RecherchearXiv cs.RO 7 mai 2026

Emballage dans des contenants partiellement remplis par contact

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs publie sur arXiv (référence 2602.12095, version 3, première soumission en février 2026) une approche de bin-packing robotique capable de placer des objets dans des conteneurs déjà partiellement remplis, contrairement aux méthodes existantes qui supposent des conteneurs vides. L'algorithme repose sur trois composants couplés: un optimiseur de trajectoire multi-objets basé sur les contacts, intégré dans un contrôleur prédictif (MPC); un système de perception physiquement informé qui estime les poses des objets même en présence d'occlusions inévitables; et un module de suggestion de positions d'empilement physiquement réalisables. La contribution centrale est l'exploitation délibérée des interactions de contact avec les objets déjà en place pour créer de l'espace libre et permettre l'insertion de nouveaux items, sans recourir à la stratégie collision-free qui prévaut dans la littérature.

Dans les entrepôts réels, les bacs ne sont presque jamais vides: ils circulent entre zones de tri, postes de préparation et quais d'expédition, accumulant des configurations sous-optimales au fil des déplacements. Les approches sans contact dominantes échouent ou produisent des taux de remplissage médiocres face à ces conditions, creusant un écart persistant entre la recherche en laboratoire et les contraintes opérationnelles. Ce travail propose un changement de paradigme: traiter les contacts comme un levier d'organisation spatiale plutôt que comme un obstacle à éviter. Pour un intégrateur ou un opérateur logistique, l'impact potentiel est direct: densité de remplissage accrue, moins de passages en reprise manuelle, réduction des coûts de transport et de surface de stockage. L'absence de métriques quantitatives dans l'abstract (taux de succès, temps de cycle, payload) empêche toutefois d'évaluer les performances réelles à ce stade.

Le bin-packing robotique reste un problème ouvert malgré les investissements d'Amazon Robotics, Ocado et Covariant, et la montée de spécialistes comme Nimble Robotics. Côté européen, Exotec (AMR de stockage, Lille) et Enchanted Tools évoluent dans des espaces adjacents sans cibler encore ce niveau de manipulation dense en conteneur partiellement rempli. Ce travail est un preprint en version 3, sans déploiement ni partenariat industriel annoncé: il s'agit d'une contribution académique, pas d'un produit expédié. Si les performances se confirment hors laboratoire, cette approche orientée contact pourrait s'intégrer à la prochaine génération de cellules de picking-packing autonomes, où la robustesse face au désordre constitue le vrai différenciateur commercial.

Impact France/UE

Impact indirect : si les performances se confirment hors laboratoire, des acteurs logistiques européens comme Exotec pourraient intégrer cette approche orientée contact dans leurs cellules de picking-packing, réduisant la dépendance aux reprises manuelles dans les entrepôts.

Dans nos dossiers

Enchanted Tools — Mirokaï Exotec arXiv cs.RO

À lire aussi

1arXiv cs.RO

Recherche de source partielle par balayage-et-déplacement pour robots mobiles

Des chercheurs ont publié sur arXiv (référence 2609.23786) une stratégie baptisée partial-scan-and-move pour la recherche de source par robot mobile équipé d'un capteur scalaire déporté, capable de mesurer à distance un champ physique comme une fuite de gaz. Alors que les méthodes classiques imposent une rotation complète de 360 degrés à chaque position avant tout déplacement, les auteurs montrent qu'un scan partiel suffit souvent, grâce à une nouvelle méthode d'estimation du gradient couplée à un ensemble de confiance intégrant le bruit de mesure et les variations locales du champ ; ce mécanisme indique au robot s'il est déjà assez proche de la source pour s'arrêter, ou s'il dispose d'assez d'information pour avancer dans une direction fiable. Sous certaines conditions, chaque décision est prise à l'intérieur d'un scan partiel de durée bornée à l'avance, et le robot atteint le voisinage de la source en un nombre fini de déplacements, avec une probabilité élevée. Pour les intégrateurs de robotique mobile et les concepteurs de systèmes de détection embarquée, raccourcir chaque cycle de scan accélère la localisation d'une source de danger, fuite toxique, contamination ou brouillage électromagnétique, un enjeu concret pour la recherche et sauvetage, la surveillance environnementale ou l'inspection industrielle par AMR. Cela s'attaque au goulot d'étranglement classique des algorithmes de source seeking, où le temps passé à tourner sur place domine souvent le temps de déplacement utile. Le résultat reste toutefois pour l'instant théorique : l'abstract ne mentionne aucun essai sur robot physique ni déploiement de terrain, seulement des garanties mathématiques sous hypothèses, laissant ouvert l'écart habituel entre preuve formelle et performance réelle en environnement bruité. La recherche de source, ou source seeking, est un champ établi du contrôle robotique, appliqué depuis plusieurs années au traçage de panaches chimiques et à la navigation par gradient sans carte préalable ; la stratégie à scan complet en constitue la référence standard, à laquelle ce travail apporte une variante plus économe en temps de mesure. Publié en cross-listing sur arXiv fin septembre 2026, l'article ne cite aucune plateforme robotique commerciale ni partenaire industriel et s'inscrit dans une littérature académique sur l'estimation de gradient bruité et la décision sous incertitude. Aucun essai sur robot réel ni calendrier de validation n'est mentionné à ce stade ; la suite logique pour ce type de résultat théorique passe généralement par une simulation puis un test sur plateforme physique avant tout transfert vers l'industrie.

