper
1 source
Capteur tactile de force à effet Hall pour la chirurgie mini-invasive assistée par robot
438arXiv cs.RO 

Capteur tactile de force à effet Hall pour la chirurgie mini-invasive assistée par robot

Des chercheurs ont mis au point un capteur de force tactile compact destiné aux outils de chirurgie mini-invasive assistée par robot, décrit dans une prépublication arXiv (2610.10346). Le dispositif comporte trois éléments sensibles (taxels) de taille millimétrique, conçus pour être collés sur la face de préhension d'un instrument chirurgical robotisé. Chaque taxel associe un capteur à effet Hall et un aimant noyés dans une couche de contact en élastomère déformable. Quand l'élastomère se comprime ou cisaille, l'aimant se déplace et le capteur mesure la variation du champ magnétique. La calibration a été réalisée avec un robot parallèle à 6 degrés de liberté (DOF). Chaque taxel détecte les forces normales et de cisaillement avec une erreur quadratique moyenne (RMSE) de 2,133 kPa en moyenne. Le capteur a été validé sur un fantôme de tissu et sur du tissu porcin ex vivo. Il a détecté la rétraction du tissu ainsi que le glissement. Le retour tactile est un manque connu de la chirurgie robotisée. Le chirurgien est séparé mécaniquement des instruments, et la console ne lui transmet pas la sensation de pression. Il peut alors serrer trop fort, ou laisser glisser un tissu fragile pendant une rétraction. Un capteur de cette taille, qui mesure à la fois la force normale et le cisaillement, permettrait de détecter le glissement avant qu'il ne devienne un incident. Il pourrait aussi fournir des données de force aux boucles de commande semi-autonomes et aux politiques d'apprentissage. L'approche Hall est intéressante pour la miniaturisation. Elle évite l'optique et les caméras des capteurs tactiles de type GelSight, plus encombrants, et demande peu de câblage. Il faut toutefois rester prudent. L'erreur de 2,133 kPa n'est pas rapportée à la plage de mesure, et on ne sait pas si elle suffit pour des tissus mous. Les essais ex vivo restent qualitatifs. Ils n'ont pas été faits en conditions cliniques, avec fluides, température, stérilisation et usage répété. Ce travail s'inscrit dans une recherche ancienne de solutions pour rendre le toucher aux systèmes chirurgicaux. Les plateformes commerciales dominantes, dont le da Vinci d'Intuitive Surgical, n'offrent pas de retour de force natif dans leurs pinces. Les pistes explorées sont les jauges de contrainte, les capteurs optiques à fibre, les capteurs capacitifs et les capteurs magnétiques. Chacune se heurte aux mêmes contraintes de taille, de coût, de stérilisation et de robustesse. Ici, les auteurs parlent d'un capteur à petite échelle, sans annoncer de pilote clinique, de partenaire industriel ni de calendrier. Les prochaines étapes probables sont l'intégration sur une pince réelle, des essais sur plus de tissus et en conditions humides, puis une évaluation de la tenue de la calibration dans le temps. Le dispositif reste donc au stade de prototype de laboratoire.

RecherchePaper
1 source
Yeux empruntés : vol de nano-drone sans marqueurs grâce à un quadrupède observateur actif
439arXiv cs.RO 

Yeux empruntés : vol de nano-drone sans marqueurs grâce à un quadrupède observateur actif

Des chercheurs décrivent un système de localisation pour nano-drones qui déporte la perception sur un robot quadrupède équipé d'une caméra montée sur bras. Les nano-UAV passent là où les robots plus gros ne peuvent pas aller, mais leur charge utile très limitée interdit d'embarquer les capteurs et le calcul nécessaires à l'auto-localisation hors couverture GNSS. Ici, le quadrupède suit le drone en vision, segmente son image et utilise la profondeur pour estimer sa position dans son propre repère, puis la transmet par liaison radio temps réel. Sans aucun marqueur sur le drone, le nano-UAV a exécuté des trajectoires prédéfinies du décollage à l'atterrissage en se fiant uniquement à cette estimation externe. L'erreur de localisation 3D médiane atteint 59 mm. Les auteurs ne précisent pas, dans le résumé, le modèle de quadrupède, le nombre d'essais ni la taille des environnements testés. Le point notable tient à la boucle de commande du porteur. Un contrôleur prédictif non linéaire (NMPC) conscient de la perception ajuste en continu le corps du quadrupède et son bras pour maximiser la visibilité du drone, la fiabilité de l'observation devenant un objectif de contrôle à part entière. Quand la ligne de vue est brièvement coupée, le drone bascule en douceur sur un vol inertiel embarqué, ce qui donne une tolérance aux occlusions courtes. Pour les intégrateurs d'inspection (sites industriels, galeries, structures confinées), l'intérêt est une répartition des rôles : le drone reste léger et peu coûteux, tandis que le robot au sol absorbe le coût en calcul et en capteurs. Cela s'oppose aux approches qui misent sur la miniaturisation de la perception embarquée, ou sur des balises et des systèmes de capture de mouvement fixes, peu praticables hors laboratoire. Il faut toutefois lire ces résultats avec prudence. Il s'agit d'une preuve de concept académique publiée en préprint sur arXiv, sans déploiement en conditions réelles ni comparaison chiffrée annoncée avec d'autres méthodes. Une erreur médiane de 59 mm ne dit rien de la queue de distribution, ni du comportement lors de pertes de suivi prolongées. L'approche s'inscrit dans la recherche sur la collaboration air-sol, où les quadrupèdes à bras, déjà répandus dans l'inspection, servent de plateformes polyvalentes. Le verrou restant est la dépendance à une ligne de vue : dans un environnement très encombré, le porteur doit lui-même pouvoir se déplacer en gardant le drone en vue. Les suites logiques seraient des essais dans des espaces réellement inaccessibles aux deux robots pris isolément, avec des trajectoires non prédéfinies et la participation de plusieurs drones.

