Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
De la saisie à l'insertion : assemblage de précision assisté par retour tactile sous tolérances inférieures au millimètre
RecherchearXiv cs.RO 

De la saisie à l'insertion : assemblage de précision assisté par retour tactile sous tolérances inférieures au millimètre

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Une équipe de chercheurs a publié en mai 2026 sur arXiv (2605.04649) une méthode en deux étapes pour l'assemblage robotique sous tolérances sub-millimétriques, combinant apprentissage par imitation (IL) et apprentissage par renforcement (RL) augmentés par retour tactile. Le premier module IL apprend l'approche et la saisie du peg, tandis qu'un second module RL se charge de l'insertion proprement dite, incluant la récupération sur contact. Deux contributions techniques encadrent le système : le "tactile group sampling", qui augmente la couverture des segments de contact critiques en entraînement, et un "tactile critic" pour une meilleure évaluation des politiques. Testée sur cinq géométries de trous et trois niveaux de jeu, la méthode atteint un taux de réussite de 67 % sous le jeu le plus sévère (0,05 mm), tout en réduisant la force de contact maximale de 60 % et le couple de 44 % par rapport aux approches de référence.

L'assemblage sous tolérances inférieures à 0,1 mm est l'un des goulots d'étranglement persistants de la robotique industrielle : une erreur de pose de quelques centièmes suffit à provoquer un coincement (jamming) ou la destruction d'une pièce à haute valeur. Que ce travail maintienne des forces basses tout en conservant un taux de succès substantiel répond directement aux critères des équipementiers électroniques, médicaux et de la mécanique fine. L'approche confirme surtout que les capteurs tactiles, longtemps relégués derrière la vision, peuvent combler le sim-to-real gap dans les tâches contact-riches, là où la caméra manque de résolution locale, un argument de poids pour les intégrateurs qui dimensionnent leurs cellules.

Ce travail s'inscrit dans la lignée des recherches peg-in-hole initiées par les labos MIT et Stanford, mais l'accent sur la sécurité des forces le distingue des approches orientées performance brute. Sur le marché, les fabricants de bras collaboratifs (Universal Robots, FANUC, ABB) et les spécialistes du capteur tactile (Contactile, Xela Robotics, Touchlab) seront attentifs à la reproductibilité sur hardware réel. Le preprint reste au stade de la preuve de concept en laboratoire, sans pilote industriel annoncé ; les prolongements logiques incluent des géométries asymétriques, des matériaux déformables et une validation temps-réel embarquée pour tenir les cadences de production.

Impact France/UE

Les fabricants européens de bras collaboratifs (Universal Robots, ABB) et les intégrateurs de cellules d'assemblage de précision pourraient s'appuyer sur cette approche pour adresser les goulots d'étranglement dans l'électronique et le médical, secteurs où les tolérances sub-millimétriques sont la norme.

Dans nos dossiers

arXiv cs.RO

À lire aussi

InsertAnything : insertion de précision par contact, transférable de la simulation à la réalité
1arXiv cs.RO 

InsertAnything : insertion de précision par contact, transférable de la simulation à la réalité

