RecherchearXiv cs.RO 2 juin 2026

Mécanisme passif de préhension universelle basé sur une coque en éversion

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs a soumis sur arXiv (preprint 2606.00470, juin 2026) la conception d'un préhenseur passif monolithique basé sur l'éversion d'une coque bistable élastiquement déformable. Le mécanisme fonctionne sans commande active pendant la saisie : au contact d'un objet, la coque bascule spontanément de son premier état stable vers son second (éversion), forçant des bras composés de segments de poutres flexibles à envelopper l'objet et à former une enceinte fermée. Le système reste verrouillé dans cette configuration jusqu'à une actuation explicite pour libérer l'objet, éliminant ainsi le besoin d'énergie continue en phase de maintien. La charge utile (payload) dépend de la rigidité des bras, la taille maximale préhensible de leurs dimensions. Le mécanisme est conçu pour saisir des objets rigides de forme quelconque, sans adaptation de trajectoire ni paramétrage géométrique préalable.

L'intérêt de cette approche tient à sa double propriété : universalité et passivité. La plupart des préhenseurs polyvalents requièrent une actuation active (pneumatique, moteurs, câbles) ou de l'intelligence embarquée pour s'adapter à la géométrie de l'objet. La compliance distribuée des bras, c'est-à-dire la flexibilité répartie sur toute leur longueur plutôt que concentrée en un point, permet à la structure de se conformer à la forme de l'objet sans exercer de force excessive, réduisant le risque d'endommagement de pièces fragiles. Pour un intégrateur industriel, cela représente un préhenseur potentiellement moins coûteux, tolérant aux variations dimensionnelles en production, et ne consommant pas d'énergie pendant la tenue d'objet. L'approche exploite la mécanique des structures bistables, déjà éprouvée dans les micromécanismes MEMS et les structures spatiales déployables, mais son application à la préhension robotique reste entièrement à valider expérimentalement.

Les préhenseurs adaptatifs passifs constituent un axe de recherche actif depuis les travaux sur les mains underactuées (Barrett Hand, DLR, Université Laval) dans les années 2000. Les approches concurrentes incluent les doigts souples en silicone (Soft Robotics Inc., Festo Bionic Cobot), le jamming granulaire (Universal Robots, Piab) et les structures compliant issues de l'impression 3D. Ce preprint se distingue par son mécanisme à snap-through bistable, proche des travaux récents sur les actionneurs à énergie stockée en origami et morphing structures. Point important : le résumé publié ne présente ni prototype physique ni résultats expérimentaux, ce qui situe le travail au stade de la conceptualisation théorique. Les prochaines étapes attendues sont la fabrication d'un prototype (élastomère ou impression 3D multi-matériaux) et la caractérisation expérimentale des paramètres de payload et de taille maximale d'objet en fonction de la géométrie des bras.

Dans nos dossiers

Cobots & robots collaboratifs arXiv cs.RO

À lire aussi

1arXiv cs.RO

Enchevêtrement stochastique de tentacules origami déterministes pour la préhension robotique universelle

Des chercheurs ont publié sur arXiv (2604.26897) les travaux détaillant un préhenseur robotique à tentacules origami, actionné par tendon, capable de saisir des objets de forme arbitraire sans capteurs ni canaux d'actuation supplémentaires. Chaque tentacule est découpé dans une feuille de Mylar fin, avec des perforations soigneusement positionnées pour le routage du tendon, des plis origami définissant la séquence de déformation, et une géométrie effilée. Un simple tirage du tendon génère une séquence déterministe de rétraction, flexion et torsion, aboutissant à un enroulement hélicoïdal contrôlé. Le résultat clé : lorsque plusieurs tentacules coilent simultanément en proximité d'un objet, des enchevêtrements stochastiques émergent spontanément, permettant aux tentacules de tresser, noeudiser et saisir des géométries aléatoires sans qu'aucune planification de préhension ne soit nécessaire. Les équipes ont validé le système en conditions gravitationnelles, en milieu aquatique, et via un mécanisme stow-and-release simulant une capture en orbite. L'intérêt pour les intégrateurs tient à la simplicité radicale du design : un seul degré de liberté d'actuation pour atteindre une universalité de préhension habituellement réservée aux grippers multi-DOF ou à sacs pneumatiques à contrôle complexe. Le compromis classique entre flexibilité de préhension et nombre de canaux d'actuation semble ici partiellement résolu par un transfert de la complexité vers la géométrie passive du matériau. La démonstration en milieu aquatique et en configuration orbitale élargit le périmètre d'application au-delà de la manipulation industrielle terrestre, vers des secteurs comme la robotique sous-marine ou les systèmes de capture de débris spatiaux. Il convient toutefois de noter que les performances sont présentées sous forme de démonstrations qualitatives ; aucune métrique de cycle time, de répétabilité statistique ni de payload maximum n'est fournie, ce qui rend difficile la comparaison directe avec des solutions commerciales existantes. Ce travail s'inscrit dans un courant actif de recherche sur les soft grippers bio-inspirés, après des années de développement sur les grippers pneumatiques (Festo, Soft Robotics Inc.) et les préhenseurs granulaires (Universal Robots, Empire Robotics). La direction stochastic entanglement est moins explorée que les approches VLA pour la préhension généraliste, mais elle offre une alternative matérielle sans dépendance à la puissance de calcul embarquée. Du côté européen, des laboratoires comme le LIRMM ou des spin-offs issues de l'EPFL travaillent sur des directions comparables en origami robotique, bien qu'aucun acteur FR/EU ne soit cité dans cet article. La prochaine étape logique serait une caractérisation quantitative en conditions industrielles réelles, ainsi qu'une évaluation de la durabilité du Mylar sous cycles répétés, point critique pour toute transition vers un déploiement opérationnel.

