Manipulation d'objets par un système de treillis…

1arXiv cs.RO

SOMA : manipulation de piles d'objets avec un robot quadrupède

Des chercheurs présentent SOMA, un cadre d'apprentissage par renforcement hiérarchique qui permet à un robot quadrupède dépourvu de bras manipulateur de déplacer des piles de plusieurs objets en les poussant avec tout le corps (manipulation dite non préhensile). Le système découpe le contrôle en deux niveaux. Une politique de haut niveau, fondée sur un encodeur S5 (Simplified Structured State Space Sequence) qui raisonne sur un long historique temporel, prédit des commandes de suivi de cible bornées via des distributions Beta. Une politique de locomotion de bas niveau adapte dynamiquement la configuration des pattes. Nouveauté centrale, la hauteur de la base du robot est contrôlée explicitement, ce qui ouvre des stratégies de poussée en trois dimensions et non plus seulement planes. En simulation, SOMA atteint 90,3 % de réussite pour le repositionnement d'un objet unique et jusqu'à 90,1 % pour des piles dynamiques de deux caisses, avec des tolérances strictes de 0,05 m en position et 1° en orientation. Le transfert vers le réel, réalisé sans réentraînement (zero-shot), a été validé sur un Unitree Go1 avec des charges de masses et de géométries variées. L'intérêt tient à la question traitée : que peut faire un quadrupède standard, sans bras, pour déplacer des charges lourdes ou instables ? La plupart des travaux de poussée se limitent au plan et traitent chaque objet isolément. Ici, la pile est gérée comme un système unique, en évitant le glissement relatif ou le basculement des couches supérieures, ce qui correspond à des scénarios logistiques ou de chantier où l'on déplace des palettes ou des caisses empilées sans équipement dédié. Le fait que le robot ajuste sa hauteur pour conserver adhérence et équilibre sous charge suggère un levier de contrôle encore peu exploité sur ces plateformes. Il faut toutefois rester prudent : les chiffres de 90 % proviennent de simulation, la validation réelle est qualitative d'après le résumé, sans taux de réussite publié, et le Go1 est une plateforme de recherche d'entrée de gamme dont les charges restent modestes. Il s'agit d'un résultat académique (preprint arXiv, non évalué par les pairs), très loin d'un produit ou d'un déploiement industriel. Ce travail s'inscrit dans la lignée de la locomotion apprise par simulation massivement parallèle, qui a rendu le transfert zero-shot courant sur les quadrupèdes Unitree, ANYmal ou Spot. La manipulation avec les pattes ou le corps entier, déjà explorée pour pousser des objets ou ouvrir des portes, reste en revanche moins mature que la locomotion. Face à elle, les approches concurrentes équipent le quadrupède d'un bras (Spot Arm, ANYmal avec manipulateur, Go2 modifié), au prix de coût, de poids et de complexité supplémentaires. SOMA propose l'alternative inverse, sans matériel additionnel. Les suites naturelles seraient des essais sur des plateformes plus robustes, des piles de plus de deux objets, des sols variés et des mesures réelles de réussite et de charge maximale, éléments absents du résumé.

RecherchePaper

1 source

2arXiv cs.RO

Champs de risque sémantique guidés par un modèle fondation et sensibles à la topologie pour la manipulation