Une équipe de recherche a publié en septembre 2026 sur arXiv (2609.24511) InsertAnything, un système d'apprentissage par renforcement pour l'insertion robotique de précision entraîné entièrement en simulation, sans démonstration réelle ni réglage fin après déploiement. La politique combine la pose cible de la pièce avec un retour de force tridimensionnel compact capté au bout des doigts du préhenseur, ce qui lui permet de rechercher l'alignement et de corriger sa trajectoire même quand la position estimée du trou est erronée ; une récompense « gated » découplée coordonne les phases d'alignement et d'insertion, tandis qu'un lissage du signal de force et des écarts-types indépendants de l'état stabilisent l'apprentissage. Les politiques obtenues réalisent des insertions réelles sur des jeux nominaux allant jusqu'à 0,02 mm, tout en réduisant les forces de contact maximales en cas d'erreur de positionnement du trou. Le système décroche le premier score parfait, 20 sur 20, au benchmark peg-in-hole de ManipulationNet sous son protocole « Human-in-the-Loop », avec des mouvements d'insertion entièrement autonomes ; une politique unique, entraînée uniquement sur une tâche hexagonale simulée, atteint par ailleurs un taux de réussite de 95 % sur huit tâches d'insertion réelles jamais vues à l'entraînement. Le code, les scripts d'expérimentation, les assets de simulation et les checkpoints entraînés sont publiés en open source sur le site du projet. L'insertion de précision à fort contact reste un goulot d'étranglement de l'assemblage robotique industriel : les faibles jeux mécaniques rendent la tâche très sensible aux erreurs d'alignement et sujette au blocage, et chaque nouvelle géométrie de pièce exigeait jusqu'ici une collecte de données réelles ou un réentraînement dédié. En montrant qu'une politique unique formée en simulation sur une seule géométrie se généralise à huit tâches inédites et à des jeux jusqu'à 0,02 mm sans aucune donnée réelle, ces résultats s'attaquent directement à l'écart classique entre simulation et réalité qui freine le déploiement industriel des politiques apprises. Pour les intégrateurs, cela ouvre potentiellement une voie pour réduire le temps de mise en service lors d'un changement de référence de pièce, un enjeu central en électronique et en assemblage mécanique de précision. Le résultat reste cependant un score de benchmark en environnement de recherche, pas un déploiement industriel documenté, et le protocole « Human-in-the-Loop » du test autorise normalement une intervention humaine que le système n'a ici pas eu besoin de solliciter. Le travail s'inscrit dans la lignée des recherches combinant apprentissage par renforcement et retour de force pour résoudre le « peg-in-hole », un banc d'essai classique de la manipulation robotique fine, aux côtés d'approches plus généralistes de type vision-langage-action. Aucun industriel n'est associé à la publication, qui reste à ce stade un preprint arXiv sans mention de laboratoire ni de partenaire dans le résumé et non encore validé par les pairs, mais la mise en open source des scripts de simulation et d'expérimentation, des assets et des checkpoints doit permettre une reproduction indépendante des résultats, sans qu'un calendrier de pilote industriel ou de transfert commercial ne soit pour l'instant annoncé.

RecherchePaper
1 source
Des résistances documentées aux limites de force : insertion robotique guidée par les matériaux pour l'assemblage en construction
2arXiv cs.RO 

Des résistances documentées aux limites de force : insertion robotique guidée par les matériaux pour l'assemblage en construction

Des chercheurs présentent SAGE (Source-grounded Assembly Gating and Execution), un système qui transforme des données documentaires sur les matériaux en limites de force exploitables pour l'insertion robotique dans l'assemblage de construction, selon un preprint publié sur arXiv (2609.22609v1). Le système restreint un grand modèle de langage à une tâche précise : extraire les résistances à la traction et à la compression depuis des passages et tableaux de documents techniques récupérés, en conservant la traçabilité des sources. Un modèle de réponse distinct interpole ensuite des solutions d'éléments finis calculées hors ligne pour convertir ces résistances et les conditions d'assemblage en capacité de charge axiale. Pour les ajustements à jeu positif, cette capacité fixe la limite de force axiale de la politique de contrôle ; pour les ajustements par interférence, elle est comparée à la demande de support mesurée pour décider d'admettre ou non l'insertion. Sur le benchmark principal, SAGE réduit l'erreur moyenne de capacité de 80,65% (estimation directe par le LLM à partir des mêmes preuves) à 10,74%. Sans réajustement, l'erreur reste à 8,00% sur 16 géométries supplémentaires, et le système classe correctement 59 des 62 simulations notées, avec uniquement des erreurs conservatrices. Sur un bras robotique xArm6, les essais physiques enregistrés aboutissent à une insertion réussie dans 9 cas sur 13, un taux d'environ 69% qui reste modeste et signale une marge de progression avant tout usage industriel fiable. L'intérêt de ces travaux tient à la séparation nette entre interprétation documentaire, confiée au LLM, et calcul mécanique, confié à un modèle physique explicite. Un LLM livré à lui-même pour estimer directement une capacité de charge produit une erreur moyenne proche de 81%, ce qui illustre les limites d'une confiance aveugle dans le raisonnement numérique des modèles de langage sur des données d'ingénierie. En combinant extraction sourcée et modélisation par éléments finis, SAGE rend les décisions d'insertion traçables et justifiables, un enjeu concret pour les intégrateurs en construction robotisée où les erreurs de force peuvent endommager des composants ou compromettre la structure assemblée. Ce travail de recherche académique reste à un stade préliminaire : preprint non encore relu par les pairs, testé sur un jeu limité de géométries et un seul bras robotique commercial. Aucun acteur industriel, humanoïde ou plateforme commerciale n'est associé à cette publication, qui s'inscrit dans la recherche sur l'usage des LLM comme interface documentaire couplée à des modèles physiques classiques plutôt que comme calculateur autonome. Les auteurs ne mentionnent pas de calendrier de transfert vers des essais industriels à plus grande échelle.