RecherchePaper

1 source

2arXiv cs.RO

VTLoc : localisation tactile de contact par apprentissage dans des nuages de points visuels

Voici la traduction/résumé de l'article. Des chercheurs présentent VTLoc, un système d'apprentissage qui combine vision et toucher pour localiser précisément un point de contact tactile sur la surface d'un objet, à partir d'un nuage de points 3D issu d'une caméra. Le défi technique central est l'alignement spatial entre les données tactiles, très locales et ponctuelles, et la géométrie visuelle globale de l'objet. VTLoc s'appuie sur deux composants: un module d'alignement multimodal géométrique, qui reconstruit un pseudo-nuage de points à partir des caractéristiques visuelles-tactiles fusionnées puis l'aligne avec le nuage de points visuel réel pour garantir une cohérence spatiale entre les deux modalités; et un module de raffinement itératif, qui ajuste progressivement l'estimation du point de contact au fil des itérations en réexploitant les données fusionnées. Le système a été évalué sur un nouveau benchmark constitué de 100 objets réels, où il améliore la localisation d'un contact tactile unique en réduisant l'ambiguïté de correspondance entre repère local (le capteur tactile) et repère global (l'objet dans son ensemble). Pour l'industrie robotique, cette avancée s'attaque à un verrou concret de la manipulation fine: savoir exactement où un doigt ou un capteur tactile touche un objet est indispensable pour des tâches comme l'insertion de précision, la manipulation en aveugle partiel ou le réajustement de prise sans vision directe du point de contact. La plupart des systèmes actuels traitent vision et toucher comme des flux séparés ou les fusionnent de façon grossière, ce qui laisse une ambiguïté importante dès que le capteur tactile ne "voit" qu'une zone très locale de la surface. En démontrant une réduction mesurable de cette ambiguïté sur un benchmark réel de 100 objets plutôt que sur des simulations, VTLoc apporte une preuve empirique que la fusion géométrique multimodale peut combler l'écart entre la perception globale par caméra et le retour local par capteur tactile, un prérequis pour des manipulateurs plus autonomes en environnement encombré ou peu éclairé. Ce travail s'inscrit dans une lignée de recherche en perception visuo-tactile qui s'est accélérée avec la démocratisation de capteurs tactiles denses (type GelSight ou équivalents) et la maturation des architectures de nuages de points 3D pour la robotique. Il se positionne aux côtés d'efforts plus larges sur les modèles vision-langage-action (VLA) et les architectures de perception multimodale pour la manipulation, sans toutefois constituer un produit déployé: il s'agit d'une contribution de recherche publiée sur arXiv, évaluée en laboratoire, dont les suites naturelles seraient une intégration dans des pipelines de contrôle en boucle fermée et des tests sur des tâches de manipulation complètes plutôt que sur la seule localisation de contact.

RecherchePaper

1 source

3arXiv cs.RO

Planification de mouvement riche en contacts par évaluation de modes parallélisée sur GPU

