Comparaison des performances des algorithmes…

1arXiv cs.RO

Combinaison d'échantillonnage contraint et d'apprentissage par renforcement pour la manipulation robotique

Manipulation robotique non préhensile : des chercheurs de la TU Berlin combinent échantillonnage contraint et apprentissage par renforcement Une équipe de la TU Berlin, associée au laboratoire de Marc Toussaint, publie une nouvelle version de ses travaux sur l'entraînement de politiques de manipulation robotique en environnement riche en contacts (arXiv:2602.08557v2). Le problème visé est la manipulation dite non préhensile, c'est à dire pousser, faire glisser ou réorienter un objet sans le saisir, une tâche où l'apprentissage par renforcement (RL) peine souvent à explorer suffisamment l'espace des stratégies possibles. La méthode proposée combine deux idées existantes mais rarement associées : d'une part des stratégies de réinitialisation qui contrôlent la distribution des états de départ de chaque épisode d'entraînement, et d'autre part un échantillonnage basé modèle sur des variétés contraintes, une technique reconnue pour son efficacité à générer des états physiquement valides. Le nouvel échantillonneur tient explicitement compte de la structure des contacts pour couvrir un large éventail de modes de contact, le tout combiné à une interpolation projetée et à un apprentissage curriculaire progressif. Sur le plan des résultats, l'équipe affirme surpasser à la fois le RL classique sans échantillonnage contraint et les méthodes alternatives de réinitialisation, en entraînant des politiques universelles, non préhensiles et dynamiques. L'intérêt pour le secteur tient moins à un produit qu'à une brique méthodologique : la manipulation en contact riche, aujourd'hui l'un des points durs de la robotique appliquée (tri industriel, réorientation d'objets sur convoyeur, préhension d'objets déformables), reste largement dominée par des politiques apprises en simulation qui échouent à généraliser sur des configurations de contact non vues à l'entraînement. Une méthode qui améliore la couverture des modes de contact pendant l'apprentissage adresse directement ce problème de généralisation, sans dépendre d'un matériel ou d'un actionneur particulier. Il s'agit ici d'une contribution académique, pas d'une annonce produit ni d'un déploiement industriel, du matériel supplémentaire étant disponible sur le site du laboratoire. Le travail s'inscrit dans la continuité des recherches de Toussaint sur la planification géométrico logique et les approches hybrides modèle/apprentissage, un courant de recherche européen qui contraste avec les approches purement data-driven (type VLA) privilégiées par les laboratoires américains sur les plateformes humanoïdes commerciales.

UEContribution de la TU Berlin (laboratoire de Marc Toussaint) qui renforce l'expertise européenne en manipulation robotique hybride modèle/apprentissage, une approche qui se distingue des méthodes VLA data-driven privilégiées par les laboratoires américains.

RecherchePaper

1 source

2arXiv cs.RO

Actionneurs pneumatiques souples pour la robotique molle : revue des mécanismes d'actionnement et compromis de performance