RecherchePaper
1 source
GUARD : débruitage et segmentation de nuages de points tenant compte de l'incertitude géométrique pour le démontage robotisé de disques durs
440arXiv cs.RO 

GUARD : débruitage et segmentation de nuages de points tenant compte de l'incertitude géométrique pour le démontage robotisé de disques durs

Des chercheurs publient sur arXiv (octobre 2026) GUARD, un cadre de débruitage et de segmentation de nuages de points conçu pour le démontage robotisé de disques durs (HDD). Le problème visé est celui des artefacts « fantômes » structurés, produits par le scan et la reconstruction. Localement, ils ressemblent à de vrais composants, mais ils sont incohérents avec la géométrie d'ensemble, et un réseau de segmentation peut leur attribuer une étiquette plausible. GUARD filtre et segmente en une seule passe avant. Il combine un transformer géométrique multi-échelle et un processus gaussien à random Fourier features multi-bande passante, qui estime une incertitude géométrique par point. L'entropie prédictive complète ce score. Sur 2 745 nuages de points réels de HDD, le mIoU de PointNet++ passe de 0,7739 à 0,8318. Sur des échantillons ScanNet annotés manuellement, l'incertitude géométrique détecte les points corrompus avec un F1 de 0,7931, contre 0,2212 pour l'entropie seule. Des tests complémentaires sur ShapeNetPart et ScanNet portent sur différents types de corruption et différents backbones. L'intérêt tient à la distinction entre confiance sémantique et fiabilité géométrique. Un classifieur sûr de lui peut se tromper sur un point qui n'existe pas physiquement, et dans une cellule de démontage cela peut mener à une mauvaise estimation de pose ou à une prise sur un composant fantôme. L'écart de F1 entre les deux signaux suggère que l'entropie, utilisée comme filtre par défaut, rate l'essentiel de ces erreurs. Le résultat reste à relativiser : le gain de 5,8 points de mIoU est réel mais modeste. Le F1 de 0,7931 repose sur un jeu ScanNet annoté à la main, de taille non précisée. Le résumé ne mentionne ni taux de succès de préhension, ni temps d'inférence, ni test en cellule robotisée. Les auteurs reconnaissent aussi un compromis entre suppression des artefacts et conservation des structures informatives. Le démontage de HDD est un cas d'usage typique du recyclage électronique, où la variabilité des modèles et la qualité des scans limitent l'automatisation. Le travail s'inscrit dans cette logique : fiabiliser la perception avant la manipulation. Il s'agit d'un préprint, sans validation par les pairs, sans pilote industriel ni partenaire annoncé, et l'article ne cite aucun acteur européen. La comparaison porte surtout sur PointNet++ avec et sans GUARD, ce qui laisse ouverte la question de la performance face à d'autres backbones récents ou à des filtres statistiques classiques. Un site de projet est annoncé. La suite logique serait une validation de bout en bout, qui mesurerait l'effet du filtrage sur les taux de réussite de saisie et de démontage.

RecherchePaper
1 source
ClimbLab : plateforme de simulation MATLAB pour les robots grimpeurs à pattes
441arXiv cs.RO 

