Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
TouchDrive : interface tactile sans électronique pour l'aide à la préhension
RecherchearXiv cs.RO 

TouchDrive : interface tactile sans électronique pour l'aide à la préhension

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

Des chercheurs ont publié sur arXiv (réf. 2605.06432) TouchDrive, une interface de retour tactile entièrement passive destinée à la préhension robotique assistive. Le système repose sur un clapet pneumatique normalement fermé, un réservoir d'air comprimé, un élément de captation mécanique et un actionneur haptique, sans aucun composant électronique. Le principe est direct : les forces de contact générées lors de la saisie sont converties en pression pneumatique qui actionne le retour haptique vers l'opérateur dans une boucle mécanique unique, sans microcontrôleur, sans firmware, sans couche logicielle intermédiaire. Le système a été validé sur plusieurs plateformes robotiques et testé sur un panel de 20 objets représentatifs, dont des fruits et des articles du quotidien, couvrant à la fois des objets compliants et des objets fragiles.

L'intérêt industriel et médical de TouchDrive tient à sa rupture architecturale : là où les interfaces tactiles concurrentes empilent capteurs à résistance variable ou piézoélectriques, unités de traitement embarquées et buses d'actuation pilotées par microcontrôleur, TouchDrive condense sensing, génération de signal et retour haptique dans un seul circuit pneumatique passif. Cette compression de la chaîne de traitement réduit directement le coût de fabrication, la surface de défaillance et les contraintes réglementaires liées aux dispositifs électroniques en milieu médical. Pour un COO qui intègre des bras robotiques dans des environnements sensibles ou à budget contraint, l'absence d'électronique signifie aussi une maintenance simplifiée et une certification potentiellement plus rapide. La capacité à moduler la force de préhension en temps réel via retour tactile est ce qui permet la manipulation précise d'objets déformables, un problème non résolu par les systèmes de contrôle en position pure.

Le champ de la manipulation assistive est actuellement dominé par des capteurs tactiles électroniques comme GelSight (MIT), DIGIT (Meta AI) ou les solutions embarquées de Touchlab et Contactile, tous dépendants de GPU ou de microcontrôleurs pour le traitement. TouchDrive se positionne explicitement à contre-courant, en ciblant l'accessibilité et la robustesse plutôt que la densité d'information. Il s'agit pour l'heure d'un prototype de laboratoire publié sous forme de preprint, sans partenaire industriel ni calendrier de commercialisation annoncé. La prochaine étape logique serait une validation sur des tâches à contraintes de force plus strictes et un test en conditions d'usage réelles avec des utilisateurs en situation de handicap moteur.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Une interface de préhension simple pour la manipulation de tissu indépendante du simulateur
1arXiv cs.RO 

Une interface de préhension simple pour la manipulation de tissu indépendante du simulateur

Un modèle de préhension pour la manipulation de tissu par robot, pensé pour être indépendant du simulateur utilisé, est décrit dans un article publié sur arXiv (arXiv:2609.29340). Le gripper y est représenté par sa pose, l'état de ses mâchoires et un volume de préhension attaché : soit une boîte alignée sur les axes pour simuler une prise pincée, soit un volume pyramidal carré pour simuler une prise ponctuelle. À la fermeture du gripper, les positions discrètes du tissu situées dans ce volume sont sélectionnées, mémorisées dans le repère local du gripper, puis déplacées avec lui ; une étape de resserrement progressif ramène ces points vers le centre de la zone de prise pour éviter un déplacement instantané. Les auteurs implémentent ce modèle dans un simulateur de tissu inextensible basé sur des contraintes (étirement, cisaillement, collision, contact avec une table), puis rejouent la même trajectoire de gripper sur un bras robotique réel pour plier un morceau de tissu physique. Le choix central du papier est d'écarter toute modélisation du contact et du frottement entre le gripper et le tissu au profit de simples contraintes de position, ce qui simplifie et accélère l'implémentation au prix d'une certaine idéalisation. L'intérêt pour les équipes de recherche et les intégrateurs travaillant sur la manipulation d'objets déformables (linge, textile, logistique) tient à sa portabilité : ne nécessitant qu'un accès aux positions discrètes du tissu et un mécanisme de contraintes cibles, le modèle peut passer d'un moteur physique à un autre sans réécriture. La démonstration sur bras réel, limitée à la reproduction d'une trajectoire issue de la simulation, fonctionne comme un test de plausibilité plutôt que comme une preuve de généralisation : elle montre un comportement de pliage physiquement crédible, sans valider une politique de contrôle apprise en conditions variées, ce qui distingue nettement cette contribution méthodologique d'un système prêt au déploiement. Le travail s'inscrit dans le champ de la manipulation robotique de tissus, où la simulation sert habituellement à entraîner des politiques de contrôle avant leur transfert vers un robot physique, un transfert souvent freiné par des modèles de contact et de frottement coûteux à calculer et difficiles à porter d'un simulateur à un autre. En proposant à la place une abstraction géométrique simple, volume de préhension plus contraintes positionnelles, les auteurs visent un composant réutilisable que d'autres équipes pourraient intégrer dans leurs propres pipelines. L'article ne mentionne ni partenariat industriel ni feuille de route de déploiement : il s'agit d'une contribution de recherche, dont la suite naturelle attendue serait son évaluation sur des politiques de contrôle apprises et sur des tâches de manipulation de tissu plus variées que le simple pliage démontré ici.

