Aller au contenu principal
Insertion robuste d'objets par robot souple à contact adaptatif et récupération d'erreurIllustration générée par IA
RecherchearXiv cs.RO 

Insertion robuste d'objets par robot souple à contact adaptatif et récupération d'erreur

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource uniqueImpact UE

Des chercheurs d'Omron-SINICX ont publié sur arXiv (réf. 2509.17666) une méthode d'insertion robotique robuste combinant un poignet souple à compliance passive et un modèle vision-langage (VLM) pré-entraîné pour la récupération automatique des échecs. La tâche est structurée en formations de contact séquentielles : chaque étape contraint progressivement les degrés de liberté de la pièce insérée en exploitant la déformation mécanique du poignet pour absorber les chocs, sans capteur de force ni boucle de contrôle haute fréquence. Le VLM analyse les images et poses terminales après chaque tentative, identifie le mode d'échec et sélectionne une stratégie de récupération, la compliance passive rendant les relances répétées intrinsèquement sûres. En simulation, la méthode atteint 83 % de succès face à des incertitudes de préhension jusqu'à 5°, des erreurs de positionnement du logement jusqu'à 20 mm, une friction multipliée par cinq, et des géométries de tenons inédites (carré, rectangulaire). L'approche a aussi été validée sur robot réel, sans métriques chiffrées publiées pour cette phase.

L'enjeu opérationnel est direct : l'insertion peg-in-hole reste l'une des tâches de manipulation les plus sensibles aux variations de pose et de friction, exigeant aujourd'hui soit un outillage mécanique dédié (gabarits, guides), soit des capteurs force-couple onéreux avec tuning manuel par référence pièce. La compliance passive supprime le besoin de capteur de force, tandis que le VLM élimine le réentraînement du contrôleur à chaque nouvelle géométrie. Ce couplage mécanique-raisonnement visuel réduit le coût de mise en oeuvre et augmente la résilience aux variations de contexte. Le taux de 83 % en simulation reste néanmoins un indicateur partiel, et l'absence de chiffres publiés pour le robot réel limite les conclusions industrielles directes.

Omron est un acteur historique de l'automatisation industrielle japonaise, fabricant de PLCs, capteurs et robots collaboratifs. Son laboratoire SINICX travaille sur la robotique apprenante depuis plusieurs années. La tâche d'insertion est étudiée en robotique depuis les années 1980, mais sa robustesse aux variations de contexte reste un sujet de recherche actif. Les approches concurrentes s'appuient sur le contrôle en force (ABB, FANUC, Universal Robots) ou sur des méthodes d'imitation learning et de modèles VLA. La page projet est accessible publiquement ; aucun pilote industriel ni déploiement commercial n'est annoncé à ce stade.

Impact France/UE

Les intégrateurs et équipementiers européens (automobile, électronique) confrontés aux limites des insertions peg-in-hole pourraient à terme bénéficier de cette approche pour réduire le coût de mise en œuvre, mais aucun déploiement ni partenariat européen n'est annoncé.

Dans nos dossiers

À lire aussi

Mémoire tactile pour robot souple : insertion d'objets robuste par encodage masqué et poignet souple
Illustration générée par IA
1arXiv 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
Au-delà de la récupération d'erreur : un cadre de contrôle humain adaptatif pour les systèmes robotiques
Illustration générée par IA
2arXiv cs.RO 

Au-delà de la récupération d'erreur : un cadre de contrôle humain adaptatif pour les systèmes robotiques