ClimbLab : plateforme de simulation MATLAB pour les robots grimpeurs à pattes

ClimbLab est une plateforme de simulation open source sous MATLAB, décrite dans un preprint arXiv (2610.09315v1), dédiée aux robots à pattes capables de grimper. L'outil permet de modéliser n'importe quel système à membres comme un corps articulé multi-corps à base flottante, puis de simuler sa marche et son escalade dans un environnement arbitraire. Les paramètres variables principaux sont l'inclinaison, la gravité et la raideur du sol, et tout nuage de points peut servir de carte de terrain. Le moteur repose sur une dynamique de corps rigides. Les auteurs détaillent la structure du simulateur et son flux de calcul, puis présentent des exemples représentatifs avec des robots quadrupèdes qui s'agrippent à une paroi ou gravissent une pente raide. Le résumé ne donne ni métriques quantitatives, ni validation sur matériel réel, ni comparaison avec d'autres simulateurs. L'intérêt tient moins à une percée qu'à un manque comblé. La plupart des environnements de simulation robotique actuels, qu'ils servent à l'apprentissage par renforcement ou à l'entraînement de politiques VLA, ciblent la locomotion au sol ou la manipulation. L'escalade, qui impose de gérer les forces de préhension, la gravité variable et des contacts sur surfaces inclinées, reste peu outillée. Pour un laboratoire ou un intégrateur qui explore l'inspection de façades, de ponts ou de structures industrielles, un banc d'essai ouvert et paramétrable abaisse le coût d'entrée du prototypage. Le choix de MATLAB facilite l'adoption dans les équipes de contrôle et d'automatique, mais limite le passage à l'échelle face aux simulateurs GPU massivement parallèles. L'absence d'étude sim-to-real laisse entière la question de la fidélité du modèle de contact, point critique en escalade. Le contexte est celui d'un intérêt croissant pour les quadrupèdes capables de dépasser le sol plat, avec des plateformes comme ANYmal, Spot ou Unitree, dont la communauté académique explore les extensions vers des terrains verticaux ou à gravité réduite, notamment pour des applications spatiales et d'inspection. Les paramètres de gravité réglables de ClimbLab évoquent justement ces usages. Les suites logiques seraient une validation sur robot physique, une comparaison avec des moteurs comme MuJoCo ou Isaac Sim, et l'intégration de méthodes d'apprentissage. Aucun calendrier n'est annoncé dans le résumé.

RecherchePaper
1 source
Optimisation de la conception de robots à câbles tendus intégrant l'enroulement et le raccourcissement des tendons
442arXiv cs.RO 

Optimisation de la conception de robots à câbles tendus intégrant l'enroulement et le raccourcissement des tendons

Une étude publiée sur arXiv (2610.09645) propose une méthode d'optimisation multi-objectif pour concevoir des bras robotiques à actionnement par tendons. Elle s'attaque à un compromis classique : augmenter le couple articulaire tend à épaissir le bras. Les auteurs formulent le problème pour maximiser le couple et minimiser l'épaisseur en même temps, puis le résolvent avec l'algorithme génétique NSGA-II. L'algorithme optimise trois paramètres : le routage des tendons, la configuration des poulies et les points d'attache. Il tient compte de deux effets géométriques, l'enroulement du tendon (wrapping) autour des surfaces articulaires et le raccourci (shortcut), où le tendon prend un trajet plus direct entre deux points. Le résumé ne donne ni valeurs de couple, ni épaisseurs, ni nombre de degrés de liberté. Il ne mentionne pas non plus de prototype physique. Cette approche aborde un goulot d'étranglement connu des mains et bras humanoïdes. Les tendons permettent de déporter les moteurs vers la base et d'alléger les segments distaux, mais le bras s'épaissit dès qu'on agrandit le bras de levier (moment arm) pour gagner en couple. Les auteurs indiquent que des « raccourcis » bien placés élargissent efficacement ce bras de levier sans grossir la structure. Ils obtiennent des fronts de Pareto, c'est-à-dire des familles de conceptions où l'on ne peut plus améliorer le couple sans augmenter l'épaisseur. Ils affirment aussi que certaines configurations optimales contredisent l'intuition classique des concepteurs. Pour les ingénieurs qui développent des bras légers ou des mains dextres, cela ouvre la voie à un dimensionnement automatisé plutôt qu'empirique. Il faut toutefois rester prudent : sans validation matérielle annoncée dans le résumé, les gains restent théoriques, et les effets réels de friction, d'élasticité des câbles et d'usure ne sont pas précisés. Le contexte est celui d'un regain d'intérêt pour les architectures à câbles et tendons, porté par la course aux humanoïdes et aux mains dextres, où compacité et rapport couple/masse déterminent la faisabilité. Les approches concurrentes reposent plutôt sur des actionneurs directs dans l'articulation, plus encombrants, ou sur des transmissions à câbles dimensionnées à la main. Il s'agit d'un travail académique, sans calendrier de commercialisation ni partenaire industriel annoncé. La suite logique serait la construction d'un prototype pour confronter les Pareto simulés aux mesures réelles de couple et de rigidité, et l'extension de la méthode à des bras multi-articulations.

