RobotiquearXiv cs.RO6sem· 1 min de lecture

Exploiter l'agilité des robots hybrides roues-pattes pour l'évitement réflexe d'obstacles à haute dynamique

Des chercheurs ont présenté AWARE (Adaptive Wheeled-Legged Avoidance and Reflexive Evasion), un nouveau système d'apprentissage par renforcement hiérarchique conçu pour permettre aux robots hybrides roues-pattes d'esquiver des obstacles en mouvement rapide de manière réflexive. La recherche, publiée sur arXiv sous la référence 2604.23761, s'appuie sur des expériences menées dans le simulateur Isaac Lab d'NVIDIA ainsi que sur des déploiements en conditions réelles sur la plateforme robotique M20. Le système génère spontanément des comportements d'évitement variés, notamment une esquive frontale en plongeon et un écart latéral, sans que ces mouvements aient été explicitement programmés.

L'intérêt de cette avancée réside dans la capacité à résoudre un problème longtemps considéré comme un verrou technique majeur : les robots à morphologie hybride souffrent d'un couplage entre leurs modes de locomotion et de contraintes non holonomes qui rendent l'évitement dynamique particulièrement difficile à contrôler. En exploitant pleinement la dualité roues-pattes, AWARE permet à ces plateformes d'atteindre un niveau d'agilité réflexive inédit, ouvrant la voie à des déploiements dans des environnements industriels dangereux, des opérations de sauvetage ou encore des scénarios militaires où la rapidité de réaction face à des menaces mobiles est critique.

Les robots à pattes ont longtemps dominé la robotique d'exploration en terrain accidenté, mais leur consommation énergétique élevée limite leur autonomie. Les plateformes hybrides roues-pattes, comme le M20 utilisé dans ces travaux, cherchent à combiner le meilleur des deux mondes depuis plusieurs années, avec des équipes comme Boston Dynamics ou des laboratoires universitaires qui explorent ce compromis. L'approche par apprentissage par renforcement hiérarchique adoptée ici représente une tendance forte dans le domaine : plutôt que de coder manuellement chaque comportement, on laisse émerger des stratégies complexes depuis l'entraînement. La prochaine étape logique sera d'étendre ces capacités à des environnements peuplés de multiples obstacles dynamiques simultanés.

Dans nos dossiers

NVIDIA Robots humanoïdes

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1arXiv cs.RO

Capteurs tactiles et de proximité comme a priori d'observation pour l'évitement de collisions des humanoïdes

Des chercheurs ont présenté un cadre d'apprentissage par renforcement pour permettre à un robot humanoïde H1-2 d'éviter les collisions avec l'ensemble de son corps, en s'appuyant uniquement sur des capteurs tactiles et de proximité répartis sur sa partie supérieure. Pour évaluer le système, l'équipe a utilisé le dodgeball comme tâche de référence : le robot doit esquiver des balles lancées dans sa direction, sans recourir à des caméras externes. Les chercheurs ont ensuite fait varier systématiquement les propriétés des capteurs, notamment leur couverture spatiale, leur type et leur portée, afin de comprendre comment chacun de ces paramètres influence le comportement d'évitement appris. Les résultats bousculent certaines intuitions du domaine. Contrairement à ce qu'on pourrait supposer, des mesures de proximité brutes, sans localisation explicite des objets, suffisent à produire un comportement d'évitement efficace, à condition que la portée des capteurs soit suffisante. Plus surprenant encore, des signaux de proximité clairsemés et non directionnels surpassent des alternatives plus denses et directionnelles en termes d'efficacité d'apprentissage : le robot apprend plus vite avec moins d'information, pour peu que celle-ci couvre bien l'espace autour de lui. Ces conclusions ont des implications directes pour la conception matérielle des robots humanoïdes, en suggérant qu'un équipement sensoriel plus simple peut suffire là où l'on cherchait à maximiser la précision. L'enjeu derrière ces travaux est la sécurité des robots en environnement non contrôlé. Les caméras externes souffrent d'occlusions fréquentes dès que le robot interagit avec son environnement ou d'autres personnes, ce qui rend les capteurs embarqués sur le corps particulièrement précieux. Le H1-2 est l'un des robots humanoïdes commerciaux les plus accessibles du marché, ce qui donne à cette recherche une portée concrète au-delà du laboratoire. Alors que les déploiements industriels et domestiques de robots humanoïdes s'accélèrent, comprendre comment minimiser le risque de collision tout en réduisant la complexité sensorielle est une question centrale pour rendre ces machines réellement utilisables au quotidien.

RobotiqueActu

1 source

2arXiv cs.RO

Modélisation dynamique par apprentissage automatique et contrôle robuste pour robots continus à tendons

