RecherchearXiv cs.RO1h

TO-SoFiT : optimisation topologique d'une queue de poisson souple hydraulique pour une locomotion ondulatoire programmable

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont mis en ligne en juin 2026 sur arXiv (preprint 2606.15645) une méthode baptisée TO-SoFiT (Topology Optimization of Soft Fish Tail), destinée à automatiser la conception de queues de poissons souples hydrauliques pour la robotique sous-marine biomimétique. Le coeur de l'approche repose sur un modèle issu de la loi de Darcy, augmenté d'un terme de drainage, pour simuler les pressions hydrauliques spatialement variables à l'intérieur de la structure souple, puis les convertir en forces nodales via analyse par éléments finis. Une formulation d'optimisation multi-critères équilibre simultanément l'efficacité de déformation, l'interaction fluide-structure, la fabricabilité géométrique et la rigidité requise pour la nage 3D. L'actionneur obtenu, intégré dans un réseau pneumatique, est validé par simulation sous différentes charges hydrauliques, atteignant des amplitudes d'ondulation réglables et une flexion multiaxe pour le contrôle de profondeur. En cascadant plusieurs segments optimisés, les auteurs obtiennent des schémas de nage programmables à différentes pressions. Le code et les simulations sont disponibles publiquement sur GitHub.

Ce travail répond à un verrou persistant de la robotique douce : l'absence de cadre de conception systématique pour des mouvements 3D complexes par actuation hydraulique ou pneumatique. Jusqu'ici, les concepteurs s'appuyaient sur des géométries empiriques, souvent rectangulaires, dont les performances sont sous-optimales. TO-SoFiT démontre en simulation que la topologie optimisée surpasse son équivalent rectangulaire en amplitude d'ondulation et en agilité multiaxe. L'approche formalise également le couplage entre actuation et déformation structurelle, souvent traité de manière découplée dans la littérature, ouvrant une voie vers la co-conception automatisée d'actionneurs souples.

La robotique douce sous-marine mobilise plusieurs groupes de référence, dont le MIT CSAIL, Harvard et plusieurs équipes chinoises spécialisées dans les robots-poissons pneumatiques. L'industriel allemand Festo illustre le potentiel commercial du biomimétisme aquatique avec ses projets BionicFinWave et AquaPenguin. TO-SoFiT se positionne avant tout comme un outil de conception amont plutôt que comme un prototype : le preprint ne présente aucune fabrication physique ni test en bassin, ce qui laisse ouverte la question critique du sim-to-real gap, généralement significatif avec les élastomères souples. Les prochaines étapes naturelles sont la fabrication par moulage en silicone et la validation expérimentale, en vue d'applications dans l'inspection de structures sous-marines ou la biologie aquatique.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

PISTO : inférence proximale pour l'optimisation stochastique de trajectoires

Des chercheurs ont publié sur arXiv (arXiv:2605.07215) un algorithme de planification de trajectoires robotiques appelé PISTO (Proximal Inference for Stochastic Trajectory Optimization). Leur contribution centrale est de démontrer que STOMP, méthode stochastique classique, minimise implicitement une divergence KL par rapport à une distribution de trajectoires de Boltzmann, révélant une structure d'inférence variationnelle (VI) sous-jacente. PISTO exploite cette observation en ajoutant une régularisation KL entre propositions gaussiennes successives, ce qui stabilise les mises à jour et produit une interprétation de type trust-region. L'algorithme reste entièrement sans dérivées et s'appuie sur un échantillonnage Monte Carlo à pondération d'importance. Sur les benchmarks de planification de bras robotiques, PISTO atteint 89 % de taux de succès contre 63 % pour CHOMP et 68 % pour STOMP, tout en générant des trajectoires plus courtes et plus lisses, à deux fois la vitesse des méthodes stochastiques concurrentes. Des validations complémentaires sur des tâches de locomotion et manipulation contact-rich en simulation MuJoCo montrent des performances supérieures aux baselines CEM et MPPI en termes de récompense cumulée. Pour les intégrateurs et ingénieurs en planification de mouvement, l'absence totale de dérivées est une caractéristique décisive : elle permet de traiter des fonctions de coût non-différentiables ou discontinues, fréquentes dans les environnements industriels réels (détection de collisions, zones interdites, contraintes non paramétriques). Le gain de vitesse d'un facteur deux par rapport aux méthodes stochastiques existantes réduit directement les temps de cycle dans les applications de planification en ligne, point critique pour la robotique collaborative et les systèmes pick-and-place haute cadence. La validation sur MuJoCo avec contacts ouvre des perspectives vers la locomotion humanoïde et la manipulation dextre, bien que ces résultats restent pour l'instant entièrement simulés, sans validation sur matériel physique. PISTO s'inscrit dans la lignée de STOMP (développé chez Willow Garage et présenté à l'ICRA 2011) et de ses concurrents gradient-based tels que CHOMP, ainsi que des méthodes stochastiques modernes MPPI (popularisé par NVIDIA en 2017) et CEM. Soumis comme preprint arXiv sans révision par les pairs à ce stade, l'article n'annonce ni déploiement industriel ni partenariat commercial. Son impact pratique dépendra de la mise à disposition du code source et de validations expérimentales sur robot réel, étapes absentes de la publication actuelle.