RecherchePaper
1 source
Lancer de boomerang robotisé grâce à une conception du relâchement fondée sur un modèle
443arXiv cs.RO 

Lancer de boomerang robotisé grâce à une conception du relâchement fondée sur un modèle

Des chercheurs publient sur arXiv (2610.10472) ce qu'ils présentent, à leur connaissance, comme le premier bras manipulateur robotique capable de produire un vol de boomerang avec retour. Le système repose sur un manipulateur à 6 degrés de liberté (DOF) dont les vitesses articulaires sont limitées, ce qui l'empêche de reproduire les mouvements rapides du lancer humain. Dans l'essai de retour documenté, le boomerang est relâché à 51 rad/s (8,1 tours par seconde), atteint 2,03 m de distance par rapport à la base du robot, puis revient se poser à 0,31 m de celle-ci. L'équipe a identifié la dynamique de vol par étapes afin de prédire l'effet de variations de conception, puis a utilisé ces modèles pour concevoir à la fois le mouvement de lancer et le boomerang lui-même. Un site de projet accompagne la publication (robot-boomerang.github.io). L'intérêt dépasse l'anecdote. Un boomerang dépend fortement de la vitesse, de l'attitude et du spin au moment du relâchement, et les incertitudes de contact entre la pince et l'objet perturbent précisément ce dernier paramètre. Les auteurs ont donc trié leurs paramètres de conception selon leur capacité à contrôler le spin de façon forte et reproductible malgré ces incertitudes. Le résultat le plus transférable est que le relâchement réussi diffère nettement des lancers humains mesurés : un robot n'a pas besoin d'imiter la cinématique humaine pour obtenir un vol de retour. Cela plaide pour une conception conjointe de l'objet et du geste, fondée sur des modèles, plutôt que pour l'apprentissage par imitation de mouvements humains. Pour la manipulation dynamique, le lancer d'objets portants, au-delà du vol balistique, devient un cas d'étude exploitable. Les applications industrielles directes restent à démontrer. Il faut toutefois relativiser. Les chiffres rapportés proviennent d'un seul essai de retour mis en avant, sans taux de réussite communiqué dans le résumé. La portée de 2,03 m est modeste, et la répétabilité dans des conditions variables n'est pas établie. La publication est un preprint (v1), non évalué par des pairs, et elle ne mentionne aucun partenaire industriel ni aucune perspective de commercialisation. Elle s'inscrit dans les travaux sur le lancer robotisé, jusqu'ici surtout centrés sur des trajectoires balistiques. Les suites logiques seraient une évaluation statistique sur de nombreux essais, des boomerangs et des bras plus variés, et un contrôle en boucle fermée du relâchement. Aucune échéance n'est annoncée.

RecherchePaper
1 source
Navigation par apprentissage et répétition rapide et robuste grâce à la reconnaissance visuelle de lieux MixVPR
444arXiv cs.RO 

Navigation par apprentissage et répétition rapide et robuste grâce à la reconnaissance visuelle de lieux MixVPR

Des chercheurs proposent un système de navigation « teach-and-repeat » (apprentissage puis répétition de trajet) fondé sur MixVPR, une méthode moderne de reconnaissance visuelle de lieux (visual place recognition, VPR). Le principe est classique: un opérateur guide d'abord le robot sur un parcours, qui enregistre une séquence d'images de référence, puis le robot rejoue ce trajet de façon autonome en se localisant par comparaison entre l'image courante et la carte mémorisée. Les auteurs ont testé leur solution en conditions réelles, à l'intérieur comme à l'extérieur, et indiquent obtenir une robustesse et une précision de navigation comparables à celles d'autres systèmes de l'état de l'art. Le résumé de l'article (arXiv:2610.09631) ne précise ni plateforme robotique, ni longueur de parcours, ni écart de positionnement mesuré, ni temps de calcul chiffré, ce qui limite pour l'instant la comparaison objective avec les travaux existants. L'enjeu est avant tout d'ordre économique et d'intégration. Les approches de teach-and-repeat reposant sur le deep learning pour la localisation ont démontré leur aptitude à fonctionner dans des environnements non structurés et dynamiques, un atout pour la navigation de longue durée. Mais leur coût de calcul reste un frein: elles exigent des GPU embarqués ou des processeurs puissants, donc plus d'énergie, plus de poids et un budget matériel plus élevé. En revendiquant des besoins matériels réduits, ce travail vise des plateformes mobiles modestes, comme des AMR d'inspection, de ronde ou de logistique légère, où la navigation par caméra seule pourrait remplacer des lidars ou des balisages coûteux. Pour un intégrateur, l'intérêt est de pouvoir déployer un parcours en quelques minutes de démonstration, sans cartographie métrique ni infrastructure. Il faudra toutefois attendre les chiffres détaillés pour savoir si cette sobriété tient sur des matériels réellement contraints, et face aux variations d'éclairage, de saison ou d'encombrement. Ce travail s'inscrit dans une lignée de systèmes de navigation par répétition de trajet, dont les versions historiques utilisaient des descripteurs d'image manuels ou des réseaux profonds lourds, et qui ont montré leur valeur pour l'agriculture, l'inspection ou la patrouille. MixVPR, un descripteur global issu de la recherche en VPR, est apprécié pour son compromis entre précision de reconnaissance et légèreté, ce qui explique son choix comme brique de localisation. Il s'agit ici d'une publication académique, sans produit commercial ni pilote industriel annoncé. Les suites probables sont une publication des performances détaillées et du code, des tests sur des parcours plus longs et des conditions plus difficiles, puis une comparaison directe avec les méthodes concurrentes. Le passage à des déploiements sur des robots de service ou d'inspection dépendra de la validation de cette robustesse sur la durée.