RecherchePaper
1 source
REBOOT : de l'échec à la récupération, un jeu de données et un benchmark pour l'assemblage de précision
3arXiv cs.RO 

REBOOT : de l'échec à la récupération, un jeu de données et un benchmark pour l'assemblage de précision

Une équipe de recherche a mis en ligne fin septembre 2026 sur arXiv (2609.22591) REBOOT, pour Recovery Episode Benchmark for Off-nominal Trajectories, un jeu de données et un benchmark de manipulation robotique construit autour de l'échec comme signal d'apprentissage à part entière. L'ensemble comprend 2 160 démonstrations réparties sur 18 tâches d'assemblage de précision, chacune découpée en cinq phases communes : alignement en prise, engagement en prise, transport, alignement en dépôt et engagement en dépôt, ce qui permet une évaluation phase par phase plutôt qu'un simple résultat final binaire. Des échecs sont introduits à chaque phase puis appariés à des trajectoires de récupération réalisées par des experts, qui ramènent le système vers un état permettant de poursuivre la tâche. Chaque tâche est annotée en symétrie rotationnelle, précision d'engagement et direction d'assemblage via des paires installation-retrait, avec des flux RGB-D synchronisés sur quatre points de vue et des descriptions en langage naturel par phase. La moitié des démonstrations est experte, l'autre reproduit des échecs observés lors de déploiements réels de politiques entraînées par imitation. Trois architectures ont été testées : un transformeur à chunks d'actions, un modèle de diffusion et π0-FAST. Les jeux d'entraînement robotique actuels contiennent presque exclusivement des démonstrations réussies, et les benchmarks existants réduisent la performance à un score binaire de succès ou d'échec, ce qui masque où et pourquoi une politique échoue réellement. En mesurant des taux de complétion par phase, REBOOT révèle des points de défaillance propres à chaque architecture, invisibles en évaluation binaire classique. Pour les intégrateurs et laboratoires qui déploient des politiques vision-language-action sur des tâches d'assemblage industriel, cela offre un diagnostic localisé, permettant d'identifier si l'échec survient à l'alignement, à l'engagement ou pendant le transport de la pièce, et fournit une base pour entraîner explicitement la capacité de récupération après erreur, une condition nécessaire à l'assemblage de précision en environnement réel non contrôlé. Le benchmark s'inscrit dans l'essor des politiques vision-language-action génériques telles que π0, GR00T N2 ou Helix, dont la promesse se heurte encore à l'écart entre démonstrations en laboratoire et fiabilité sur des tolérances millimétriques. Contrairement aux jeux de référence existants comme Open X-Embodiment ou DROID, centrés sur le volume de démonstrations réussies, REBOOT se présente comme le premier construit explicitement autour de l'échec et de sa récupération. Le jeu de données et le code associés sont publiés en accès libre (nanayawoa.github.io/REBOOT). Il s'agit d'une contribution de recherche en prépublication, sans déploiement industriel annoncé à ce stade ; son adoption par les laboratoires et fournisseurs de piles VLA reste à observer dans les prochains mois.