Un article publié sur arXiv (référence 2609.21803v1, catégorie "new") présente CoMET (Contact-Mode Expansion with parallel Trajectory optimization), une nouvelle méthode de planification de mouvement pour la manipulation et la locomotion robotique impliquant des contacts physiques complexes, un problème connu sous le nom de contact-rich motion planning (CRMP). Contrairement aux approches classiques qui évitent d'évaluer largement les séquences possibles de modes de contact en raison de leur explosion combinatoire, en s'appuyant sur des heuristiques de recherche ou des reformulations mathématiques d'optimisation, les auteurs choisissent de revisiter cette évaluation exhaustive en exploitant la puissance de calcul parallèle des GPU modernes. CoMET combine une évaluation de trajectoires parallélisée sur GPU avec une expansion gloutonne des modes de contact. Sur des bancs d'essai de poussée planaire (planar pushing), la méthode se montre compétitive face à des méthodes de référence basées sur l'optimisation, l'échantillonnage et la recherche arborescente, en termes de qualité de solution et de temps de calcul, tout en égalant quasiment les résultats d'une énumération complète de référence avec moins d'évaluations et des temps de planification plus courts. Des tests d'ablation indiquent que l'essentiel du gain de performance provient de l'évaluateur de trajectoires à haut débit plutôt que de la stratégie d'expansion elle-même. Ce résultat a une portée méthodologique plutôt que commerciale, mais elle intéresse directement les équipes de recherche et d'ingénierie travaillant sur la manipulation robotique. Il suggère que le calcul GPU massivement parallèle peut rendre viable une approche jugée jusqu'ici trop coûteuse computationnellement, l'évaluation large des modes de contact, en la transformant en alternative simple et efficace face à des méthodes plus sophistiquées mais plus complexes à régler. Pour la manipulation bimanuelle non préhensile, cette expansion locale des modes adaptée au GPU dépasse même une recherche arborescente adaptative à mesure que l'espace des modes s'agrandit, un signal utile pour les concepteurs de systèmes robotiques manipulant des objets sans prise ferme. Le papier s'inscrit dans la lignée des travaux de planification sous contact en robotique, un domaine confronté depuis longtemps à la difficulté combinatoire des décisions de contact discrètes. Il ne mentionne ni entreprise, ni déploiement produit, ni affiliation industrielle: il s'agit d'une contribution de recherche fondamentale récemment mise en ligne, dont la validation par les pairs et les suites (extension à d'autres tâches, comparaisons plus larges) restent à venir.

RecherchePaper

1 source

4arXiv cs.RO

Représentation d'action par champ de potentiel pour l'apprentissage par renforcement en manipulation à contacts riches

Des chercheurs décrivent, dans un préprint publié sur arXiv fin septembre 2026 (arXiv:2609.21609v1), PA-RL, un framework de reinforcement learning qui remplace les commandes cartésiennes directes par des champs de potentiel artificiels comme représentation d'action: la politique ajuste les paramètres d'un champ de potentiel énergétique, qui génère une direction de guidage exécutée par un contrôleur d'impédance cartésien. Testé en simulation sur l'insertion de cheville dans un trou (peg-in-hole), tâche de référence à contacts riches et transitions discontinues, PA-RL bat, avec le même algorithme RL, trois espaces d'action concurrents (vitesse cartésienne, pose cartésienne, impédance variable): 100% de réussite contre 92,6% pour la meilleure référence, avec 55,4% de variation de couple articulaire en moins et 70,8% de variation d'accélération cartésienne en moins. Transférée sans réentraînement, la politique entraînée uniquement en simulation réussit 9 insertions sur 9 sur robot réel. Ce résultat s'attaque à deux limites connues du RL appliqué à la manipulation industrielle: le couplage entre stratégie de tâche et génération de mouvement bas niveau, et l'écart persistant entre simulation et réel. En faisant agir la politique sur les paramètres d'un champ de potentiel plutôt que sur des commandes de trajectoire brutes, PA-RL allège l'apprentissage et produit des mouvements mécaniquement plus doux, un point concret pour les intégrateurs soucieux de limiter l'usure des actionneurs sur les lignes d'assemblage. Le transfert vers le réel sans fine-tuning est la donnée la plus significative pour les décideurs B2B: elle suggère qu'une représentation d'action mieux choisie peut réduire le besoin de réentraînement coûteux sur matériel physique, même si l'échantillon réel reste modeste, neuf essais sur une seule tâche, ce qui appelle à la prudence avant toute généralisation. Ce travail s'inscrit dans l'effort de recherche visant à rendre le RL exploitable pour l'assemblage industriel, où l'insertion de pièces sert de cas d'école face à des interfaces d'action plus directes déjà étudiées, comme la commande cartésienne en vitesse ou en pose et l'impédance variable. En s'appuyant sur les champs de potentiel artificiels, une technique historiquement utilisée en planification de mouvement classique plutôt qu'en apprentissage de bout en bout, les auteurs proposent une voie intermédiaire entre contrôle réactif et apprentissage profond. L'article ne mentionne ni partenaire industriel ni pilote de déploiement annoncé; les suites attendues porteraient sur l'extension à d'autres tâches de contact et sur une validation à plus grande échelle en conditions réelles, afin de confirmer la généralisation au-delà du seul scénario peg-in-hole testé ici.

RecherchePaper

1 source