RecherchearXiv cs.RO 28 mai 2026

Peau robotique souple magnétique à structure multi-treillis imprimée en 3D et super-résolution tactile par réseau de neurones convolutif

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient sur arXiv (référence 2605.18352, mai 2026) une peau robotique souple à transduction magnétique : une structure en treillis multicouche fabriquée par frittage laser sélectif (SLS) héberge des aimants permanents et des capteurs à effet Hall distribués sur l'ensemble de la surface. Les forces de contact déplacent les aimants, modifiant localement le champ magnétique mesuré par les capteurs ; la géométrie du treillis propage ces perturbations sur l'ensemble du domaine de mesure, donnant à chaque capteur un large champ récepteur avec chevauchement et réduisant ainsi les zones aveugles. Les paramètres géométriques du treillis sont réglables, permettant d'ajuster simultanément la compliance mécanique de la peau et ses caractéristiques de transduction. Un réseau de neurones convolutif (CNN) entraîné sur mesures expérimentales estime en temps réel la localisation du contact et la force normale appliquée, avec une scalabilité annoncée vers des surfaces de grande taille.

L'intérêt pour l'industrie robotique tient d'abord à la réduction du nombre de capteurs nécessaires pour couvrir une grande surface, verrou central de la peau corps entier : chaque capteur supplémentaire implique câblage, acquisition et coût. La fabrication SLS autorise des géométries conformes adaptées à des morphologies spécifiques sans moules sur mesure, ce qui accélère le prototypage pour les intégrateurs. L'entraînement du CNN sur données réelles plutôt que simulées limite le sim-to-real gap qui affecte de nombreuses approches apprises. L'article reste un preprint non évalué par les pairs, et les métriques de précision de localisation ne sont pas quantifiées dans le résumé disponible ; les performances sous charges dynamiques sur robot réel restent à démontrer.

La détection tactile pour manipulateurs et humanoïdes concentre une activité de recherche soutenue, portée par l'assemblage industriel de précision et l'interaction physique humain-robot sécurisée, avec des concurrents directs comme GelSight (MIT), DIGIT (Meta AI Research) ou les peaux capacitives de type BioTac. L'approche magnétique se distingue par sa fabricabilité additive et l'absence de câblage optique. En Europe, Pollen Robotics intègre déjà des retours de force sur son plateforme Reachy, et Wandercraft travaille sur l'interaction physique pour son exosquelette Atalante, deux contextes où ce type de peau trouverait une application directe. La prochaine étape logique sera une validation sur robot physique complet avec métriques publiées sur surface standardisée.

Impact France/UE

Pollen Robotics et Wandercraft sont identifiés comme débouchés directs potentiels pour cette technologie de peau tactile magnétique, applicable respectivement à la plateforme Reachy et à l'exosquelette Atalante, sans impliquer leur participation à cette recherche.

Dans nos dossiers

Wandercraft Pollen Robotics — Reachy Exosquelettes arXiv cs.RO

À lire aussi

1arXiv cs.RO

Planification par réseau de neurones en graphe et contrôle prédictif pour la planification de mouvement multi-robots sans étiquettes sous contraintes de communication

Une équipe de chercheurs propose, dans un preprint déposé sur arXiv le 25 mai 2026 (arXiv:2605.19209), un framework hiérarchique pour résoudre le problème de planification de mouvement multi-robots sans étiquetage, c'est-à-dire l'assignation simultanée de robots à des objectifs et la génération de trajectoires sûres dans des environnements partagés. Le système combine deux composants : un Graph ATtention Planner (GATP), fondé sur des réseaux de neurones à graphes avec mécanisme d'attention, qui génère des sous-objectifs intermédiaires par coopération entre agents, et un contrôleur NMPC (Nonlinear Model Predictive Controller) décentralisé, exécuté en embarqué sur chaque robot, qui garantit la faisabilité des trajectoires sous dynamiques non-linéaires et contraintes d'actuation réelles. Le framework a été évalué à la fois en simulation et sur des quadrotors physiques. Les auteurs rapportent une tolérance aux délais de communication allant jusqu'à 200 ms, une inférence entièrement décentralisée à bord, et une meilleure généralisation à des équipes de taille croissante. Ce travail s'attaque directement au gouffre sim-to-real qui mine la plupart des approches GNN appliquées à la robotique multi-agents : les méthodes existantes supposent des dynamiques simplifiées et un environnement de simulation idéalisé, ce qui les rend fragiles en conditions réelles. En couplant un planificateur neuronal décentralisé à un contrôleur à modèle prédictif, le framework maintient les propriétés de scalabilité des GNN tout en imposant des garanties de sécurité physiques que les approches purement apprises ne fournissent pas. La robustesse aux délais de communication est particulièrement significative pour les déploiements en entrepôts ou en milieu industriel, où les réseaux sans fil ne sont jamais idéaux. Cette contribution s'inscrit dans un corpus actif de recherche sur les GNN pour la coordination multi-robots, aux côtés de travaux comme MAGAT ou DAN, qui visent à remplacer les solveurs centralisés classiques (MILP, CBS) par des approches distribuées passant à l'échelle. Le preprint n'est pas encore soumis à une revue avec comité de lecture, et aucun déploiement industriel ni partenariat n'est annoncé : il s'agit d'une validation expérimentale académique sur quadrotors, prometteuse mais à consolider. Les prochaines étapes naturelles seraient des expériences sur flottes plus larges et des robots à dynamiques plus complexes, comme des manipulateurs mobiles ou des AMR en environnement entrepôt.