RecherchePaper

1 source

2arXiv cs.RO

Vers une compréhension unifiée de la manipulation robotique : une étude complète

Une équipe de chercheurs publie une version mise à jour (v2) d'un vaste état de l'art sur la manipulation robotique, référencé arXiv:2510.10903, avec l'ensemble des ressources associées (papiers de recherche, jeux de données open source, projets) centralisées sur un dépôt GitHub dédié, BaiShuanghao/Awesome-Robotics-Manipulation. Le document couvre les fondements du domaine, les benchmarks et jeux de données organisés par tâche, ainsi qu'une taxonomie unifiée des méthodes existantes. Il étend la distinction classique entre planification de haut niveau et contrôle de bas niveau : la planification haut niveau englobe désormais le langage, le code, le mouvement, l'affordance et les représentations 3D, tandis que le contrôle bas niveau appris est reclassé selon trois paradigmes d'entraînement, le modelage d'entrée (input modeling), l'apprentissage latent et l'apprentissage de politique (policy learning), une catégorie qui recouvre notamment les approches vision-langage-action (VLA). Les auteurs proposent aussi la première taxonomie dédiée aux verrous du domaine, articulée autour de la collecte de données, de leur exploitation et de la généralisation, avant de conclure par une revue des applications en conditions réelles. Pour les chercheurs et intégrateurs, ce travail répond à un problème concret : la manipulation robotique reste un champ éclaté, où chaque laboratoire publie sa propre méthode sans cadre commun pour comparer les approches. En pointant la collecte, l'exploitation des données et la généralisation comme les trois verrous structurants, la survey confirme un constat déjà largement partagé dans le secteur, à savoir que le goulot d'étranglement n'est plus tant l'architecture des modèles que la disponibilité et la qualité des données d'entraînement, ainsi que la capacité des politiques apprises à transférer d'un environnement à un autre. C'est un signal utile pour les décideurs B2B qui évaluent quelle famille de méthodes, symbolique, fondée sur les affordances, ou bout-en-bout par politique apprise, mérite un investissement au-delà de la simple démonstration. Cette synthèse s'inscrit dans l'essor de l'intelligence incarnée (embodied intelligence), porté ces dernières années par les progrès de la vision par ordinateur, du traitement du langage naturel et la montée des modèles multimodaux à grande échelle. Les auteurs revendiquent une couverture plus large et une analyse plus approfondie que les études antérieures sur le sujet, positionnant leur travail à la fois comme point d'entrée accessible pour les nouveaux venus et comme référence structurée pour les chercheurs déjà établis dans le domaine.

RecherchePaper

1 source

3arXiv cs.RO

De la préhension à la dextérité : pré-entraînement à grande échelle pour la manipulation dextérique