Une équipe de chercheurs vient de déposer sur arXiv (réf. 2605.25109) une revue systématique des actionneurs pneumatiques souples, constituant l'une des technologies centrales de la robotique souple. Le papier organise ces systèmes selon quatre classes de mouvement : linéaire, flexion, torsion et omnidirectionnel. Pour chaque classe, les auteurs analysent les paramètres structurels qui définissent le chemin de déformation : angle de tresse, géométrie des plis, orientation des fibres, arrangement des chambres, asymétrie structurelle et couches de contrainte internes. Le constat de départ est net : la réponse mécanique de ces actionneurs ne dépend pas uniquement de la pression appliquée, mais de l'ensemble de leur architecture, ce que la littérature existante traite de façon fragmentée et difficilement comparable. L'intérêt de ce travail tient à un problème concret qui ralentit les équipes de développement : l'impossibilité de comparer les résultats publiés entre études. Deux actionneurs à base de flexion peuvent produire des déplacements similaires tout en différant radicalement sur la demande en débit d'air, la répétabilité ou la durée de vie en cycles. La revue introduit un cadre de conditions de sélection explicites à évaluer lors du choix ou de la comparaison d'actionneurs : pression de travail, condition de charge, taille physique de l'actionneur, disponibilité de l'alimentation pneumatique et hystérésis. Pour un intégrateur ou un ingénieur robotique, ce cadre réduit les essais empiriques coûteux en phase de prototypage, à condition que les publications futures adoptent ces métriques de manière systématique, ce qui reste une hypothèse de travail à ce stade. La robotique souple s'est imposée comme alternative aux systèmes rigides pour des applications en contact avec le corps humain ou des environnements non structurés, en compétition directe avec les actionneurs à câbles, les élastomères diélectriques et les alliages à mémoire de forme. Les applications visées par la revue sont explicitement le biomédical, le portabilité et la robotique mobile. En Europe, des acteurs comme Wandercraft sur les exosquelettes ou Enchanted Tools sur les robots collaboratifs opèrent précisément dans des espaces où ces arbitrages de conception sont déterminants. Ce papier de classification arrive au moment où plusieurs équipes tentent le passage du prototype de laboratoire au déploiement industriel, une transition qui exige la rigueur comparative que cette revue cherche à structurer, sans toutefois proposer de benchmarks quantitatifs normalisés propres à accélérer ce saut.

UELe cadre de sélection proposé est directement exploitable par des équipes françaises comme Wandercraft (exosquelettes) et Enchanted Tools (robots collaboratifs) pour réduire les essais empiriques lors du choix d'actionneurs souples en phase de prototypage.

RecherchePaper

1 source

3arXiv cs.RO

Convex-Neural RRT* : échantillonnage guidé par apprentissage pour une planification de trajectoire robotique rapide et fiable

Une équipe de recherche a publié en mai 2026 sur arXiv (réf. 2605.25006) les travaux sur Convex-Neural RRT, une variante de l'algorithme de planification de chemin RRT intégrant un guidage neuronal pour accélérer la recherche de trajectoires optimales. Le principe : un réseau de neurones prédit des régions "waypoints" prometteuses autour des chemins de haute qualité, puis des zones convexes sont extraites de ces prédictions pour concentrer l'exploration sur les zones géométriquement pertinentes tout en maintenant une couverture globale de l'espace. Évalué sur 18 cartes de benchmark réparties en 3 types d'environnements, l'algorithme réduit le temps de calcul de 30 à 75 % par rapport aux variantes neurales existantes (Neural RRT, Neural Informed RRT), et de 88 à 98 % par rapport à LTA. La longueur des chemins produits diminue en moyenne de 5 % par rapport au RRT classique, avec des gains plus marqués dans les environnements complexes. Le taux de succès reste supérieur à 99 % quelle que soit la densité d'obstacles. Ces résultats s'attaquent à un goulot d'étranglement bien documenté du planning probabiliste : les méthodes à base d'échantillonnage sont théoriquement complètes mais lentes à converger vers des solutions de qualité, ce qui freine leur déploiement embarqué où le temps de réponse est critique (robots mobiles, bras industriels, véhicules autonomes). L'utilisation de zones convexes comme proxy des prédictions neuronales est une décision d'ingénierie notable : elle préserve les garanties de convergence de RRT* tout en rendant l'heuristique géométriquement tractable, évitant les dérives habituelles des méthodes purement apprises qui échouent hors distribution. À noter que les gains de 5 % en longueur de chemin restent modestes et que les benchmarks sont réalisés en simulation ; aucune validation sur robot physique n'est rapportée. RRT (Rapidly-exploring Random Tree Star), introduit par Karaman et Frazzoli en 2011, est devenu un standard en planification de mouvement robotique. Ses variantes neurales récentes ont cherché à apprendre des heuristiques d'échantillonnage depuis des données de trajectoires, mais au prix d'une surcharge computationnelle qui annulait souvent le bénéfice. Convex-Neural RRT s'inscrit dans cette lignée en ajoutant une contrainte géométrique qui assainit les prédictions. Les concurrents directs incluent LTA, IRRT et les approches par diffusion (Motion Planning Diffusion). Cette publication préliminaire ne mentionne aucun déploiement industriel ; les prochaines étapes attendues sont une validation sur robots physiques et une extension aux espaces de configuration de haute dimension, notamment les bras 6-7 DOF et les humanoïdes.