Des chercheurs ont publié sur arXiv en juin 2026 (arXiv:2606.18189) une méthode appelée E-MPC (Engagement-aware Model Predictive Control), conçue pour repenser le rôle de l'humain dans la supervision des robots d'assistance. L'approche a été validée en simulation puis dans une étude utilisateur réelle, sur un système robotique d'aide à l'alimentation (bite acquisition), avec des participants simulant des limitations de mobilité. Le principe central : plutôt que de solliciter l'opérateur uniquement lorsqu'un robot échoue ou est en incertitude, le système planifie proactivement des moments d'interaction pour maintenir un niveau d'engagement choisi par l'utilisateur, tout en respectant une contrainte de charge cognitive maximale. E-MPC intègre un modèle de dynamique d'interaction utilisateur qui prédit comment l'engagement évolue en fonction de la fréquence et du type d'intervention demandée. Ce travail remet en cause un postulat dominant dans la robotique d'assistance : que l'autonomie maximale est toujours préférable pour l'utilisateur. Dans des contextes de caregiving physique, les personnes à mobilité réduite risquent de devenir de simples observateurs passifs d'un robot qui agit entièrement seul, ce qui dégrade l'expérience et potentiellement l'adhésion au système. E-MPC déplace le curseur : l'interaction n'est plus un signal d'échec, mais un levier de conception du workflow. Cela a des implications concrètes pour les intégrateurs de systèmes d'assistance à domicile ou en EHPAD, où le consentement continu et le sentiment de contrôle de l'utilisateur sont des critères de certification et d'acceptabilité. La robotique d'assistance humanoïde et collaborative accumule depuis plusieurs années des travaux sur le human-in-the-loop, mais ceux-ci se concentrent presque exclusivement sur la robustesse (détection de pannes, out-of-distribution handling). E-MPC s'inscrit dans une tendance plus récente qui emprunte aux travaux sur l'interaction adaptative et la téléopération partagée, avec des connexions aux recherches sur le shared autonomy (Javdani, Srinivasa et al.). Les auteurs n'annoncent pas de commercialisation ni de partenariat industriel à ce stade : il s'agit d'un prototype de recherche avec étude utilisateur, pas d'un produit déployé. Les suites naturelles incluent des essais avec de vraies populations en situation de handicap et l'extension à des tâches multi-étapes plus complexes que l'alimentation.

UELes implications pour la certification des robots d'assistance à domicile et en EHPAD (consentement continu, sentiment de contrôle utilisateur) sont directement pertinentes pour les intégrateurs français et la réglementation médicosociale en France.

RecherchePaper
1 source
Adaptation vision-couple : quand fusionner vue et toucher pour manipuler des objets en contact
Illustration générée par IA
3arXiv cs.RO 

Adaptation vision-couple : quand fusionner vue et toucher pour manipuler des objets en contact

Une équipe de recherche publie sur arXiv une version mise à jour de son étude (article 2604.01414v2) consacrée à la fusion entre vision et signaux force/couple (F/T) dans les politiques de manipulation robotique fondées sur des modèles de diffusion. Les auteurs comparent, pour la première fois de façon contrôlée, plusieurs stratégies existantes d'intégration vision-F/T déjà proposées dans la littérature : objectifs de prédiction auxiliaires, architectures mixture-of-experts, et mécanismes de gating conscients du contact. Ils introduisent ensuite leur propre méthode adaptative, qui ignore les signaux de force/couple pendant les phases sans contact et ne les combine à la vision que lorsqu'un contact est détecté. Sur les tâches testées, cette approche améliore le taux de réussite de 14% par rapport à la meilleure référence existante, un chiffre qui reste toutefois issu d'évaluations en conditions de laboratoire et non d'un déploiement industriel. Ce travail cible un point de friction connu du secteur : les politiques purement visuelles, sur lesquelles reposent la plupart des modèles vision-langage-action (VLA) actuels, atteignent leurs limites dès que la tâche exige une sensibilité fine au contact, comme l'insertion de précision, l'assemblage ou le vissage, opérations centrales en logistique et en industrie manufacturière. En démontrant qu'une fusion adaptative bat toutes les architectures F/T-vision publiées jusqu'ici, l'étude apporte un argument concret aux intégrateurs qui cherchent à équiper leurs bras robotiques de capteurs de force pour des tâches d'assemblage fin, et suggère que le "dernier centimètre" du contact reste un verrou technique non résolu par la seule vision, contrairement à certains discours commerciaux qui présentent les VLA comme suffisants pour toute manipulation. Cette publication s'inscrit dans la lignée des politiques de manipulation par diffusion (diffusion policies), devenues un standard de recherche depuis leurs premières démonstrations, et dans la continuité des travaux sur la fusion multimodale pour la robotique de contact, un axe exploré séparément par plusieurs laboratoires sans comparaison directe jusqu'ici. En comblant ce manque méthodologique, les auteurs positionnent leur mécanisme de gating adaptatif comme référence pour les futurs travaux sur la manipulation riche en contact, une étape encore académique qui devra être validée sur du matériel physique varié et des tâches industrielles réelles avant toute adoption commerciale.

RecherchePaper
1 source
InsertAnything : insertion de précision par contact, transférable de la simulation à la réalité
Illustration générée par IA
4arXiv 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