RecherchearXiv cs.RO 5 mai 2026

Filtre de sécurité en ligne pour la manipulation d'objets déformables avec des opérateurs neuronaux sans horizon fixe

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié le 1er mai 2026 sur arXiv (arXiv:2605.01069) un filtre de sécurité en ligne pour la manipulation robotique d'objets déformables, fluides, textiles, matières souples. La méthode repose sur deux composants : un opérateur neuronal "horizon-agnostique" qui apprend la dynamique aux équations aux dérivées partielles (PDEs) de ces matériaux à partir de leurs conditions aux limites, et une fonction de barrière de contrôle (Control Barrier Function, CBF) qui certifie la satisfaction des contraintes via un programme quadratique léger. Le filtre intercepte en temps réel la politique nominale de contrôle et la corrige à la marge pour éviter toute violation de contrainte, sans retraining requis quelle que soit la durée du rollout. Évalué sur des tâches de manipulation de fluides dans l'environnement de simulation FluidLab, le filtre améliore le taux de trajectoires sûres de jusqu'à 22 points de pourcentage par rapport aux politiques non filtrées, tout en réduisant le nombre de pas nécessaires pour atteindre l'ensemble sûr.

L'enjeu central est la distinction entre sécurité indirecte et garantie certifiée. Les approches d'apprentissage existantes traitent la sécurité via le reward shaping, sans aucune garantie formelle de satisfaction des contraintes au déploiement. Ici, la contrainte de sécurité devient affine dans le taux d'entrée aux frontières, ce qui la rend calculable en temps réel. Pour les intégrateurs déployant des robots en contexte chimique, pharmaceutique ou agroalimentaire, la différence est réglementairement et commercialement substantielle : une politique "apprise à éviter le danger" n'est pas équivalente à une contrainte certifiée formellement. La capacité à généraliser à des longueurs de rollout variables sans retraining réduit également le coût d'adaptation à de nouvelles tâches.

La manipulation d'objets déformables reste un angle mort de la robotique industrielle : leur état est continu et haute-dimension, régi par des PDEs complexes. Les opérateurs neuronaux, comme FNO ou DeepONet, ont émergé ces dernières années comme approximateurs de solutions d'EDPs, mais leur intégration dans des boucles de contrôle sûres reste rare. Les CBFs, bien établies pour les systèmes dynamiques à dimension finie, s'appliquent ici pour la première fois à des systèmes à dimension infinie. Ce preprint n'a pas encore été soumis à peer-review et les résultats sont exclusivement en simulation, sans validation sur hardware réel. Les approches concurrentes comme le safe RL (Constrained Policy Optimization, WCSAC) ou le MPC contraint ne sont pas directement comparées, ce qui laisse ouverte la question de positionnement dans l'état de l'art.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

Estimation de force 3D pour la manipulation à deux bras d'objets linéaires déformables par graphes de facteurs

Des chercheurs proposent, dans un preprint publié sur arXiv (2610.35058), une méthode d'estimation des forces 3D appliquées à des objets linéaires déformables (DLO, pour Deformable Linear Objects), comme les câbles et les fils, manipulés par deux bras robotiques. La technique repose sur des graphes de facteurs, un cadre probabiliste où l'état du DLO et les données de capteurs sont reliés par des distributions conditionnelles. Elle permet d'estimer en même temps la norme, la direction et le point d'application d'une force 3D, tout en reconstruisant la forme de l'objet. Les tests, menés avec du bruit injecté dans les mesures, font suivre au DLO une trajectoire prescrite en présence de forces externes, que le système estime avec précision selon les auteurs. L'abstract ne fournit aucune valeur chiffrée d'erreur, de fréquence de calcul ou de matériel utilisé, et rien n'indique si les essais sont en simulation ou sur robot réel. L'intérêt est d'abord pratique pour l'industrie. Les DLO sont sous-actionnés : on ne contrôle directement que leurs extrémités, et leur finesse exclut en général les jauges de contrainte ou la lecture d'actionneurs le long de leur longueur. Or une estimation fiable du contact est nécessaire pour contrôler précisément le câble et manipuler en sécurité. Les auteurs choisissent de n'utiliser qu'un seul type d'information sensorielle, ce qui vise une technique générique, transposable à des tâches variées sans instrumenter l'objet. Pour un intégrateur travaillant sur le câblage de faisceaux, l'assemblage électrique ou la manipulation de tubes, c'est une piste vers des tâches bimanuelles plus robustes, avec détection de contact sans capteur dédié. Il faut toutefois rester prudent : il s'agit d'un résultat de laboratoire avec bruit synthétique, sans validation industrielle, ni comparaison chiffrée publiée dans le résumé avec les méthodes concurrentes. Ce travail s'inscrit dans une littérature abondante sur la manipulation de DLO, longtemps dominée par des modèles physiques, des approches basées sur l'apprentissage ou des capteurs tactiles et de force installés sur les préhenseurs. Les graphes de facteurs, déjà très répandus en SLAM et en estimation d'état robotique, offrent ici une alternative probabiliste qui gère explicitement l'incertitude des mesures. Le préprint n'est qu'à sa première version (v1) et n'a pas encore franchi, a priori, de relecture par les pairs. Les prochaines étapes naturelles seraient une validation sur plateforme bimanuelle réelle, des tests sur des câbles de rigidités différentes et une intégration dans des boucles de commande fermées, étapes que le résumé ne mentionne pas.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Robustesse sans faux plis : simulation parallèle et MPC robuste pour la manipulation certifiée d'objets déformables