RecherchePaper
1 source
TacRefineNet : affinage de la préhension tactile guidé par objectif pour objets à arêtes saillantes
2arXiv cs.RO 

TacRefineNet : affinage de la préhension tactile guidé par objectif pour objets à arêtes saillantes

Une équipe de recherche présente TacRefineNet, un système d'affinage tactile de prise pour objets à géométrie fine comme les plaques, disques et tiges, dont les contacts épars sont difficiles à capter par la vision en profondeur. Le framework utilise un réseau siamois entraîné à comparer les images tactiles multi-doigts actuelles et cibles, ainsi que les configurations articulaires de la main, pour prédire directement des corrections incrémentales de la pose du poignet. La main ouvre, déplace et resaisit l'objet de façon itérative, formant une boucle de servocontrôle tactile à dextérité externe. Les chercheurs ont collecté 156 007 échantillons simulés à partir de 15 objets (plaques, disques, tiges) et entraîné la politique entièrement dans MuJoCo avant un déploiement zero-shot sur une main à cinq doigts et 11 degrés de liberté équipée de capteurs piézorésistifs. Sur des objets déjà vus, le système réel atteint un taux de réussite de 80,7% pour les cibles fixes et 59,3% pour les cibles aléatoires selon le critère de 10 degrés et 10 mm, avec des erreurs moyennes d'environ 5,2 mm et 3,5 degrés après cinq étapes de correction. Ce résultat s'attaque à un angle mort précis de la manipulation robotique: les objets fins et symétriques restent un point faible pour les capteurs de profondeur classiques, car leurs surfaces de contact sont trop réduites ou occultées pour une estimation de pose fiable par vision seule. En démontrant qu'un asservissement purement tactile peut corriger l'alignement final avec une précision millimétrique, l'étude conforte l'idée que la fusion vision-tactile, plutôt que la vision seule, sera nécessaire pour les tâches d'assemblage fin en usine ou en logistique. Le transfert zero-shot simulation-vers-réel, sans réentraînement sur le système physique, est aussi un signal encourageant pour réduire le coût de déploiement de ce type de politique sur du nouveau matériel. Le travail s'inscrit dans la lignée des approches de manipulation dextre pilotées par retour tactile, un domaine où la rareté des données réelles pousse les équipes à s'appuyer sur la simulation pour l'entraînement. Les auteurs reconnaissent des limites: le transfert reste restreint à des objets non vus mais proches en catégorie, et la performance chute nettement pour les objets symétriques ou aux contacts peu discriminants, un écueil classique pour toute méthode fondée sur la comparaison d'images de contact. Le système montre en revanche une capacité de correction continue face à des perturbations prolongées, ce qui ouvre la voie à des essais sur des tâches d'assemblage réel où la précision fine de prise est critique, sans qu'aucun calendrier de déploiement industriel ne soit pour l'instant annoncé.

RecherchePaper
1 source
Peau électronique multicouche pour la détection de cisaillement
3arXiv cs.RO 

