RecherchearXiv cs.RO 2 juin 2026

FlipItRight : retournement par lancer vers une pose cible stable sur des objets variés

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

FlipItRight est un framework académique présenté sur arXiv (arXiv:2606.01713, juin 2026) pour la manipulation par lancer-retournement ciblé avec un bras robotique à haute liberté de mouvement (high-DoF manipulator). L'objectif est de projeter un objet en l'air afin qu'il atterrisse dans une pose planaire précise et prédéterminée. Le système décompose la tâche en deux niveaux : un planificateur objet génère des états de lâcher candidats compatibles avec la pose d'atterrissage souhaitée, tandis qu'un planificateur robot évalue la faisabilité d'exécution et construit une trajectoire de swing réalisable. Validé sur une plateforme réelle avec des objets de formes, tailles et masses variées, le système atteint un taux de succès de 90% sur 120 essais. Aucune donnée préalable ni modèle appris n'est nécessaire, ce qui permet un déploiement immédiat sur de nouveaux objets et cibles sans calibration environnementale.

Ce résultat est notable pour plusieurs raisons. La clé de l'approche est de traiter l'état de lâcher comme une représentation intermédiaire explicite, ce qui permet un filtrage raisonné des candidats, une sélection adaptative des configurations de pré-swing et de lâcher, et une conception structurée du mouvement en fin de swing. En maintenant des vitesses de l'effecteur terminal approximativement constantes durant la phase finale, le système gagne en robustesse face aux incertitudes sur le timing du lâcher, une difficulté classique en manipulation non-préhensile. Pour les intégrateurs, l'absence totale de données d'entraînement est un avantage opérationnel concret : pas de collecte, pas de rejeu, déploiement directement généralisable.

La manipulation non-préhensile (lancer, poussée, retournement sans saisie ferme) est un problème de recherche actif depuis les années 1990, mais reste difficile en conditions réelles à cause de la sensibilité aux paramètres dynamiques des objets et du sim-to-real gap. La tendance dominante s'oriente vers des politiques apprises par reinforcement learning ou imitation, notamment chez TRI (Toyota Research Institute), ETH Zurich et des équipes de CMU. FlipItRight prend le contre-pied en proposant une planification purement analytique, sans données, ce qui le positionne comme une alternative légère pour les environnements industriels où la collecte de données est coûteuse. Les études d'ablation confirment la contribution de chaque composant du framework. Les extensions naturelles concerneront les objets déformables, les poses cibles en 3D et l'intégration dans des pipelines pick-and-place pour réorienter des pièces sans préhenseur dédié.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Planification rapide pour le lancer d'objets multiples vers des cibles multiples

Des chercheurs proposent un cadre de planification pour le lancer simultané de plusieurs objets vers plusieurs cibles (MOMT, pour multi-object multi-target throwing), publié sur arXiv sous la référence 2610.09224. Le système a été validé sur un manipulateur à 7 degrés de liberté équipé d'une main multi-doigts anthropomorphe. La méthode fonctionne en deux temps. Hors ligne, les auteurs construisent un modèle de l'ensemble des lancers réalisables, en combinant la dynamique de vol inversée de l'objet avec la cinématique et la dynamique du robot. En ligne, le système met en correspondance des solutions rapides et filtre les états de détachement valides de l'objet et les états faisables du robot, ce qui permet de composer des séquences de lancers en moins de 5 ms. En simulation, le lancer coordonné de deux objets réduit le temps d'exécution jusqu'à 46 % par rapport à une planification indépendante objet par objet, et ce gain se maintient avec trois objets. En conditions réelles, avec deux objets, la réduction mesurée est de 29 %. Si les cibles changent aléatoirement en cours d'exécution, le système replanifie et atteint les nouvelles positions avec une latence inférieure à 100 ms, sans arrêter le robot. L'intérêt pour la logistique tient au débit. Le lancer élargit déjà l'espace de travail utile d'un bras, puisque le robot n'a plus à se déplacer vers chaque point de dépose. Ici, le travail s'attaque à un autre goulot : le nombre d'objets traités par geste. Le gain mesuré en réel (29 %) reste nettement sous le plafond théorique de 50 % pour deux objets, et les auteurs l'attribuent au surcoût de transition entre les lancers. C'est un chiffre honnête, mais qui montre que le gain simulé de 46 % ne se transpose pas intégralement au matériel. La planification en moins de 5 ms et la replanification sous 100 ms sont les résultats les plus exploitables : ils suggèrent qu'un tel système pourrait absorber des changements de cible, par exemple une réaffectation de bac sur un convoyeur de tri. À l'inverse, la validation reste limitée : trois objets uniquement en simulation, deux en réel, sans précision sur la nature des objets, leur variabilité ou le taux de réussite des lancers. Aucun test en environnement d'entrepôt n'est rapporté. Ce travail s'inscrit dans la montée du lancer robotique en automatisation d'entrepôt, un domaine où la recherche académique cherche à dépasser le cycle classique de saisie puis de dépose. Les auteurs revendiquent le premier cadre de planification unifié pour le MOMT, une affirmation de priorité à nuancer tant qu'elle n'a pas été confrontée à une évaluation par les pairs, l'article étant un preprint. L'approche dépend de mains multi-doigts, matériel plus complexe, plus coûteux et moins robuste que les préhenseurs à ventouses dominants en logistique, ce qui pèsera sur toute industrialisation. Les prochaines étapes naturelles seraient le passage à trois objets ou plus sur matériel réel, la réduction du surcoût de transition entre lancers et des essais sur des objets hétérogènes. Une vidéo de démonstration est publiée par les auteurs, mais elle reste, comme toute vidéo de laboratoire, une sélection d'essais réussis.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Lancer un objet sans le saisir : le point de vue de l'apprentissage par renforcement