RecherchePaper

1 source

2arXiv cs.RO

Estimation de pose 3D in situ par capteurs magnétiques et fusion IMU pour un robot continu modulaire souple à câbles

Une équipe de chercheurs propose, dans un preprint arXiv (2609.39950v1), une méthode de capteurs embarqués pour estimer la configuration 3D d'un robot continu souple à câbles (tendon-driven) et modulaire, sans caméra externe. Le système associe des centrales inertielles (IMU) et des champs magnétiques actifs. Les mesures angulaires des IMU sont fusionnées avec les références magnétiques afin d'affiner l'orientation locale de chaque segment et de limiter la dérive qui s'accumule en cours d'usage. L'estimation tourne à 16,7 Hz, une cadence suffisante pour un retour en temps réel. La validation repose sur une boucle fermée : la configuration estimée sert à maintenir l'effecteur à une position cible pendant qu'il interagit avec un objet. Le résumé ne donne ni précision de position, ni erreur angulaire, ni nombre de segments, ni comparaison chiffrée avec un système de capture de mouvement. Il s'agit d'un résultat de laboratoire, pas d'un produit ni d'un déploiement. L'enjeu est un verrou connu des robots continus : leur déformation continue rend la configuration difficile à reconstruire, et l'on compte d'ordinaire sur la vision externe, qui devient inutilisable dès que la scène est occultée. C'est le cas en chirurgie mini-invasive, en inspection de cavités ou en manipulation dans des espaces encombrés. Une proprioception intégrée au corps du robot, sans infrastructure de suivi, rapprocherait ces systèmes d'un usage hors laboratoire. La modularité compte aussi, car des capteurs répartis peuvent suivre l'ajout ou le retrait de segments. Deux réserves s'imposent. 16,7 Hz reste modeste pour des mouvements rapides ou des contacts dynamiques. Et les champs magnétiques actifs sont sensibles aux perturbations de leur environnement, notamment les pièces ferromagnétiques et les moteurs : c'est un point à vérifier hors d'un banc d'essai contrôlé, par exemple en atelier industriel ou en bloc opératoire. Ce travail s'inscrit dans une littérature déjà large sur l'estimation de forme des robots souples, qui s'appuie sur des fibres optiques à réseaux de Bragg (FBG), des capteurs résistifs ou capacitifs souples, des aimants avec magnétomètres, ou de la vision. Chaque approche a ses limites : coût et fragilité pour les fibres, dérive et hystérésis pour les capteurs souples, occultation pour la caméra. L'IMU seule dérive, notamment en lacet, et la référence magnétique sert précisément à corriger ce défaut. Les prochaines étapes à surveiller sont une validation chiffrée contre une référence externe, des essais sur des trajectoires plus rapides et sous perturbation magnétique, puis une intégration dans des applications médicales ou d'inspection. Aucun calendrier de pilote ni partenaire industriel n'est annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Apprentissage de la dynamique de contact par le toucher : réseaux de neurones sur graphes conditionnés par l'action pour l'insertion de tiges robotique