RecherchePaper

1 source

2arXiv cs.RO

Cadre QUBO pour l'optimisation de conception de robots par structure cinématique : étude de cas sur une main robotique

Des chercheurs ont publié sur arXiv (2605.15510, mai 2026) un cadre de formulation QUBO, optimisation binaire quadratique sans contraintes, pour automatiser la sélection de structures cinématiques lors de la conception de robots. L'étude de cas retenue est une main robotique : un problème à 27 variables binaires, où chaque doigt est choisi parmi plusieurs variantes cinématiques candidates. Le modèle quadratique unifie quatre composantes : récompenses individuelles de design, interactions de workspace partagé entre doigts adjacents, contraintes one-hot (un seul module sélectionnable par articulation), et pénalités de dépendance structurelle. Les métriques cinématiques sont calculées classiquement en amont via simulation ; le problème combinatoire résultant est ensuite soumis à un recuit simulé, utilisé ici comme baseline classique pour valider la formulation, puis à un recuit quantique. Les résultats montrent que des combinaisons feasibles satisfaisant simultanément contraintes one-hot et contraintes par paires sont bien retrouvées, avec une plage de valeurs objectif qui se resserre lorsque le nombre de lectures augmente. Ce travail adresse un goulot réel dans la conception de robots modulaires : l'espace de design croît exponentiellement avec le nombre de sous-systèmes, rendant la recherche exhaustive ou par gradient impraticable au-delà de quelques dizaines de degrés de liberté. En reformulant le problème en QUBO, les auteurs ouvrent la voie à des solveurs de recuit quantique, disponibles commercialement via D-Wave, pour explorer des espaces de grande dimension. Il s'agit cependant d'une démonstration de faisabilité, pas d'un déploiement industriel : les 27 variables du problème test restent accessibles aux solveurs classiques, et l'article ne benchmarke pas directement les deux approches. Pour les équipes R&D en robotique, l'intérêt est avant tout méthodologique : disposer d'un pipeline structuré pour convertir des critères cinématiques hétérogènes (payload, dextérité, encombrement) en combinatoire standardisé compatible hardware quantique. L'optimisation de design de robots modulaires est un champ actif, porté notamment par des laboratoires comme MIT CSAIL, ETH Zurich, ou l'INRIA côté européen. L'application du calcul quantique à la robotique reste marginale mais progresse : plusieurs équipes explorent le QUBO pour la planification de trajectoires ou l'allocation de tâches multi-robots. Ce papier étend l'approche à la phase de conception elle-même, en amont de la chaîne. La prochaine étape naturelle serait de valider la formulation sur des problèmes à 50 variables ou plus, avec un benchmarking rigoureux contre des solveurs classiques compétitifs comme CPLEX ou Gurobi, exercice que les auteurs n'ont pas encore mené.

RecherchePaper

1 source

3arXiv cs.RO

Pince dextérique et souple à actionnement hydraulique doux pour la manipulation en microgravité