Un article publié le 2 septembre 2026 sur arXiv (2609.00771) décrit une méthode de lancer robotique sans préhension pilotée par apprentissage par renforcement, testée sur un bras UR5e d'Universal Robots poussé à 5 m/s en bout d'effecteur. Déployée sans réentraînement sur le robot réel, elle lance des objets variés, dont une pièce de 790 grammes et un colis de 20x20x28 cm, vers des cibles situées jusqu'à 350 cm de distance ou 180 cm de hauteur, avec un taux de réussite réel de 97%. En simulation, la politique atteint 99% de succès sur des milliers de configurations et généralise à des objets inédits. Le lancer non préhensile étend le rayon d'action d'un robot au-delà du pick-and-place, une capacité utile pour les objets lourds, volumineux ou déformables que les pinces classiques gèrent mal. Les approches précédentes s'appuyaient sur des modèles de contact simplifiés et des trajectoires paramétrées en basse dimension, ce qui limitait la qualité des lancers et l'espace atteignable ; ici, la politique optimise directement les trajectoires articulaires en exploitant glissement et roulement comme modes de contact. Le transfert simulation-vers-réel réussi sur du matériel poussé près de ses limites est un signal encourageant pour la manipulation dynamique par RL, même si la forte sensibilité révélée à la friction dynamique, contrastant avec la bonne tolérance à l'incertitude de masse, reste un point de vigilance pour tout intégrateur. Le papier reste au stade de la recherche académique publiée sur arXiv, sans annonce de produit, de partenaire industriel ni de calendrier de commercialisation. Il se positionne face aux méthodes historiques de lancer robotique fondées sur la préhension dynamique et des modèles de contact analytiques, en misant sur l'apprentissage par renforcement plutôt que sur l'optimisation classique pour gagner en généralisation à des objets et des cibles non vus à l'entraînement. Le choix d'un UR5e, cobot industriel largement déployé en usine et en logistique, suggère une volonté de portabilité vers du matériel déjà répandu, sans qu'aucun pilote ni déploiement commercial ne soit annoncé à ce stade.

UELe choix du cobot UR5e (Universal Robots, origine danoise), très répandu dans l'industrie européenne, suggère une portabilité potentielle vers du matériel déjà déployé en Europe, sans pilote ni déploiement annonce a ce stade.

RecherchePaper

1 source

3arXiv cs.RO

Vers un cadre modulaire de bin-picking pour gérer l'incertitude de pose des objets