Des chercheurs proposent un champ de risque sémantique 3D pour la planification de mouvement en manipulation, publié sur arXiv (2609.36640v1). Le système attribue à chaque paire objet manipulé / objet de la scène six poids de risque directionnels, ainsi qu'une échelle de décroissance spatiale propre à la paire, tous produits par un modèle de fondation. Ces a priori sont fusionnés avec la géométrie 3D voxelisée de la scène par un « shielding » sensible à la topologie (un obstacle protège l'objet sensible) et par une décroissance spatiale géodésique, c'est-à-dire mesurée le long des chemins réellement praticables. Un backend parallélisé sur GPU regroupe les calculs de distance et de risque par objet pour construire un champ 3D dense, utilisable comme terme de coût modulaire par n'importe quel planificateur en aval. L'évaluation porte sur trois scénarios domestiques en simulation, sur le comportement du shielding face à des barrières complètes ou partielles, et sur la comparaison avec une base de référence à a priori sémantiques calculés pixel par pixel. Les auteurs évaluent aussi le coût de calcul et la fiabilité du pipeline. Le résumé ne donne aucun chiffre précis (temps de calcul, taux de réduction d'exposition), et il n'indique ni le modèle de fondation utilisé ni de test sur robot réel. L'enjeu est de dépasser l'évitement de collision, qui traite tous les contacts et toutes les proximités de façon équivalente. Dans un foyer, passer un couteau au-dessus d'un ordinateur portable ou d'une assiette n'a pas le même risque que le passer près d'un mur. Les modèles de fondation peuvent fournir ce jugement contextuel, mais leurs sorties restent difficiles à intégrer dans un planificateur qui exige des garanties géométriques strictes. Ce travail répond à cette tension en séparant les deux niveaux. Les contraintes dures restent géométriques, et le risque sémantique entre comme un coût doux, ce qui préserve la modularité. Pour les intégrateurs, c'est une piste vers des manipulateurs de service plus acceptables en environnement non structuré. Il faut toutefois rester prudent : les résultats sont uniquement simulés, et la mesure principale, une « exposition sémantique » plus faible que celle de trajectoires sans risque sémantique, dépend de la définition choisie par les auteurs. Rien ne prouve encore que les poids produits par le modèle soient fiables ou reproductibles hors simulation. Ce travail s'inscrit dans la vague des approches qui associent modèles vision-langage et planification, comme les champs de valeur 3D de type VoxPoser ou les contraintes spécifiées par langage naturel. La plupart projettent la sémantique en 2D ou l'ignorent dans la topologie de la scène, ce que la base de comparaison pixel par pixel illustre ici. Les prochaines étapes probables sont une validation sur bras réel, un test sur des scènes encombrées et dynamiques, et une intégration avec des politiques VLA (vision-langage-action) de type Pi-0 ou GR00T. Aucun calendrier de déploiement ni partenaire industriel n'est annoncé, et il s'agit d'un préprint non évalué par des pairs.

RecherchePaper

1 source

3arXiv cs.RO

ArtManip : manipulation en main d'objets articulés par catégorie

Des chercheurs ont présenté ArtManip, une méthode d'apprentissage décrite comme la première à réaliser la manipulation en main d'objets articulés au niveau de la catégorie, avec généralisation aux instances inédites et aux prises initiales variées, pour des mains robotiques dextres. L'article, publié sur arXiv sous la référence 2609.12498, détaille un pipeline automatisé qui génère de manière procédurale des objets articulés variés et synthétise des prises fonctionnelles orientées tâche, évitant la collecte manuelle jusque-là nécessaire pour constituer des jeux de modèles d'objets et de démonstrations de saisie. La politique de contrôle est entraînée en deux étapes, combinant randomisation de la physique des articulations, curriculum de récompense progressif et distillation de représentations latentes pour gérer les contacts complexes et la dynamique des jointures. Les tests couvrent quatre catégories d'objets articulés en simulation, avec un transfert zero-shot réussi vers 12 objets réels aux formes et mécanismes de jointure variés, sans réentraînement spécifique. Le travail s'attaque à un verrou connu de la manipulation dextre: contrôler les degrés de liberté internes d'un objet articulé, comme une charnière, un tiroir ou un mécanisme à ciseaux, tout en maintenant une prise stable sur une base flottante, un couplage que la plupart des méthodes existantes contournent en se limitant à des objets rigides ou à des instances déjà vues à l'entraînement. Pour les laboratoires et intégrateurs travaillant sur la dextérité robotique, une généralisation inter-instances et inter-configurations, plutôt qu'un simple transfert sim-to-real sur un objet isolé, constitue un signal notable: elle suggère que l'écart entre simulation et monde réel peut se réduire même sur des tâches à haute dimensionnalité de contrôle. Le résultat reste néanmoins circonscrit à 12 objets réels et quatre catégories, loin d'un système déployé en production ou intégré à un produit commercial. Cette recherche s'inscrit dans la lignée des travaux récents sur l'apprentissage par renforcement en simulation physique haute-fidélité appliqué à la dextérité robotique, un axe qui coexiste avec les approches fondées sur des modèles vision-langage-action généralistes à politique unique multi-tâche. ArtManip se distingue en ciblant la généralisation au niveau de la catégorie d'objet plutôt que la polyvalence des tâches, et en misant sur une génération automatisée des données d'entraînement pour contourner le coût de collecte manuelle de prises fonctionnelles, identifié par les auteurs comme un frein majeur au passage à l'échelle. Aucun plan de déploiement industriel ni partenariat matériel n'est mentionné à ce stade: la publication demeure un résultat de recherche, dont l'extension à davantage de catégories d'objets et de plateformes physiques constitue la suite logique annoncée.