Fin juin 2025, une équipe de recherche a déposé sur arXiv (2506.14188) CORD-SLS, une méthode de contrôle temps réel pour la manipulation certifiée d'objets déformables, principalement des cordes et des tissus. Le coeur du système est un simulateur différentiable GPU-parallèle avec lissage de contact, permettant une planification par gradient à travers des contacts intermittents. Un algorithme de commande prédictive robuste (MPC) à retour de sortie, lui aussi GPU-parallèle, exploite ce simulateur pour générer des trajectoires en quelques millisecondes. Pour gérer les incertitudes de modèle et de perception, le système intègre la prédiction conforme (conformal prediction), qui calibre les erreurs de rétroaction visuelle et produit des "tubes atteignables" offrant des garanties probabilistes de sécurité. Les expériences couvrent des tâches à contact riche: évitement d'obstacles, routage de corde, pliage et lissage de tissu, évaluées en simulation et sur matériel réel, avec des résultats supérieurs aux baselines sur les critères de sécurité, de vitesse et de taux de succès. La manipulation d'objets déformables reste l'un des angles morts de la robotique industrielle: cordes et tissus présentent des espaces d'états quasi-infinis et des dynamiques de contact difficiles à modéliser. CORD-SLS attaque deux verrous simultanément: la vitesse de planification compatible avec du contrôle en boucle fermée temps réel, et des garanties formelles de sécurité absentes de la quasi-totalité des approches par apprentissage (RL, VLA). Le fait que le même simulateur accélère également l'entraînement de politiques neuronales model-based est notable: cela ouvre la voie à des pipelines hybrides combinant planification robuste et politiques apprises. Pour les intégrateurs ciblant la couture automatisée, la logistique textile ou la robotique chirurgicale, c'est une démonstration académique sérieuse, pas encore un produit déployé. La manipulation déformable est étudiée depuis les années 1990, mais les approches classiques échouaient systématiquement à l'échelle réelle faute de simulateurs rapides et fiables. Les méthodes par apprentissage de type diffusion policies et VLAs gagnent du terrain mais peinent à fournir des garanties certifiables, ce qui freine leur adoption dans des contextes régulés. CORD-SLS positionne le couplage MPC robuste et prédiction conforme comme une alternative formellement vérifiable. Les concurrents directs incluent les travaux de simulation différentiable de DiffTaichi, les approches MPC déformable développées à MIT et CMU, et les politiques end-to-end de type Pi-0 de Physical Intelligence. Le papier reste un preprint sans publication en conférence confirmée à ce stade; les suites dépendront de validations sur des tâches industrielles réelles et d'une éventuelle mise à disposition publique du code.

RecherchePaper

1 source

3arXiv cs.RO

Instant-Fold : apprentissage par imitation en contexte pour la manipulation d'objets déformables