Des chercheurs ont publié le 29 avril 2026 une nouvelle approche pour contrôler les robots continus à tendons (TDCRs), une catégorie de robots souples dont les mouvements sont pilotés par des câbles ou tendons internes. Ces systèmes sont particulièrement difficiles à modéliser en raison de non-linéarités complexes : hystérésis de friction, compliance de transmission et comportements dynamiques qui s'amplifient sur de longues séquences de mouvements. L'équipe propose un cadre d'apprentissage différentiable combinant un modèle de dynamique haute fidélité basé sur des réseaux GRU (Gated Recurrent Units) avec une politique de contrôle neuronal entraînée de bout en bout. Le modèle intègre une connectivité bidirectionnelle multi-canaux et une prédiction résiduelle pour supprimer l'accumulation d'erreurs lors des prédictions auto-régressives sur le long terme. Les expériences ont été menées sur un robot physique à trois sections, validant les performances en conditions réelles. Cette approche dépasse les méthodes classiques basées sur le jacobien, qui génèrent des oscillations auto-entretenues problématiques pour la précision et la stabilité. En traitant le modèle de dynamique comme un "pont de gradient", la politique de contrôle apprend implicitement à compenser les non-linéarités intrinsèques du robot sans qu'il soit nécessaire de les modéliser explicitement. Le résultat est un suivi de trajectoire précis et une robustesse supérieure face à des charges utiles inconnues, c'est-à-dire des poids non intégrés lors de l'entraînement, ce qui est critique pour les applications en environnements variables. Les robots continus à tendons suscitent un intérêt croissant en chirurgie mini-invasive, inspection industrielle et manipulation en espaces confinés, précisément parce que leur souplesse leur permet d'évoluer là où les bras rigides échouent. Le principal verrou restait leur contrôle fiable dans des conditions dynamiques réelles. Cette publication s'inscrit dans une tendance plus large d'intégration de l'apprentissage automatique dans la robotique physique, où les modèles appris remplacent progressivement les équations analytiques trop simplificatrices. Les prochaines étapes pourraient inclure la généralisation à des robots à plus de sections, l'adaptation en temps réel au vieillissement mécanique des tendons, et une intégration dans des systèmes chirurgicaux assistés.

RobotiqueOpinion

1 source

3IEEE Spectrum AI

Des agents IA pour les équipes de robots

Le laboratoire de physique appliquée de l'université Johns Hopkins (APL) a publié une présentation détaillant ses travaux récents sur l'IA agentique appliquée aux équipes de robots collaboratifs. Baptisée "Agentic AI for Robot Teams", cette communication expose une architecture scalable conçue pour doter des systèmes robotiques hétérogènes de capacités d'autonomie, de coordination et d'adaptabilité. Les chercheurs y décrivent comment des agents fondés sur des grands modèles de langage (LLM) peuvent être déployés sur du matériel réel, avec des démonstrations impliquant des équipes de robots aux profils et capacités différents. Le document, disponible sous forme de livre blanc, présente également les leçons tirées des phases de recherche et développement en cours. L'enjeu est considérable : faire travailler ensemble des robots qui ne partagent ni les mêmes capteurs, ni les mêmes actionneurs, ni les mêmes logiciels impose des défis de coordination que les architectures classiques peinent à résoudre. En intégrant des LLM comme couche de raisonnement et de planification, les équipes de l'APL cherchent à rendre ces systèmes capables de s'adapter dynamiquement aux imprévus, de se répartir les tâches et de maintenir une cohérence collective sans supervision humaine constante. Cette approche pourrait transformer des domaines comme la logistique autonome, la gestion de catastrophes, les opérations militaires ou l'exploration de milieux hostiles, où envoyer des équipes humaines reste risqué ou impossible. Le Johns Hopkins APL est l'un des principaux centres de recherche appliquée du Département de la Défense américain, ce qui situe ces travaux dans un contexte stratégique lié à la robotique militaire et aux systèmes autonomes multi-agents. La montée en puissance des LLM depuis 2022 a ouvert une nouvelle voie pour la robotique agentique, jusqu'ici freinée par la rigidité des architectures de contrôle traditionnelles. Les suites annoncées portent sur la généralisation de l'architecture à des équipes plus larges et plus hétérogènes, ainsi que sur l'amélioration de la robustesse dans des environnements dégradés ou incertains.

RobotiqueActu

1 source

4arXiv cs.RO

Un robot hybride roues-jambes reconfiguré pour une meilleure maniabilité et adaptabilité

Des chercheurs ont présenté FLORES, un nouveau robot à roues et pattes dont la conception mécanique originale vise à dépasser les limites des plateformes hybrides existantes. La particularité de FLORES réside dans la configuration de ses pattes avant : là où la plupart des robots de ce type utilisent un degré de liberté en roulis (hip-roll) pour l'articulation de la hanche, FLORES le remplace par un degré de liberté en lacet (hip-yaw). Ce changement en apparence subtil modifie profondément la manière dont le robot oriente ses roues et coordonne ses mouvements, permettant des transitions fluides entre locomotion sur roues et locomotion sur pattes selon la nature du terrain rencontré. Cet ajustement mécanique apporte des gains concrets en matière de maniabilité et d'efficacité énergétique. Sur sol plat, le robot peut rouler de façon optimisée grâce à une meilleure orientation des roues, comparable à une direction avant pilotée. Sur terrain accidenté, les pattes reprennent le dessus avec l'agilité nécessaire pour franchir obstacles et irrégularités. Pour exploiter pleinement ces capacités, l'équipe a développé un contrôleur par apprentissage par renforcement (RL), en adaptant le cadre Hybrid Internal Model (HIM) avec une structure de récompenses taillée sur mesure pour la configuration mécanique unique de FLORES. Le résultat est un système capable de générer des allures de locomotion inédites, tirant simultanément parti des deux modes de déplacement. Les robots à roues et pattes constituent un axe de recherche actif en robotique mobile, portés par la demande croissante pour des plateformes capables d'évoluer dans des environnements non structurés, que ce soit en logistique, en inspection industrielle ou en interventions d'urgence. La plupart des designs existants peinent à exploiter pleinement les avantages des deux modes sans compromis importants sur l'un ou l'autre. FLORES s'inscrit dans cette dynamique en proposant une architecture repensée dès la conception mécanique, plutôt qu'en cherchant à compenser par le seul logiciel. Le projet est publié en open source sur GitHub, ce qui ouvre la voie à des expérimentations et adaptations par la communauté robotique.

RobotiqueOpinion

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, rédigé par un humain · désinscription en un clic