Un humanoïde qui fait des tractions sur une barre fixe : l’art de la brachiation robotique
← Retour aux actualitésDes experts privilégiés (entraînés avec des informations supplémentaires, comme la position exacte des barres ou l’état des contacts) apprennent séparément les sous-tâches : saut vers le haut, brachiation, et saut vers le bas. Un élève perceptif (la politique finale) est ensuite distillé à partir de ces experts, en utilisant uniquement les observations du lidar et les données proprioceptives du robot. Le transfert vers le matériel réel est facilité par la modélisation des limites physiques : chute de tension de la batterie, échauffement des actionneurs, et bruit du lidar. Sauvetage en milieu urbain : escalader des structures effondrées ou des échelles instables pour localiser des victimes. Maintenance industrielle : se faufiler dans des environnements encombrés (tuyauteries, charpentes) pour inspecter ou réparer. Exploration spatiale : se déplacer sur des structures légères ou endommagées, comme des panneaux solaires ou des cadres de station spatiale. Innovation : 5/5 — Première démonstration d’un humanoïde enchaînant saut, brachiation et atterrissage avec une perception onboard et un RL end-to-end. Robustesse : 4/5 — 93 % de succès en conditions réelles, mais sensible aux aléas matériels (ex. : crochet qui ne s’accroche pas). Généralisation : 3/5 — Le même backbone perceptif fonctionne pour d’autres tâches (ducking), mais les politiques restent spécialisées. Article complet sur arXiv (ETH Zurich, 2026). Vidéo de démonstration (Robotic Lifestyle). Présentation de SwingBot (CORL 2026).
📑 Sommaire
💡 En 3 points clés
- Pourquoi un lidar solide ? Parce que ses balayages électroniques évitent les distorsions liées aux mouvements mécaniques, un problème récurrent avec les lidars à balayage mécanique lors de rotations rapides du torse ou des bras.
- Des experts privilégiés (entraînés avec des informations supplémentaires, comme la position exacte des barres ou l’état des contacts) apprennent séparément les sous-tâches : saut vers le haut, brachiation, et saut vers le bas.
- Un élève perceptif (la politique finale) est ensuite distillé à partir de ces experts, en utilisant uniquement les observations du lidar et les données proprioceptives du robot. Le transfert vers le matériel réel est facilité par la modélisation des limites physiques : chute de tension de la batterie, échauffement des actionneurs, et bruit du lidar.
Un défi technique extrême : sauter, se balancer, atterrir
Imaginez un humanoïde qui doit sauter pour attraper une barre à 1,5 mètre de haut, se balancer de barre en barre à une vitesse de 0,5 m/s, puis atterrir en toute sécurité. Ce n’est pas une séquence de mouvements chorégraphiée, mais une démonstration de brachiation robotique — une capacité qui exige une perception fine, une coordination précise et une robustesse aux limites matérielles.
C’est exactement ce qu’a réalisé une équipe du Robotic Systems Lab de l’ETH Zurich avec un humanoïde PM-01, équipé d’un lidar solide RoboSense E1R et d’un système de contrôle basé sur l’apprentissage par renforcement. Leur objectif ? Prouver qu’un robot peut traverser des structures 3D sparses (c’est-à-dire avec des points de contact intermittents et peu nombreux) en combinant perception et action, sans dépendre de cartes préétablies ou de systèmes de vision externes.
Comment ça marche : l’architecture perceptive et le pipeline d’apprentissage
Le système repose sur trois piliers techniques :
1. Perception directe et sélective
Le lidar RoboSense E1R, monté sur la tête du robot, scanne l’environnement avec une résolution de 192×144 pixels sur un champ de 120°×90°. Cependant, les barres des monkey bars ne renvoient que quelques points de retour par scan, noyés dans le bruit. Pour extraire les informations pertinentes, les chercheurs utilisent un encodeur basé sur l’attention, inspiré des travaux sur les cartes d’élévation, couplé à une mémoire récurrente (type LSTM). Ce module permet de sélectionner les points critiques (les barres) et d’intégrer les observations sur plusieurs scans, malgré les mouvements rapides du robot.
Pourquoi un lidar solide ? Parce que ses balayages électroniques évitent les distorsions liées aux mouvements mécaniques, un problème récurrent avec les lidars à balayage mécanique lors de rotations rapides du torse ou des bras.
2. Apprentissage par renforcement avec experts privilégiés
Entraîner un robot à enchaîner saut, brachiation et atterrissage en une seule politique est un cauchemar d’exploration : les transitions entre ces phases sont rares et difficiles à découvrir. La solution ? Un pipeline enseignant-élève avec planification par phases :
3. Robustesse matérielle : crochets passifs et limites simulées
Pour interagir avec les barres, le PM-01 est équipé de crochets passifs à l’extrémité des bras, conçus pour s’accrocher même si la trajectoire est légèrement imprécise. Les chercheurs ont également simulé des contraintes réelles (bruit du lidar, limitations thermiques des moteurs) pour éviter les échecs lors du passage du simulateur à la réalité.
Résultats : 93 % de succès et des performances humaines
Sur 15 essais avec trois configurations de barres différentes, le robot a réussi 14 fois la séquence complète (saut → brachiation → atterrissage), soit un taux de réussite de 93 %. La vitesse maximale de brachiation atteinte est de 0,5 m/s, comparable aux performances humaines rapportées dans la littérature.
Mais le système ne se limite pas aux monkey bars : le même backbone perceptif (l’encodeur à attention + mémoire récurrente) a été réutilisé pour entraîner une politique capable de se baisser sous des obstacles minces (barres de 2 cm de section). En 10 essais avec des barres placées aléatoirement, le robot a réussi à passer sans contact dans 100 % des cas.
Pourquoi c’est important : au-delà du cirque robotique
La brachiation sur barre fixe n’est pas qu’un exploit technique — c’est une preuve de concept pour des mouvements agiles en environnement encombré, où les robots doivent naviguer dans des espaces étroits ou dangereux sans pouvoir s’appuyer sur des cartes détaillées. Les applications potentielles incluent :
Comme le souligne l’équipe, cette approche map-free (sans carte) et perceptive (basée sur les observations en temps réel) est un pas vers des robots capables de s’adapter à des environnements non structurés, où les solutions classiques de planification de mouvement échouent.
Hype-mètre : 4/5
À suivre : des travaux comme SwingBot (présenté à CORL 2026) explorent des brachiations continues avec des crochets actifs, tandis que des frameworks comme MotionDisco visent à découvrir des mouvements loco-manipulation sans démonstrations humaines.