RecherchePaper
1 source
Navigation autonome de gouttelettes par apprentissage par renforcement basé sur un modèle : transfert direct et dynamiques émergentes
445arXiv cs.RO 

Navigation autonome de gouttelettes par apprentissage par renforcement basé sur un modèle : transfert direct et dynamiques émergentes

Des chercheurs décrivent, dans un preprint arXiv (2610.08852), la première plateforme robotique de navigation autonome en boucle fermée d'une goutte de liquide sur une surface ouverte et non confinée, pilotée par apprentissage par renforcement basé sur modèle (model-based RL). Le dispositif repose sur une planche inclinable à deux axes recouverte d'un mince film d'huile de silicone, qui fait glisser la goutte par gravité, tandis qu'une caméra placée au-dessus fournit le retour visuel en temps réel. La politique apprise a été entraînée sur seulement 50 à 150 épisodes physiques selon la complexité géométrique des trajectoires, sans simulation ni modèle analytique. L'ensemble du pipeline d'entraînement s'exécute en moins de 90 minutes. Les auteurs revendiquent trois résultats: un transfert zero-shot vers des géométries jamais vues, une découverte autonome d'une stratégie de dépiégeage oscillatoire quand la goutte reste collée, et cette durée d'apprentissage très courte. L'intérêt tient à la nature du problème. Une goutte est de la matière molle et déformable, dont la dynamique n'est que partiellement observable: hystérésis de l'angle de contact, ancrage capillaire et hétérogénéités de surface rendent les contrôleurs classiques à base de modèle peu fiables. Montrer qu'un apprentissage directement sur matériel, avec une centaine d'essais, suffit à maîtriser ce régime est un argument concret en faveur de la sample efficiency du RL basé sur modèle, là où l'on associe souvent le RL robotique à des millions d'interactions simulées et au casse-tête du sim-to-real. Pour les laboratoires autonomes (self-driving labs, SDL), qui automatisent la découverte de molécules et de matériaux en boucle fermée, cela comble une lacune: la manipulation physique de liquides sur surface ouverte reste hors de portée des plateformes robotiques actuelles, qui s'appuient surtout sur des pipettes, des canaux microfluidiques ou des bras manipulant des contenants rigides. Le comportement oscillatoire de dépiégeage, non programmé, illustre aussi un intérêt de l'apprentissage: faire émerger des stratégies que l'on n'aurait pas pensé à coder. Quelques réserves s'imposent. Il s'agit d'une preuve de concept de laboratoire, avec une goutte unique, un substrat lubrifié et un environnement contrôlé. Le résumé ne donne ni taux de réussite, ni précision de positionnement, ni vitesse, ni comparaison chiffrée avec un contrôleur classique. La notion de « première plateforme » reste une revendication des auteurs et la généralisation à d'autres fluides, volumes ou surfaces n'est pas démontrée. Le travail prolonge la lignée du RL appliqué aux microrobots rigides, qu'il étend à la matière déformable, et s'inscrit dans la montée des SDL et des approches de type électromouillage ou digital microfluidics, dont il se distingue par l'absence de confinement. Les prochaines étapes logiques seraient le multi-gouttes, la fusion et le dosage de gouttes, puis l'intégration dans de véritables boucles de découverte chimique, sans calendrier annoncé à ce stade.

RecherchePaper
1 source
Co${}^{2}$Skill : contrôle du corps entier par composition de compétences pour l'interaction humain-environnement à long horizon
446arXiv cs.RO 

Co${}^{2}$Skill : contrôle du corps entier par composition de compétences pour l'interaction humain-environnement à long horizon