Des chercheurs publient sur arXiv un nouveau papier intitulé "From Grasps to Dexterity: Large-Scale Grasp Pretraining for Dexterous Manipulation", qui s'attaque à un problème precis de la manipulation dextre robotique: utiliser un simple geste de préhension pour ensuite manipuler un outil articulé (actionner une gâchette, tourner une molette, ouvrir une pince) plutôt que de simplement le saisir et le poser. L'équipe construit un jeu de données de 355 000 trajectoires à partir d'annotations de préhension dextre à grande échelle, utilisé pour préentraîner un contrôleur bas niveau conditionné par objectif, lui-même piloté par un module haut niveau qui prédit les sous-objectifs de la main. Ce contrôleur est ensuite affiné sur des démonstrations spécifiques à chaque tâche. Pour évaluer l'approche, les auteurs introduisent DexCraft, un banc d'essai en simulation comportant six tâches d'usage d'outils articulés nécessitant une coordination fine des doigts. En conditions réelles, la méthode améliore le taux de réussite complet des tâches de 33,3 points de pourcentage par rapport à la référence DP3, et dépasse aussi les politiques de diffusion entraînées de bout en bout ainsi que les architectures hiérarchiques entraînées depuis zéro. L'intérêt pour l'industrie tient au fait que la plupart des grands jeux de données de préhension dextre existants n'avaient jusqu'ici servi qu'à générer des prises ou à faire du pick-and-place, une tâche relativement simple comparée à l'usage fonctionnel d'un outil, qui exige de maintenir le contact tout en actionnant une pièce mobile. Démontrer qu'un préentraînement sur des données de grasping generalise à ce type de manipulation contact-riche est un signal utile pour les équipes qui travaillent sur des mains robotiques multi-doigts, notamment dans le contexte des humanoïdes où la dextérité fine reste un goulot d'étranglement bien plus limitant que la locomotion. Cela va dans le sens d'une hypothèse défendue par plusieurs laboratoires: les grands corpus de démonstration, même génériques, peuvent servir de socle de préentraînement réutilisable plutôt que d'être collectés tâche par tâche. Ce travail s'inscrit dans la lignée des approches hiérarchiques d'apprentissage par imitation combinant planification haut niveau et contrôle bas niveau, un courant de recherche actif face aux politiques de diffusion de bout en bout comme DP3, utilisées ici comme référence de comparaison. Il s'agit à ce stade d'un résultat académique publié sur arXiv, testé en simulation via DexCraft et validé par des expériences réelles limitées, et non d'un système déployé commercialement. Les auteurs mettent à disposition des vidéos de démonstration sur leur page de projet, mais aucune date de mise en open source du code ni de partenariat industriel n'est mentionnée dans le résumé.

RecherchePaper

1 source

4arXiv cs.RO

ShapeGrasp : complétion de forme et préhension visuo-haptiques simultanées pour une manipulation robotique améliorée

ShapeGrasp est un pipeline de manipulation robotique itératif présenté en mai 2025 sur arXiv (2605.02347), qui couple reconstruction de forme 3D implicite avec planification de saisie par simulation physique. À partir d'une seule image RGB-D, le système infère la forme complète d'un objet partiellement occulté (nuage de points ou maillage triangulaire), génère des candidats de saisie par simulation de corps rigides, puis exécute la prise jugée optimale. Après chaque tentative, les contacts tactiles enregistrés et le volume occupé par le préhenseur sont fusionnés pour affiner le modèle 3D de l'objet. En cas d'échec, le système re-estime la pose et re-planifie depuis la forme mise à jour. Validé sur deux robots distincts et deux types de préhenseurs, l'approche atteint 84 % de taux de succès avec un préhenseur à trois doigts et 91 % avec un préhenseur à deux doigts, tout en améliorant la qualité de reconstruction 3D sur l'ensemble des métriques retenues. La manipulation d'objets inconnus ou partiellement visibles reste un verrou majeur en robotique industrielle. La plupart des systèmes de grasping actuels reposent sur une estimation visuelle initiale figée, sans correction post-tentative. ShapeGrasp introduit une boucle de raffinement perceptif où chaque échec enrichit la représentation géométrique de l'objet, reproduisant ainsi la stratégie d'exploration tactile humaine face à un objet non familier. Les auteurs affirment qu'il s'agit de la première approche à mettre à jour une représentation de forme après une saisie réelle, et non en simulation, ce qui comble un écart important entre résultats de labo et conditions opérationnelles réelles. Pour les intégrateurs industriels, cette correction itérative réduit la dépendance aux modèles CAO préalables et aux conditions d'éclairage maîtrisées, deux contraintes structurantes dans les environnements de production variables. La complétion de forme pour la manipulation robotique croise vision 3D (réseaux d'occupation implicite, PointNet) et perception tactile (capteurs GelSight, Digit). Des systèmes concurrents comme Contact-GraspNet ou GraspNeRF opèrent sur des représentations visuelles statiques, sans exploitation du retour haptique post-saisie. ShapeGrasp s'inscrit dans une tendance plus large de systèmes multimodaux couplant vision et proprioception, visible également dans les plateformes humanoïdes récentes (Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA). Le travail est actuellement un preprint arXiv non encore soumis à une conférence majeure du domaine (ICRA, IROS, RSS), et les conditions expérimentales détaillées, notamment les familles d'objets testés, les vitesses de cycle et les contraintes d'environnement, n'ont pas encore été publiées dans leur intégralité.

RecherchePaper

1 source