Des chercheurs ont présenté DexCoHand, un préhenseur à deux doigts et six degrés de liberté (DOF) à actionnement hydraulique souple, conçu pour étendre les capacités de manipulation d'Astrobee, le robot volant libre de la NASA présent à bord de la Station spatiale internationale (ISS). Le gripper actuel d'Astrobee est limité à un seul DOF sous-actionné, suffisant pour s'accrocher aux rampes de la station mais inadapté à des tâches de manipulation continue. DexCoHand, décrit dans un preprint arXiv publié en mai 2026 (arXiv:2605.17851), a été évalué dans le simulateur MuJoCo sur la séquence d'accrochage standard incluant l'approche, le perchage, puis des mouvements de panoramique et d'inclinaison. Des expériences matérielles ont également été conduites sur Terre. Aucun test en orbite n'est rapporté à ce stade. La difficulté centrale de la manipulation en microgravité est que toute force de contact exercée par l'effecteur se répercute directement dans le mouvement de la base flottante, rendant les tâches précises particulièrement instables avec un système rigide ou à faible DOF. Les résultats de simulation montrent que DexCoHand préserve les mouvements commandés en panoramique et inclinaison tout en réduisant les perturbations non voulues sur les axes transversaux de la base, comparé au gripper d'origine. L'actionnement hydraulique souple offre une compliance passive qui absorbe une partie de l'énergie de contact, un avantage documenté en robotique terrestre mais encore peu exploré pour les systèmes orbitaux. Ces résultats sont pertinents pour la conception de robots d'entretien autonomes de stations spatiales, un segment où la manipulation dextère reste un verrou technologique non résolu. Astrobee a été déployé sur l'ISS en 2019 par le NASA Ames Research Center pour assister les astronautes dans des tâches de surveillance et de logistique. Sa plateforme ouverte a favorisé une série de travaux académiques sur l'extension de ses capacités. Dans le domaine des manipulateurs spatiaux opérationnels, les systèmes actifs incluent le Canadarm2 de la NASA, le bras JEMRMS de la JAXA et le projet CAESAR de l'ESA. DexCoHand s'inscrit dans un courant de robotique souple appliquée à l'espace, où la tolérance aux chocs et la légèreté sont critiques. Les prochaines étapes naturelles seraient des tests en micropesanteur simulée, via vols paraboliques ou bassin neutre, avant toute qualification orbitale.

UEImpact indirect : l'ESA développe en parallèle le projet CAESAR sur les manipulateurs spatiaux, domaine où ces travaux sur la compliance hydraulique en microgravité pourraient alimenter la réflexion, mais aucune entité française ou européenne n'est impliquée dans cette recherche.

RecherchePaper

1 source

4arXiv cs.RO

ATRS : découpage adaptatif de trajectoires via une politique neuronale partagée pour l'optimisation parallèle

Des chercheurs présentent ATRS (Adaptive Trajectory Re-splitting via a Shared Neural Policy), un framework de planification de trajectoire qui intègre un réseau de deep reinforcement learning dans une boucle d'optimisation parallèle par ADMM (Alternating Direction Method of Multipliers). Publié sur arXiv (réf. 2604.22715), le système réduit le nombre d'itérations de convergence de 26 % au maximum et le temps de calcul de 19,1 %. En conditions physiques réelles, ATRS assure une replanification onboard en moins de 35 ms par cycle, sans dégradation sim-to-real constatée entre simulations et expériences sur robot. La planification de trajectoire à long horizon reste un verrou majeur pour les robots autonomes dans les environnements contraints. Les frameworks ADMM existants découpent le problème en sous-problèmes de structure fixe : quand quelques segments stagnent, ils bloquent la convergence globale. ATRS résout ce problème en décidant dynamiquement où et quand redécouper ces segments, via une politique neuronale partagée formulée comme un processus de décision markovien multi-agents. L'architecture parameter-sharing confère au système une invariance de taille, lui permettant de gérer des trajectoires de longueur arbitraire sans réentraînement. La généralisation zero-shot est particulièrement notable : le réseau s'appuie uniquement sur les états internes du solveur numérique, et non sur les géométries de l'environnement, ce qui simplifie considérablement le déploiement en production industrielle. L'ADMM appliqué à la planification robotique est une approche bien établie, portée par des travaux comme TrajOpt et ses variantes parallèles. ATRS s'inscrit dans une tendance plus large d'hybridation entre optimisation classique et deep learning, explorée par plusieurs équipes en navigation autonome et en manipulation. Son mécanisme "Confidence-Based Election" est l'élément différenciant : seul le segment le plus bloqué est redécoupé à chaque étape, ce qui préserve la stabilité du solveur sans surcharger le pipeline. L'article ne mentionne ni affiliation industrielle ni calendrier de transfert technologique : il s'agit d'une contribution académique à ce stade. Cependant, les 35 ms de replanification en temps réel et l'absence de sim-to-real gap en font un candidat crédible pour intégration dans des stacks de navigation autonome ou de manipulation en environnement industriel contraint.

RecherchePaper

1 source