Peau électronique multicouche pour la détection de cisaillement

Un article publié sur arXiv (arXiv:2609.22493v1) présente un réseau de capteurs de force résistifs (FSR) empilé sur deux couches pour bouts de doigts robotiques, combinant cartographie de pression haute résolution et estimation du cisaillement. Un espaceur en élastomère à structure en treillis, placé entre les deux couches, convertit la charge de cisaillement en un déplacement mesurable du centre de pression entre les niveaux. Un modèle physique d'équilibre des moments relie ce déplacement inter-couches à la force de cisaillement, complété par un réseau CNN-GRU qui capture les effets non linéaires liés à la compression et à la redistribution du contact. En combinant les deux couches, ce modèle atteint des coefficients de détermination R² de 0,914 pour la composante Fx et 0,944 pour Fy, surpassant systématiquement les capteurs à couche unique. Lors d'essais de manipulation robotique, la couche profonde suit la translation et la rotation imposées par le bras du robot, tandis que la couche superficielle capte le glissement en surface, et l'écart transitoire entre les réponses de pression totale des deux couches donne la meilleure détection des événements de glissement. Ce résultat s'attaque à une limite connue des peaux électroniques actuelles : la plupart des capteurs tactiles, commerciaux ou de laboratoire, mesurent bien la force normale mais peinent à estimer cisaillement et glissement, deux informations pourtant critiques pour une préhension fine et adaptative. En montrant qu'un simple empilement de deux couches FSR, associé à un modèle physique et un réseau de neurones, suffit à obtenir une estimation de force sur trois axes, les auteurs ouvrent une voie de fabrication potentiellement plus simple et moins coûteuse que les architectures capacitives multi-axes ou optiques existantes. Pour les intégrateurs travaillant sur la manipulation dextre, tri, assemblage, préhension d'objets fragiles ou déformables, une détection fiable du glissement en temps réel est un prérequis direct pour ajuster la force de préhension et éviter de laisser tomber ou d'écraser un objet, un problème encore largement non résolu à l'échelle industrielle. Ce travail s'inscrit dans un champ de recherche actif sur les peaux électroniques robotiques, où coexistent plusieurs approches concurrentes : capteurs optiques type GelSight ou DIGIT reconstruisant la déformation de surface par caméra interne, capteurs capacitifs multi-couches, et matrices piézorésistives comme celle étudiée ici, historiquement cantonnées à la force normale. L'apport tient surtout dans l'architecture à deux couches et le couplage entre modèle physique interprétable et apprentissage profond. Publié sous forme de préprint, ce travail reste à ce stade une validation en laboratoire, sur banc d'essai et bras robotique, sans indication de portage vers un produit commercial. Les étapes attendues incluent la miniaturisation du réseau pour des doigts de taille humaine, la validation sur davantage de matériaux et textures de contact, et des tests de robustesse dans la durée avant tout transfert vers des mains robotiques commerciales.

RecherchePaper
1 source
Interface de navigation universelle : données sans robot pour la navigation des robots à roues
4arXiv cs.RO 

Interface de navigation universelle : données sans robot pour la navigation des robots à roues

Un article arXiv (2609.20114v1) présente Universal Navigation Interface (UNI), une méthode de collecte de données de navigation pour robots à roues sans robot cible ni téléopération. Le dispositif est un déambulateur à quatre roues (rollator) équipé d'un smartphone, poussé par un opérateur humain ; incapable de monter des escaliers, de franchir des bordures non abaissées ou de passer par des espaces étroits, il biaise naturellement les trajectoires vers des itinéraires praticables en roues. Les auteurs ont collecté 37,2 km de données réelles, converties en trajectoires métriques pour entraîner des modèles de navigation conditionnés par objectif. Le fine-tuning sur ces données réduit l'erreur de prédiction de trajectoire de 17,4 à 24,8 % sur le jeu de test UNI, avec des gains plus inégaux sur d'autres datasets, et un transfert en boucle fermée vers un fauteuil roulant motorisé a été validé sur des scénarios de bordures et d'escaliers. Cette approche s'attaque à un goulot d'étranglement connu de la robotique mobile : la collecte de données de navigation exige d'ordinaire une téléopération spécifique à chaque plateforme, coûteuse et difficile à faire passer à l'échelle. En montrant qu'un objet du quotidien, sans robot cible ni capteurs sophistiqués, peut produire des trajectoires exploitables pour l'entraînement, UNI ouvre une piste de réduction de coûts pour les intégrateurs de robots à roues, qu'il s'agisse d'AMR industriels, de robots de livraison ou d'aides à la mobilité comme les fauteuils roulants. Le résultat appuie l'idée que des proxys physiques bon marché peuvent fournir une supervision réelle sans simulation ni robot final, même si les gains ne se généralisent pas uniformément aux jeux de données externes testés, un rappel que la méthode reste sensible au domaine d'entraînement. UNI prolonge une lignée d'outils de collecte "robot-free" popularisée en manipulation par des dispositifs comme Universal Manipulation Interface, qui enregistrait des démonstrations via une pince portative sans bras robotique ; UNI transpose cette logique à la navigation à roues en exploitant les contraintes physiques d'un objet grand public, un déambulateur pour personnes à mobilité réduite. Il s'agit d'un travail de recherche publié en preprint sur arXiv, sans lien annoncé avec un produit commercial ou un déploiement industriel. Les prochaines étapes évoquées par les auteurs portent sur l'élargissement des tests à d'autres jeux de données et plateformes robotiques, au-delà du fauteuil roulant motorisé utilisé pour la validation en boucle fermée.

RecherchePaper
1 source