Des chercheurs publient sur arXiv (2610.09291) Co²Skill, un contrôleur « whole-body » en simulation physique qui unifie deux capacités traitées jusqu'ici séparément : l'interaction avec la scène (s'asseoir, se lever, grimper, franchir des escaliers) et la manipulation dextre d'objets. Le système repose sur une politique unique, construite sur un a priori de mouvement préentraîné (motion prior). Des masques d'observation, dépendants de la tâche et de la phase en cours, sélectionnent l'information utile à chaque objectif. L'entraînement combine deux curriculums. Le premier, de loco-manipulation conditionnée par un but, associe un guidage partiel par trajectoires de référence, pour la précision, à une exploration depuis des états initiaux variés, ce qui autorise une exécution au-delà des démonstrations. Le second, inter-tâches, entraîne conjointement des compétences isolées et des séquences de tâches sélectionnées. Il préserve l'état physique d'une tâche à l'autre, par exemple en maintenant une prise pendant une interaction avec la scène. Les tests couvrent chaque compétence, leur enchaînement et des conditions aléatoires. Une démonstration de composition de compétences est aussi présentée dans des environnements intérieurs. Le résumé ne donne ni taux de réussite, ni nombre de degrés de liberté, ni durée de cycle. L'intérêt tient à la jonction entre deux sous-domaines qui avancent en parallèle. D'un côté, les contrôleurs de personnages physiques savent produire des mouvements plausibles pour l'interaction avec la scène. De l'autre, la manipulation dextre est traitée à part, avec ses propres politiques. Un humanoïde utile en usine, en entrepôt ou à domicile doit pourtant porter un objet tout en montant une marche ou en s'asseyant, sans lâcher sa prise. La préservation de l'état physique entre les tâches vise précisément ce point, qui fait souvent échouer les enchaînements de compétences appris séparément. Pour un intégrateur, le résultat ne prouve rien sur le transfert vers un robot réel : il s'agit d'une évaluation en simulation, sans validation matérielle annoncée, donc l'écart sim-to-real reste entier. Les décideurs B2B doivent le lire comme une brique de recherche et non comme un produit ou un déploiement. Le travail s'inscrit dans la lignée des contrôleurs physiques fondés sur des a priori de mouvement, nés de l'animation et de l'imitation de capture de mouvement, que la robotique humanoïde réutilise pour la locomotion et la manipulation. Il se situe en amont des modèles fondation pour humanoïdes, comme GR00T N2 de NVIDIA ou Helix de Figure, qui visent l'échelle par la donnée et le langage plutôt que par la composition explicite de compétences. Aucun partenaire industriel, calendrier de pilote ni code publié n'est mentionné dans le résumé. La suite logique serait une validation sur matériel, puis une comparaison avec les approches VLA sur des tâches longues, à vérifier dans le texte complet.

RecherchePaper
1 source
Planification dans l'espace de croyance avec erreur d'estimation dépendant du planificateur sous observations intermittentes
447arXiv cs.RO 

Planification dans l'espace de croyance avec erreur d'estimation dépendant du planificateur sous observations intermittentes

Des chercheurs proposent, dans un preprint arXiv (2610.09207v1), une méthode de planification dans l'espace de croyance qui prédit, propage et pénalise l'erreur de l'estimateur conditionnée à l'information du planificateur, le long des trajectoires évaluées. Le modèle combine une dynamique d'erreur affine et une récursion sur les moments, conçue pour conserver l'incertitude induite par des corrections intermittentes et stochastiques. Les moments d'erreur prédits entrent dans un objectif de risque quadratique pondéré par la tâche. L'évaluation, uniquement en simulation, porte sur l'atterrissage d'un VTOL à rotors basculants sur le pont d'un navire, en horizon glissant. Conditionner sur l'information du planificateur réduit de 13,4 % la perte de prédiction d'erreur d'un EKF « aveugle aux commandes » par rapport à un modèle qui ignore le planificateur, avec des capacités de prévision très dépendantes du régime et de l'horizon. Sur 16 essais appariés en boucle fermée, la médiane de l'indicateur terminal de tâche passe de 1,60 à 0,99. Au-delà de 2 s, l'erreur d'estimation est prédite à un facteur 1,3 près, contre une sous-estimation d'un facteur 5,7 pour une planification fondée sur la seule covariance. Le point de départ est une hypothèse implicite des architectures modulaires : l'estimateur est supposé sans biais, à erreur de moyenne nulle. Or le planificateur peut connaître des variables que l'estimateur n'observe pas, par exemple ses propres commandes ou des informations sur la tâche. Même un estimateur optimal au sens des moindres carrés sous sa propre information a alors une erreur de moyenne non nulle conditionnellement à celle du planificateur. Quand les corrections arrivent par intermittence (mesures rejetées, occultations, liaisons perdues), l'écart entre erreurs moyennes acceptées et rejetées ajoute une incertitude que les modèles à moyenne nulle ignorent. Pour les intégrateurs qui combinent un estimateur du commerce et un planificateur maison, c'est un risque concret : la covariance rapportée peut paraître rassurante alors que l'erreur réelle, plus grande, n'est pas anticipée. La sous-estimation d'un facteur 5,7 en est l'illustration chiffrée. Il faut toutefois relativiser. Seuls 16 essais appariés ont été menés, le gain de 13,4 % reste modeste, et rien n'est validé sur matériel ni sous perturbations réelles de pont de navire (houle, sillage, turbulence). Ce travail s'inscrit dans la lignée de la planification dans l'espace de croyance, de la commande à horizon glissant avec contraintes probabilistes et de la planification sensible à l'incertitude. Ces approches prennent en général la covariance de l'estimateur comme donnée et supposent un biais nul. Il se rapproche aussi des recherches sur l'atterrissage autonome sur plateforme mobile, un cas d'usage courant en aviation navale et pour les drones de surveillance maritime, où l'estimation et la commande sont souvent conçues séparément. L'extension logique serait de dépasser la simulation, de tester d'autres estimateurs que l'EKF et de valider les régimes de fonctionnement sur des données réelles. Les auteurs ne mentionnent aucun pilote ni calendrier.

