RecherchearXiv cs.RO 12 juin 2026

Commande prédictive adaptative d'un robot continu souple par réseau neuronal informé par la physique (tiges de Cosserat)

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié sur arXiv (2508.12681) un framework de contrôle prédictif par modèle (MPC) non linéaire pour robots continus souples, capables de se déformer en flexion continue plutôt que par articulations rigides. Le coeur du système est un réseau de neurones physiquement informé à découplage de domaine (DD-PINN), entraîné comme substitut du modèle dynamique de tige de Cosserat, la référence mathématique pour la mécanique des structures élancées déformables. Ce substitut atteint un facteur d'accélération de 44 000 par rapport au modèle complet, ce qui permet de faire tourner le MPC en temps réel à 70 Hz sur GPU. En parallèle, un filtre de Kalman non parfumé (UKF) exploite le DD-PINN pour estimer en ligne les états internes du robot et la compliance en flexion, à partir des seules mesures de position de l'effecteur terminal. En simulation, les erreurs de position restent inférieures à 3 mm, soit 2,3 % de la longueur de l'actionneur. Sur le robot physique, le contrôleur atteint des accélérations jusqu'à 3,55 m/s², avec une précision comparable.

Ce résultat est notable parce qu'il démontre un contrôle dynamique (et non quasi-statique) d'un robot souple en conditions réelles, à une fréquence compatible avec les exigences industrielles. La majorité des approches antérieures, dont les méthodes basées sur l'opérateur de Koopman, sacrifient soit la précision de forme globale, soit l'adaptabilité aux variations de rigidité. Ici, le DD-PINN reconstruit la forme complète du robot et adapte en ligne la compliance, ce qui ouvre la voie à des manipulateurs souples capables de compenser vieillissement matériau ou déformations sous charge variable. Pour un intégrateur ou un décideur industriel, c'est la convergence entre modèle physique et inférence rapide qui est structurante : on cesse de choisir entre fidélité du modèle et temps réel.

Les robots continus souples sont étudiés depuis une quinzaine d'années, principalement pour des applications médicales (endoscopes actifs, outils chirurgicaux), l'inspection en espace confiné, et la manipulation de pièces fragiles. Le modèle de Cosserat est le standard théorique du domaine, mais son coût computationnel avait jusqu'ici limité son usage au contrôle quasi-statique ou offline. Les PINN, réseaux intégrant des équations différentielles comme contraintes de loss, constituent depuis 2019 une piste active pour contourner ce verrou. Ce preprint ne mentionne pas de partenaires industriels ni de calendrier de déploiement ; il s'agit à ce stade d'un résultat de recherche académique, sans produit ni pilote terrain annoncé. Les prochaines étapes naturelles concernent la robustesse aux perturbations externes, l'extension à des structures à plusieurs segments, et une validation sur des cas d'usage médicaux ou d'assemblage délicat.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Réseaux de neurones informés par la physique et sensibles aux contraintes pour l'estimation de forme statique des robots continuums co-manipulés

Un article publié sur arXiv (2608.26273v1) présente un réseau de neurones informé par la physique (PINN) pour estimer la forme statique de robots continus co-manipulatifs : des bras flexibles à câbles manipulant conjointement un objet souple, formant une chaîne fermée soumise à la fois à l'équilibre statique et à des contraintes géométriques de fermeture de boucle. Le modèle intègre un résidu d'équilibre projeté et un résidu géométrique de configuration. Avec 140 échantillons et 50 % de bruit sur les labels, il réduit l'erreur de configuration de 67,88 %, le résidu d'équilibre de 67,35 % et le résidu de fermeture de 88,06 % face à un réseau data-driven classique. Sur le jeu complet, il atteint 0,1597 % d'erreur avec un temps d'inférence de 0,1773 milliseconde, contre 17,97 secondes pour un solveur non linéaire itératif ; en expérimentation, le RMSE des marqueurs chute de 2,657 mm à 0,497 mm et le R2 passe de -0,788 à 0,937. Ce travail s'attaque à un verrou concret pour les intégrateurs de manipulation collaborative avec des systèmes souples : estimer en temps réel la forme d'un bras flexible en interaction fermée avec l'objet manipulé, sans recourir à un solveur trop lent pour un contrôle en boucle fermée. Le passage de plusieurs secondes à moins d'une milliseconde d'inférence ouvre la voie à un contrôle réactif, utile en chirurgie assistée, en inspection industrielle ou en manipulation coopérative de charges souples. Les résultats confirment aussi qu'injecter des contraintes physiques dans un réseau de neurones compense le manque de données et le bruit de mesure, là où une approche purement data-driven échoue. La validation reste toutefois surtout menée en simulation, ce travail demeurant un preprint non encore évalué par des pairs, loin d'un déploiement industriel. Les robots continus, structures inspirées des trompes d'éléphant capables de se déformer en continu plutôt que via des articulations rigides, se heurtent depuis longtemps au coût de calcul des modèles mécaniques non linéaires nécessaires pour prédire leur forme sous charge. Les approches existantes reposaient soit sur des solveurs itératifs précis mais lents, soit sur des réseaux data-driven rapides mais peu fiables hors distribution d'entraînement. En intégrant les équations de la mécanique directement dans la fonction de perte, les auteurs rejoignent le courant des réseaux de neurones informés par la physique et l'appliquent ici aux chaînes fermées formées par un bras à câbles et l'objet co-manipulé, sans mentionner de plateforme commerciale ni de partenariat industriel à ce stade.