RecherchePaper

1 source

4arXiv cs.RO

DefFlow : manipulation d'objets déformables conditionnée par un but, via des flux de points 3D

DefFlow est un cadre d'apprentissage par démonstration pour la manipulation d'objets déformables conditionnée par un but, décrit dans un preprint arXiv (2610.22827v1). Au lieu de prédire uniquement la trajectoire du robot, le modèle prédit conjointement le flux de points 3D du robot et celui de l'objet déformable, en fonction de la configuration 3D cible. Les auteurs l'évaluent sur trois familles d'objets: la corde, les milieux granulaires et le tissu, avec des configurations initiales et cibles variées. Ils affirment qu'il surpasse nettement deux types de références, la prédiction directe d'actions conditionnée par le but et la prédiction du seul flux du robot, sur le taux de réussite et sur les métriques de distance au but. Une démonstration sur robot réel est également présentée, à partir de nuages de points réels et de configurations cibles jamais vues à l'entraînement. Le résumé ne donne ni chiffres de performance, ni nom de robot, ni nombre de démonstrations, et aucune entreprise n'est citée. L'intérêt tient à un verrou précis de la manipulation déformable. Quand l'éventail des états initiaux et finaux s'élargit, le robot doit choisir entre des comportements très différents, par exemple quand saisir, relâcher ou ressaisir, en plus de produire des mouvements continus précis. Prédire seulement le flux du robot oblige le modèle à déduire ces décisions de façon implicite. En modélisant aussi l'évolution de l'objet, DefFlow rend ces choix explicites, ce qui peut aider à généraliser à des buts nouveaux. Pour les intégrateurs, la manipulation de câbles, de textiles ou de matières en vrac reste un point faible de l'automatisation, et une approche pilotée par un but 3D, sans modèle physique explicite de l'objet, irait dans le sens de politiques plus généralistes. Les réserves sont nettes. Les résultats viennent surtout de benchmarks, probablement en simulation, et la part réelle semble limitée à une démonstration qualitative, sans taux de réussite chiffré. L'écart entre simulation et réalité n'est donc pas démontré comme résolu. Le travail s'inscrit dans la lignée des méthodes fondées sur le flux, qui représentent l'action comme le mouvement de points dans l'espace plutôt que comme des commandes articulaires, ce qui favorise le transfert entre morphologies et la compréhension de la scène. Il répond aussi aux limites des politiques de type diffusion ou VLA (vision-langage-action), qui peinent sur les objets à nombreux degrés de liberté. Le résumé ne cite pas de concurrents ni de calendrier. Les suites logiques seraient des évaluations chiffrées sur robot, des objets plus complexes comme les vêtements ou les câbles industriels, et une comparaison avec les grands modèles de fondation robotiques.

RecherchePaper

1 source

Manipulation d'objets par un système de treillis à topologie variable

À lire aussi

SOMA : manipulation de piles d'objets avec un robot quadrupède

Champs de risque sémantique guidés par un modèle fondation et sensibles à la topologie pour la manipulation

ArtManip : manipulation en main d'objets articulés par catégorie

DefFlow : manipulation d'objets déformables conditionnée par un but, via des flux de points 3D