RecherchePaper
1 source
NeRFifyMesh : optimiser des champs de radiance neuronaux à partir de maillages texturés pour la construction de scènes en robotique
448arXiv cs.RO 

NeRFifyMesh : optimiser des champs de radiance neuronaux à partir de maillages texturés pour la construction de scènes en robotique

Des chercheurs proposent NeRFifyMesh, un pipeline qui convertit des modèles 3D maillés texturés en représentations NeRF (Neural Radiance Fields), publié sur arXiv sous la référence 2610.10387. Au lieu de rendre des images multi-vues du maillage d'origine puis d'entraîner le NeRF dessus, la méthode génère artificiellement une vérité terrain sous forme de champ de radiance à base de points. Elle échantillonne directement la géométrie et la texture du maillage, ce qui supprime l'étape d'échantillonnage par caméra. Les auteurs annoncent une qualité de rendu comparable aux méthodes de référence, après un benchmark qu'ils qualifient d'étendu. Le résumé ne donne ni score chiffré (PSNR, SSIM ou LPIPS), ni temps d'entraînement, ni détail sur les jeux de données utilisés. La démonstration pratique consiste à assembler plusieurs objets en une scène NeRF unifiée et à lancer des simulations de collision sur la géométrie extraite. L'enjeu est surtout d'outillage. En cartographie sémantique et en simulation, les roboticiens construisent de plus en plus des scènes en composant plusieurs NeRF, chacun représentant un objet. Or les bibliothèques de maillages 3D existent déjà en grand nombre, alors que les NeRF d'objets doivent habituellement être reconstruits à partir de photos ou de rendus multi-vues. Si la méthode tient ses promesses, elle réduit le coût de création d'environnements riches pour développer et tester des algorithmes de perception, de navigation ou de manipulation, sans campagne de capture. Le fait de pouvoir extraire une géométrie exploitable pour la collision montre aussi qu'une même représentation peut servir au rendu et à la physique, un point sensible dans les chaînes de simulation vers le réel. Les limites sont claires : « comparable aux baselines » n'établit ni un gain de qualité ni un gain de vitesse. Rien n'est dit non plus sur le comportement avec des maillages bruités, des matériaux complexes ou des scènes de grande taille. Ce travail s'inscrit dans la montée des NeRF et de leurs variantes comme représentation de scène en robotique, aux côtés d'alternatives comme le 3D Gaussian Splatting, très présent dans les travaux récents sur le même thème. Il s'agit d'un préprint en première version (v1), sans évaluation par les pairs. Aucun code, aucun calendrier de diffusion ni aucun partenaire industriel n'est mentionné dans le résumé. Aucun acteur français ou européen n'y apparaît. La suite dépendra de la publication éventuelle du code et de chiffres détaillés permettant de vérifier la comparaison avec les baselines. Il faudra aussi voir si l'approche s'étend à d'autres représentations que les NeRF, et si elle s'intègre dans les simulateurs robotiques courants.

RecherchePaper
1 source
Conception d'un doigt robotisé entièrement actionné à 4 degrés de liberté (DOF) avec actionnement hybride déporté propre à chaque articulation
449arXiv cs.RO 

Conception d'un doigt robotisé entièrement actionné à 4 degrés de liberté (DOF) avec actionnement hybride déporté propre à chaque articulation

Une équipe de chercheurs présente sur arXiv un doigt robotique entièrement actionné à quatre degrés de liberté (DOF), fondé sur une architecture d'actionnation déportée hybride, choisie articulation par articulation. L'articulation métacarpo-phalangienne (MCP) est entraînée par deux ensembles coordonnés de transmissions à bielles rigides. Les articulations interphalangiennes proximale (PIP) et distale (DIP) sont actionnées indépendamment par des transmissions filaires en boucle fermée, qui intègrent des articulations à contact roulant circulaire (RCJ). Le rayon de transmission est plus grand au niveau de la PIP qu'à la DIP. La géométrie des fils des RCJ conserve la longueur totale de la boucle pendant la rotation. Le cheminement du fil de la DIP est conçu pour que le mouvement de la PIP n'affecte pas son actionnement différentiel, tant que la configuration de la MCP reste fixe. La transmission distale, la liaison de la MCP et la cinématique du bout du doigt sont modélisées analytiquement. Les mesures reposent sur le suivi de marqueurs ArUco, qui donne le déplacement des vis à billes. Les forces de pointe moyennes mesurées sont de 21,28 N pour la MCP seule, 9,22 N pour la PIP seule et 5,75 N pour la DIP seule. L'actionnement de la MCP produit des déplacements mesurables des unités de transmission de la PIP et de la DIP. Cela confirme un couplage mécanique résiduel, que les auteurs décrivent comme mesuré et non éliminé. En revanche, l'actionnement isolé de la PIP ou de la DIP, avec la MCP bloquée, va dans le sens du découplage visé entre les deux transmissions distales. Le verdict reste prudent, car l'étude ne donne que des tendances qualitatives pour ce point. Pour les concepteurs de mains dextres, l'enjeu est de loger les moteurs dans l'avant-bras ou la paume. Le doigt reste ainsi fin, léger et inertiellement favorable. Les tendons seuls posent des problèmes bien connus d'élasticité, de frottements et de couplages entre articulations. Les liaisons rigides sont plus raides, mais encombrantes. Le choix d'un mode de transmission par articulation tente de combiner les deux approches. Les forces de pointe de 5,75 N à 21,28 N restent modestes face aux besoins de manipulation industrielle, et la force diminue nettement vers l'extrémité du doigt. L'article ne fournit ni charge utile (payload) de la main complète, ni durée de vie, ni mesure de précision de positionnement. Les tests de posture avec des objets de formes et de tailles variées sont qualitatifs. Il s'agit d'un prototype de laboratoire, sans produit, sans prix ni déploiement. Ce travail s'inscrit dans la recherche sur les mains robotiques à actionnement déporté. Les approches existantes sont de trois types. Les mains à tendons, très répandues en recherche, ont des transmissions souples. Les mains à actionneurs intégrés dans les phalanges sont plus compactes mais plus lourdes en bout de chaîne. Les mains sous-actionnées simplifient la commande au prix d'une dextérité réduite. Les RCJ, qui remplacent les poulies par des surfaces en roulement mutuel, visent à garder constante la longueur du fil et à limiter les variations de tension. Les prochaines étapes probables sont l'intégration de plusieurs doigts dans une main complète, l'ajout de capteurs de force et de tactile, ainsi que des essais de préhension et de manipulation à plus grande échelle. L'article ne fixe ni calendrier ni partenaire industriel.