Des chercheurs présentent Instant-Fold (arXiv:2606.04269, juin 2026), un cadre d'apprentissage par imitation en contexte appliqué à la manipulation d'objets déformables comme le textile. Le principe central : à partir d'une seule démonstration humaine, le système infère et exécute des modes de manipulation variés (pliage avec ordres et variantes spatiales différents) sans aucune mise à jour de gradients ni fine-tuning. L'approche repose sur deux composants : un encodeur visuel pré-entraîné par contrastive learning temporel pour capturer les déformations du matériau, et une politique basée sur un transformer à flow-matching conditionné sur cette démonstration. Le modèle est entraîné entièrement en simulation et revendique un transfert zero-shot vers des environnements réels, sans collecte de données supplémentaire. La manipulation d'objets déformables (DOM) est l'un des problèmes les plus persistants de la robotique de manipulation : l'état d'un tissu est de haute dimension, partiellement observable, et évolue à travers des interactions à long horizon avec des changements de topologie. La promesse d'Instant-Fold est double : une seule démonstration humaine suffit, et aucun réentraînement n'est requis pour chaque nouveau mode de pliage. Pour les intégrateurs en industrie textile ou en logistique e-commerce, l'implication est directe : déployer une nouvelle variante de pliage reviendrait à filmer une démonstration, sans pipeline de réentraînement. La revendication de transfert sim-to-real zero-shot mérite toutefois d'être lue prudemment : les vidéos disponibles sur le site du projet présentent des séquences sélectionnées, et la robustesse face à des matières de textures ou rigidités très variables n'est pas quantifiée dans l'abstract. La manipulation de tissu est un chantier actif depuis des années, longtemps dominé par des approches à base d'états denses et de planification hors ligne. L'émergence des politiques diffusion (ACT, Diffusion Policy) puis des modèles Vision-Language-Action a réorienté le domaine vers des méthodes end-to-end généralisables. Instant-Fold s'inscrit dans cette lignée, mais adopte le flow-matching (plus rapide à l'inférence que la diffusion) et mise sur l'in-context learning plutôt que le fine-tuning par démonstration, une approche encore minoritaire en robotique. Les groupes concurrents actifs sur la DOM incluent des équipes chez Google DeepMind et des labos universitaires ayant publié sur des benchmarks comme SoftGym ou ClothFunnels. La validation sur des évaluations standardisées et en conditions industrielles réelles reste la prochaine étape nécessaire avant tout pilote commercial.

RechercheOpinion

1 source

4arXiv cs.RO

De la téléopération à la dextérité à long horizon : évaluation des compétences visuomotrices et des indicateurs hors ligne pour la manipulation dextère

Des chercheurs ont évalué 281 politiques d'apprentissage par imitation, réparties en sept familles, sur environ 1 700 essais réels de saisie et d'insertion de connecteurs RJ45 avec une main robotique à cinq doigts. L'étude, publiée sur arXiv, vise à identifier les choix de conception qui gouvernent la performance réelle, alors que la perte de validation, signal d'optimisation habituel, ne présente aucune relation constante avec le taux de réussite du robot. Les ablations contrôlées montrent que les représentations d'observation et d'action pèsent bien plus que les choix d'optimiseur ou d'échantillonnage. Pour les politiques à nuages de points, le recadrage sur une région d'intérêt, l'expression dans le repère de la base du robot et la normalisation au sein de l'encodeur gagnent chacun entre 70 et 100 points de pourcentage de réussite. Pour la politique vision-langage-action (VLA), prédire des actions absolues plutôt que relatives améliore l'insertion jusqu'à 70 points. Sur 67 métriques hors ligne testées, seules cinq, toutes liées à la régularité et à la directivité du mouvement prédit, corrèlent avec le succès (r entre -0,70 et -0,80), et uniquement au sein d'une même famille de politiques. L'enjeu pour les intégrateurs et les équipes R&D est direct : une bonne part de la performance en manipulation dextre se joue dans des détails de pipeline, souvent peu documentés, plutôt que dans la taille du modèle ou le réglage de l'entraînement. Des écarts de 70 à 100 points pour un simple changement de repère ou de normalisation expliquent en partie pourquoi des démonstrations publiées restent difficiles à reproduire. Le résultat sur les métriques hors ligne est tout aussi pratique : elles peuvent présélectionner des candidats, mais pas remplacer les essais sur robot réel, ce qui maintient un coût d'évaluation élevé pour tout déploiement. À noter que la décomposition en compétences, la perception multi-vues et les démonstrations de récupération sont associées aux meilleurs systèmes, sans que leurs effets aient été isolés, et que la tâche, un connecteur RJ45, reste étroite : la généralisation à d'autres objets n'est pas démontrée. Ce travail s'inscrit dans le débat sur l'écart entre démonstrations et fiabilité réelle de l'apprentissage par imitation, nourri par la montée des VLA et des mains à cinq doigts, où la téléopération sert de source de données principale. Il s'agit d'une publication académique et non d'un produit ou d'un déploiement : aucun partenaire industriel, calendrier ou prix n'est annoncé dans le résumé. La valeur de l'étude tient à son ampleur empirique, rare dans un domaine où les comparaisons se font souvent sur quelques dizaines d'essais. Elle fournit des pistes aux laboratoires et aux acteurs développant des politiques de manipulation, tout en rappelant que les corrélations observées restent propres à chaque famille de modèles. Les prochaines étapes logiques seraient l'isolation causale des facteurs comme la décomposition en compétences et l'extension à d'autres tâches d'assemblage de précision.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source