Une équipe de chercheurs propose un framework modulaire pour le bin-picking robotique, la tâche qui consiste à saisir des objets en vrac dans un bac, capable de gérer simultanément deux sources d'erreur jusqu'ici traitées séparément: l'incertitude sur l'estimation de la pose de l'objet et les erreurs de préhension elles-mêmes. Le système repose sur une estimation de distribution de pose plutôt qu'une pose unique, utile quand l'observation est ambiguë et qu'aucune orientation correcte ne peut être déterminée avec certitude. Un module de second point de vue calcule une distribution complémentaire, fusionnée avec la première pour réduire l'incertitude globale, complété par deux modules indépendants de compensation des erreurs de préhension. L'architecture modulaire permet de combiner ces briques ou de les utiliser isolément selon la configuration physique du poste. Les tests, menés en conditions réelles sur trois objets différents et sans erreurs induites artificiellement, montrent que chaque module améliore l'efficacité du système. Précision utile: le framework est pour l'instant limité aux rotations dans le plan (SO(2)) et n'aborde pas encore les six degrés de liberté complets (SE(3)). Pour l'industrie du bin-picking, la promesse n'est pas un gain de précision brut mais une meilleure gestion du cas le plus fréquent en usine: l'ambiguïté de pose sur des objets partiellement occlus ou symétriques, là où la plupart des pipelines de vision se contentent de retourner une pose unique, souvent fausse en silence. En raisonnant sur des distributions de probabilité plutôt que sur des estimations ponctuelles, l'approche s'attaque à un vrai point de friction pour les intégrateurs, qui doivent aujourd'hui compenser ces erreurs par des capteurs de force, des reprises de saisie ou un sur-dimensionnement des pinces. La preuve de concept reste toutefois modeste, trois objets, un environnement contrôlé, et l'extension annoncée à SE(3) conditionne largement l'intérêt industriel réel du framework. Le travail s'inscrit dans une littérature déjà fournie sur la robustesse du bin-picking, où les approches existantes traitent généralement soit l'incertitude de pose, soit les erreurs de préhension, rarement les deux ensemble selon les auteurs. La contribution revendiquée est précisément cette unification dans une architecture à modules interchangeables, pensée pour absorber de futurs blocs sans réécriture complète. Les auteurs évoquent des extensions possibles vers la 3D complète (SE(3)) et l'ajout d'autres modules correctifs, sans calendrier ni partenaire industriel mentionné à ce stade: il s'agit pour l'instant d'un résultat de recherche publié sur arXiv, pas d'un système déployé ou commercialisé.

RecherchePaper

1 source

4arXiv cs.RO

Vertus du chaos ordonné : planification par actions de renversement pour la réorganisation de piles sur table

Publiée sur arXiv (2605.17815) en mai 2026, une étude propose d'enrichir les planificateurs de manipulation robotique avec des actions non-préhensiles dites "agrégantes", en particulier le basculement d'objets (topple). Au lieu de déplacer un à un les éléments d'une pile sur un plan de travail, le robot peut renverser tout ou partie de la pile d'un seul mouvement avant de saisir les objets dans l'ordre souhaité. Les chercheurs formalisent cet espace de planification hybride pick-and-place + topple via un gadget graphique directionnel original, réduisant le calcul du plan à une variante du problème des galets en mouvement (pebble motion problem) : chaque objet est traité comme un galet se déplaçant sur un graphe selon des contraintes de non-collision. Les benchmarks conduits en simulation physique sur NVIDIA IsaacSim montrent une réduction significative du temps d'exécution par rapport à une stratégie purement pick-and-place. L'enjeu industriel est concret pour la manipulation en entrepôt, le kitting ou le tri de bacs. Réorganiser une pile de n pièces nécessite classiquement O(n) opérations de saisie-dépose ; une action topple peut en remplacer plusieurs, réduisant le temps de cycle et la sollicitation mécanique des actionneurs. L'article pointe ainsi un angle mort fréquent en robotique de production : les planificateurs de tâches restent majoritairement construits autour de la saisie, alors que les actions non-préhensiles offrent des gains de débit substantiels dès lors qu'elles sont correctement abstraites. Limite notable : les gains sont mesurés en simulation seulement, et le passage sim-to-real pour des actions dynamiques comme le topple reste une question ouverte. Les auteurs s'inscrivent dans la continuité des recherches sur la manipulation non-préhensile, actives depuis les années 1990 mais rarement intégrées au niveau de la planification symbolique de tâches. La formalisation est volontairement généraliste : une action de type "scoop" (raclage) peut être modélisée par la même abstraction graphique, ouvrant la voie à un cadre unifié pour plusieurs familles d'actions agrégantes. Face aux approches concurrentes basées sur l'apprentissage par renforcement ou les planificateurs géométriques, cette méthode symbolique-graphique offre lisibilité et garanties de complétude sur les instances modélisées. Aucun déploiement n'est annoncé ; les auteurs qualifient eux-mêmes leurs résultats de "preliminary indication", laissant la validation en environnement physique réel pour de futurs travaux.

RecherchePaper

1 source