RecherchePaper

1 source

2arXiv cs.RO

Prédire la conformité de préhension des mains robotiques via des réseaux de neurones informés par modèle analytique

La recherche, publiée sur arXiv sous la référence 2607.17541v1, s'attaque à un problème précis de la manipulation robotique : la plupart des études traitent la prise d'un objet comme un problème binaire, réussite ou échec, jugé simplement par le fait que l'objet reste dans la main. Cette approche devient insuffisante dès qu'il s'agit d'usage forcé d'un outil, où la compliance de la prise, c'est-à-dire sa capacité à se déformer sous charge, devient déterminante pour prédire le comportement conjoint de la main et de l'outil. Les auteurs introduisent l'AMINN (Analytical Model Informed Neural Network), un modèle hybride qui combine une couche de mécanique analytique avec un réseau de neurones entraîné sur données, afin d'estimer la stabilité de la prise et le déplacement de l'outil dans la main sous charge externe. Le modèle a été évalué sur une main robotique sous-actionnée à trois doigts et montre une bonne capacité prédictive, avec des sorties mécaniquement cohérentes sur des conditions de charge variées. L'enjeu dépasse la simple précision prédictive. Les mains sous-actionnées, appréciées pour leur faible coût et leur capacité d'adaptation passive à la forme des objets, sont notoirement difficiles à modéliser car leur comportement de compliance dépend d'une combinaison non linéaire de cinématique couplée, de mécanique passive et de conditions de contact. Pour les intégrateurs et concepteurs de systèmes robotiques destinés à un usage forcé d'outils, un tel modèle physiquement interprétable ouvre la voie à des systèmes plus fiables et plus sûrs, notamment dans les contextes critiques où une défaillance de prise sous charge peut avoir des conséquences directes. Comparé à un modèle boîte noire de type perceptron multicouche pris comme référence, l'AMINN affiche une meilleure cohérence physique fondée sur l'énergie, ce qui distingue clairement son approche des méthodes purement data-driven aujourd'hui dominantes dans l'apprentissage pour la manipulation. Ce travail s'inscrit dans une tendance de fond en robotique : réintroduire des contraintes physiques explicites dans des architectures d'apprentissage profond pour gagner en interprétabilité et en robustesse, plutôt que de s'en remettre uniquement à des réseaux entraînés de bout en bout. Les auteurs présentent leur cadre comme une base pour des travaux futurs sur l'usage autonome et fiable d'outils par des mains robotiques compliantes.