RecherchePaper

1 source

4arXiv cs.RO

CORNAV : raisonnement tenant compte des travaux pour la navigation de robots sur chantiers actifs

CORNAV, un cadre de navigation pour robots publié sur arXiv (2610.03622), vise à faire circuler des robots mobiles sur des chantiers actifs à partir de plans CAD 2D et de plannings de projet, sans exiger de maquette numérique BIM. Le système aligne les plans architecturaux sur des graphes de scène 3D hiérarchiques à vocabulaire ouvert pour ancrer les requêtes en langage naturel. Il convertit ensuite le planning en contraintes de navigation variables dans le temps. Un module de sécurité fondé sur un LLM valide chaque demande et fait remonter les zones dangereuses avant la planification. Un planificateur A* impose enfin des zones d'exclusion obligatoires et évite de préférence les zones à risque élevé. Les tests ont eu lieu dans un bureau intérieur et sur un vrai chantier. L'ancrage par plans fait passer le taux de réussite des tâches de 13,0 % à 72,2 %, par rapport à la seule récupération sémantique. La prise en compte du planning supprime toutes les violations de zones strictes. Le module de sécurité rejette correctement les demandes dangereuses issues de plannings mal étiquetés. Ces résultats comptent d'abord parce qu'ils visent une limite connue des systèmes de navigation guidés par le langage. Ceux-ci reposent sur la seule compréhension sémantique de la scène et localisent mal les éléments permanents du bâtiment. Le saut de 13,0 % à 72,2 % montre que le goulot d'étranglement est le contexte métier plutôt que la perception brute. Exploiter des plans 2D et des plannings déjà présents sur la plupart des chantiers abaisse la barrière d'entrée, car peu de chantiers disposent d'un BIM à jour. Pour les intégrateurs et les responsables de sites, l'intérêt est une navigation qui respecte les zones interdites évolutives. Le rejet de requêtes issues de plannings erronés répond à un risque réel : les données de chantier sont souvent incomplètes ou fausses. Il faut toutefois rester prudent. Les résultats viennent d'un travail académique, sur un nombre limité d'environnements, et le seul site réel testé ne dit rien de la robustesse à grande échelle. Les auteurs partent d'un constat économique : la construction souffre de pénuries de main-d'œuvre, d'une faible productivité estimée à plus de 1 600 milliards de dollars de coût annuel pour l'économie mondiale, et d'un des taux d'accidents les plus élevés parmi les grands secteurs. Ces facteurs alimentent l'intérêt pour les robots autonomes sur chantier, déjà explorés par des acteurs comme Boston Dynamics avec Spot pour la capture de l'avancement. Les approches de navigation par graphes de scène à vocabulaire ouvert, qui servent de base ici, restent peu adaptées aux contraintes réglementaires et temporelles d'un chantier. CORNAV est un travail de recherche, pas un produit ni un déploiement commercial, et aucun calendrier de pilote n'est annoncé. Les suites logiques seraient des essais sur davantage de sites, une intégration avec des robots de terrain et une évaluation de la fiabilité du module de sécurité face à des plannings dégradés.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

Comparaison des performances des algorithmes d'échantillonnage classiques et neuronaux pour la navigation robotique

À lire aussi

Combinaison d'échantillonnage contraint et d'apprentissage par renforcement pour la manipulation robotique

Actionneurs pneumatiques souples pour la robotique molle : revue des mécanismes d'actionnement et compromis de performance

Convex-Neural RRT* : échantillonnage guidé par apprentissage pour une planification de trajectoire robotique rapide et fiable

CORNAV : raisonnement tenant compte des travaux pour la navigation de robots sur chantiers actifs