RecherchePaper
1 source
Mémoire tactile pour robot souple : insertion d'objets robuste par encodage masqué et poignet souple
4arXiv cs.RO 

Mémoire tactile pour robot souple : insertion d'objets robuste par encodage masqué et poignet souple

Une équipe de recherche présente TaMeSo-bot (Tactile Memory with Soft Robot), un système robotique associant un poignet souple et une mémoire tactile pour réaliser des tâches d'insertion de précision, comme l'insertion de chevilles (peg-in-hole) ou de clés, y compris en cas d'incertitude sur la position ou la forme de l'objet. Décrit dans un article déposé sur arXiv (identifiant 2601.19275v2, version corrigée d'une première soumission), le système repose sur un modèle nommé Masked Tactile Trajectory Transformer (MAT3), qui fusionne dans un seul réseau les actions du robot, des signaux tactiles répartis sur plusieurs points de contact, des mesures de force-couple et des données proprioceptives. Par un mécanisme de prédiction de tokens masqués, comparable au principe des modèles de langage masqués, MAT3 reconstruit les informations sensorielles manquantes et extrait seul les caractéristiques utiles à la tâche, sans découpage manuel en sous-étapes. Le poignet souple sécurise l'exploration du contact pendant la collecte de démonstrations, tandis que la mémoire tactile permet de réutiliser ces démonstrations par recherche de similarité pour s'adapter à des situations inédites. Les auteurs valident l'approche sur des insertions de chevilles de formes et conditions variées, lors d'expériences sur robot réel, et rapportent un taux de réussite supérieur aux méthodes de référence dans toutes les conditions testées, avec une bonne généralisation à des pièces non vues à l'entraînement. Ce travail touche un point sensible de l'automatisation industrielle : l'insertion de précision (assemblage électronique, câblage, connectique) reste difficile à automatiser car elle dépend d'un retour tactile fin que la vision seule ne capture pas. En montrant qu'un réseau unique peut fusionner tactile distribué, force-couple et proprioception pour généraliser à des objets nouveaux, l'étude alimente le débat sur le passage à l'échelle des politiques de manipulation apprises par imitation, un domaine où les modèles génériques vision-langage-action (VLA, type Pi-0 ou GR00T) sont souvent critiqués pour l'écart entre démonstration et déploiement réel. La validation reste toutefois cantonnée à des tâches de laboratoire et ne prouve pas une robustesse industrielle à grande échelle ; elle indique cependant aux intégrateurs qu'une mémoire par récupération, combinée à une compliance mécanique passive, peut réduire le réglage fin tâche par tâche. La démarche prolonge des travaux en robotique tactile et manipulation compliante, qui cherchent depuis plusieurs années à combiner matériaux souples et apprentissage pour sécuriser le contact physique, en alternative aux approches rigides fortement instrumentées. L'article ne mentionne aucun partenaire industriel ni calendrier de commercialisation : il s'agit d'un résultat de recherche publié en preprint, pas d'un produit livré ni d'un déploiement en usine. Il se situe face à un écosystème actif de recherches sur les politiques VLA généralistes et les architectures de perception tactile, où les laboratoires cherchent à démontrer que l'apprentissage par démonstration peut remplacer la programmation explicite des séquences d'assemblage. Les suites attendues concernent l'extension à d'autres tâches d'assemblage fin et une évaluation sur des plateformes industrielles, sans essai pilote ni date annoncés à ce stade.

RecherchePaper
1 source