RecherchePaper
1 source
Cartographie prédictive sémantique pour l'exploration et la navigation
450arXiv cs.RO 

Cartographie prédictive sémantique pour l'exploration et la navigation

Une équipe de chercheurs publie sur arXiv (2610.10382) une étude sur la cartographie prédictive sémantique pour l'exploration et la navigation robotique. Leur point de départ : les cartes d'occupation seules, qui estiment les zones non observées à partir d'observations partielles, ne distinguent pas des structures sémantiquement différentes mais géométriquement proches. Une porte intérieure apparaît ainsi comme une cellule occupée, au même titre qu'un mur, alors qu'elle signale une pièce ou un couloir au-delà de la zone observée. Pour tester l'effet d'un indice sémantique, les auteurs modifient un sous-ensemble du jeu de données CogniPlan en insérant des ambiguïtés liées aux portes dans les cartes d'occupation partielles, sans toucher aux cartes de référence. Ils comparent deux modèles entraînés sur ces mêmes données : un modèle témoin purement géométrique et un modèle à indice sémantique, qui reçoit un canal supplémentaire dédié aux portes. L'évaluation repose sur l'erreur L1, le score F1 et l'intersection sur union (IoU), mesurés sur la carte entière puis sur un masque de 10 pixels autour des portes. Sur la carte entière, les deux modèles restent proches. Dans la zone des portes, l'erreur L1 passe de 0,004342 à 0,000025, tandis que le F1 et l'IoU passent de 0,031311 et 0,015905 à 1,000000 chacun. Pour les intégrateurs et les équipes qui déploient des robots mobiles en intérieur (bâtiments, entrepôts, hôpitaux), le résultat va dans le sens d'une intuition répandue : la géométrie seule laisse des angles morts exploitables, et un signal sémantique léger suffit à les combler localement. Un robot qui sait qu'une cellule occupée est une porte peut anticiper ce qui se trouve derrière et planifier son exploration en conséquence, ce qui compte pour la cartographie autonome et la recherche de cibles. Il faut cependant lire les chiffres avec prudence. Un F1 et un IoU de 1,0 sur le masque des portes indiquent que la tâche est ici quasi triviale : les ambiguïtés ont été injectées artificiellement dans des cartes simulées, et le modèle reçoit en entrée la position exacte des portes. Le gain est donc une borne haute obtenue en conditions idéales. Il ne dit rien de la robustesse face à des portes détectées par perception réelle, avec bruit, faux positifs et portes fermées ou entrouvertes. L'absence d'amélioration sur la carte entière montre aussi que l'effet reste très localisé. Ce travail s'appuie sur CogniPlan, un cadre de planification d'exploration reposant sur la prédiction de cartes, dont il reprend les données. Il s'inscrit dans un courant plus large qui cherche à intégrer des cartes sémantiques et des modèles de perception dans la planification de trajectoire, en concurrence avec des approches fondées sur de grands modèles de vision et langage pour le raisonnement spatial. Les prochaines étapes logiques sont de remplacer l'indice de porte fourni par un détecteur appris, de tester sur des environnements réels et d'étendre l'approche à d'autres classes sémantiques (escaliers, ascenseurs, vitres). Aucun déploiement ni calendrier n'est annoncé : il s'agit à ce stade d'une preuve de concept de recherche, sans produit associé.

RecherchePaper
1 source