Une équipe de recherche publie sur arXiv (2509.12151, version 3) un modèle physique apprenable capable de prédire le mouvement de l'effecteur terminal d'un robot ainsi que la force et le couple de réaction lors de manipulations à contact riche. L'architecture représente l'effecteur et l'environnement comme des maillages en interaction organisés en graphe, et conditionne explicitement ses prédictions sur la commande de contrôle appliquée : elle prédit directement la mise à jour de pose au niveau de l'objet, tandis que le couple de réaction émerge d'un champ de force calculé par sommet du maillage. L'entraînement est auto-supervisé, à partir des seules données des encodeurs articulaires et du capteur de force-couple, pendant que le robot touche aléatoirement son environnement sans consigne de tâche. En simulation, ce modèle se transfère à une tâche d'insertion de pièce (peg insertion) sur des géométries concaves inédites : un agent de commande prédictive (MPC) qui l'utilise atteint jusqu'à 98% de taux de réussite, et après un réglage fin sur des données auto-collectées, il égale un agent planifiant avec la dynamique de référence au jeu le plus serré testé, 1 mm. Dans le monde réel, ce modèle surpasse un modèle MuJoCo calibré par identification de système classique de 45% en précision de position, et de 74% et 63% respectivement en erreur de force et de couple. L'enjeu dépasse la démonstration académique : l'insertion de pièces à tolérances serrées reste un point de blocage classique pour l'assemblage robotique de précision, car les simulateurs physiques standards peinent à modéliser fidèlement le frottement et la déformation de contact, ce qui creuse l'écart simulation-réel et oblige les intégrateurs à des campagnes coûteuses de calibration manuelle. En montrant qu'un modèle appris à partir de simples contacts aléatoires, sans démonstration de tâche, généralise à des géométries jamais vues et rivalise avec une dynamique de référence à 1 mm de clearance, ce travail suggère une voie pour réduire la dépendance à l'identification de système traditionnelle et améliorer la robustesse hors simulation, un enjeu direct pour les intégrateurs travaillant sur l'assemblage électronique ou mécanique fin. Les résultats restent toutefois circonscrits à une tâche unique testée en conditions contrôlées, avec une comparaison réelle limitée à un seul modèle de référence, et non à un déploiement industriel à l'échelle. Cette approche s'inscrit dans un courant de recherche appliquant les réseaux de neurones sur graphes à la simulation physique à base de maillages, et l'étend ici à la dynamique de contact robot-environnement conditionnée par l'action. Elle se distingue des politiques de bout en bout de type vision-langage-action, qui apprennent un comportement directement à partir de démonstrations massives et spécifiques à la tâche, en misant plutôt sur un modèle dynamique générique et réutilisable appris de façon indépendante de la tâche. Le principal point de comparaison méthodologique reste l'identification de système classique utilisée dans des moteurs comme MuJoCo, que ce travail cherche explicitement à dépasser sur la fidélité des forces de contact. Le fait que le papier en soit à sa troisième version sur arXiv signale des itérations après relecture, sans partenariat industriel, pilote ou calendrier de déploiement mentionné à ce stade ; les suites attendues porteraient sur l'extension à d'autres tâches d'assemblage à tolérances serrées et une validation sur davantage de plateformes robotiques réelles.

RecherchePaper

1 source

4arXiv cs.RO

NeRFifyMesh : optimiser des champs de radiance neuronaux à partir de maillages texturés pour la construction de scènes en robotique

Des chercheurs proposent NeRFifyMesh, un pipeline qui convertit des modèles 3D maillés texturés en représentations NeRF (Neural Radiance Fields), publié sur arXiv sous la référence 2610.10387. Au lieu de rendre des images multi-vues du maillage d'origine puis d'entraîner le NeRF dessus, la méthode génère artificiellement une vérité terrain sous forme de champ de radiance à base de points. Elle échantillonne directement la géométrie et la texture du maillage, ce qui supprime l'étape d'échantillonnage par caméra. Les auteurs annoncent une qualité de rendu comparable aux méthodes de référence, après un benchmark qu'ils qualifient d'étendu. Le résumé ne donne ni score chiffré (PSNR, SSIM ou LPIPS), ni temps d'entraînement, ni détail sur les jeux de données utilisés. La démonstration pratique consiste à assembler plusieurs objets en une scène NeRF unifiée et à lancer des simulations de collision sur la géométrie extraite. L'enjeu est surtout d'outillage. En cartographie sémantique et en simulation, les roboticiens construisent de plus en plus des scènes en composant plusieurs NeRF, chacun représentant un objet. Or les bibliothèques de maillages 3D existent déjà en grand nombre, alors que les NeRF d'objets doivent habituellement être reconstruits à partir de photos ou de rendus multi-vues. Si la méthode tient ses promesses, elle réduit le coût de création d'environnements riches pour développer et tester des algorithmes de perception, de navigation ou de manipulation, sans campagne de capture. Le fait de pouvoir extraire une géométrie exploitable pour la collision montre aussi qu'une même représentation peut servir au rendu et à la physique, un point sensible dans les chaînes de simulation vers le réel. Les limites sont claires : « comparable aux baselines » n'établit ni un gain de qualité ni un gain de vitesse. Rien n'est dit non plus sur le comportement avec des maillages bruités, des matériaux complexes ou des scènes de grande taille. Ce travail s'inscrit dans la montée des NeRF et de leurs variantes comme représentation de scène en robotique, aux côtés d'alternatives comme le 3D Gaussian Splatting, très présent dans les travaux récents sur le même thème. Il s'agit d'un préprint en première version (v1), sans évaluation par les pairs. Aucun code, aucun calendrier de diffusion ni aucun partenaire industriel n'est mentionné dans le résumé. Aucun acteur français ou européen n'y apparaît. La suite dépendra de la publication éventuelle du code et de chiffres détaillés permettant de vérifier la comparaison avec les baselines. Il faudra aussi voir si l'approche s'étend à d'autres représentations que les NeRF, et si elle s'intègre dans les simulateurs robotiques courants.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source