RecherchePaper

1 source

3arXiv cs.RO

Robot continu de soutien : commande active de la rigidité

Un cadre de contrôle de raideur active pour les robots continuum supportés (SCR) actionnés par câbles a été publié le 5 août 2026 sur arXiv (2608.03677v1). Cette architecture couple mécaniquement un bras continuum opératif à un second bras de soutien pour augmenter sa capacité de charge, mais la raideur qui en résulte reste passive, fixée par la configuration mécanique, et ne s'adapte pas en ligne à la charge utile ni aux forces d'interaction. Pour y remédier, les chercheurs modélisent la dynamique de cette chaîne fermée avec un modèle géométrique à déformation variable, projeté sur le sous-espace de mouvement compatible avec les contraintes cinématiques, puis régulent la position de l'extrémité du bras via un contrôleur en mode glissant dont la stabilité en boucle fermée est démontrée par analyse de Lyapunov. Une raideur apparente réglable est ensuite introduite par un ressort cartésien virtuel fondé sur l'erreur de position. Testé en simulation puis validé expérimentalement sous charges externes prescrites, le système confirme qu'augmenter le gain de raideur commandé réduit la déflexion de l'extrémité sous charge et accroît la robustesse du positionnement. Le résultat s'attaque à une limite structurelle bien connue des robots continuum, plébiscités en chirurgie mini-invasive et en inspection industrielle pour leur compliance dans des espaces confinés, mais pénalisés par un faible rapport charge/rigidité face aux bras rigides classiques. L'architecture supportive contourne ce compromis côté mécanique, mais sans contrôle actif, le gain de capacité de charge se paie en perte de précision dès qu'une force externe s'exerce. En démontrant qu'un contrôleur peut moduler la raideur apparente à la demande sans modifier la structure physique, les auteurs ouvrent la voie à des bras continuum capables de basculer entre un mode compliant, utile pour interagir sans risque avec un patient ou un environnement, et un mode rigide pour tenir une position sous charge. Les robots continuum, inspirés des trompes d'éléphant ou des tentacules de poulpe, forment depuis une quinzaine d'années un axe actif de la robotique médicale (cathéters actifs, endoscopes robotisés) et de terrain, en concurrence avec les bras rigides articulés et les robots souples pneumatiques. Modéliser et contrôler une dynamique en chaîne fermée entre segments couplés reste un verrou identifié de longue date dans la littérature, d'où le recours ici à un modèle à déformation variable, plus récent que les modèles historiques à courbure constante. L'article ne cite aucune application industrielle précise ni partenaire commercial : il s'agit d'une contribution méthodologique de laboratoire, sans calendrier de transfert annoncé vers un produit.

RecherchePaper

1 source

4arXiv cs.RO

Commande prédictive par intégrale de chemin informée par objets pour la manipulation robotique sans préhension

Des chercheurs ont présenté une formulation hiérarchique du contrôle MPPI (Model Predictive Path Integral) appliquée à la manipulation non-préhensile, c'est-à-dire au déplacement d'objets par poussée sans saisie physique. Publiée sur arXiv (référence 2605.30778), la méthode décompose le problème en deux niveaux : un premier plan est calculé en supposant que l'objet peut être actionné directement, puis cette trajectoire sert de référence pour résoudre le problème couplé robot-objet. Les expériences ont été conduites sur un bras xArm6 à 6 degrés de liberté de UFactory, avec pour tâche de pousser un objet vers une cible tout en contournant des obstacles statiques. En simulation, la méthode augmente le taux de succès de 40 % et accélère la fréquence de contrôle de 26 % par rapport à un MPPI standard. Sur matériel réel, le gain de succès atteint 20 % pour un coût de calcul comparable. Cette décomposition hiérarchique répond à un problème fondamental de la planification à long horizon : l'espace de recherche conjoint robot-objet est trop vaste pour être exploré efficacement dans des délais temps-réel. En résolvant d'abord un sous-problème centré sur l'objet, l'algorithme oriente l'échantillonnage stochastique vers des régions prometteuses, réduisant le gaspillage computationnel sans nécessiter de hardware spécialisé. Pour un intégrateur industriel, cela signifie que des tâches impliquant poussées ou réorientations sans préhension deviennent planifiables en temps réel sur des cellules robotiques standard, un verrou qui limitait jusqu'ici l'automatisation de nombreuses opérations de manutention. Le MPPI est une méthode de contrôle prédictif par échantillonnage stochastique introduite par Theodorou et Williams à Georgia Tech, et popularisée en robotique par NVIDIA via ses environnements de simulation. La manipulation non-préhensile reste un domaine actif, avec des contributions récentes de MIT CSAIL, ETH Zurich et Stanford sur la gestion des contacts discontinus. Ce travail reste à ce stade un preprint non évalué par les pairs, et les benchmarks se limitent à des scénarios de poussée en espace plan avec obstacles statiques : des configurations plus complexes, obstacles dynamiques ou objets déformables, n'ont pas été testés.

RecherchePaper

1 source