Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RigPI : identification des paramètres dynamiques d'un corps rigide par simulation différentiable guidée par VLM
RecherchearXiv cs.RO 

RigPI : identification des paramètres dynamiques d'un corps rigide par simulation différentiable guidée par VLM

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Des chercheurs présentent RigPI (arXiv:2606.25212, juin 2026), un framework d'identification des paramètres dynamiques d'objets rigides manipulés par un bras robotique, sans connaissance préalable de leurs propriétés physiques. Le système fusionne trois sources : un modèle vision-langage (VLM) qui initialise sémantiquement les estimations à partir de l'apparence de l'objet, des capteurs force-couple pour capturer les interactions réelles, et un simulateur physique différentiable qui affine les paramètres par descente de gradient. RigPI couvre les objets libres non contraints et les corps multi-articulés à joints rotoïdes ou prismatiques. Une optimisation en deux étapes atténue la sensibilité au bruit et évite les solutions physiquement aberrantes. Des expériences en conditions réelles valident que le robot reproduit fidèlement les trajectoires de manipulation en utilisant les paramètres identifiés.

L'enjeu pour l'industrie est direct : construire des jumeaux numériques fiables exige de connaître les propriétés inertielles et frictionnelles d'un objet inconnu, pas seulement sa géométrie. Les pipelines classiques d'identification de système déraillent face au bruit capteur, aux erreurs de modèle et à l'absence de prior. RigPI innove sur deux fronts : l'usage d'un VLM comme oracle physique pour contraindre l'espace de recherche avant optimisation numérique, réduisant le risque de minima locaux incohérents ; et l'exploitation de la simulation différentiable pour propager des gradients analytiques plutôt que de procéder par essais-erreurs. Pour un intégrateur ou un responsable de production, cela signifie qu'une cellule de manipulation peut s'auto-calibrer sur un nouvel objet sans intervention humaine, comprimant les délais de mise en service.

Ce travail prend place dans un effort de recherche dense autour de la simulation différentiable en robotique, où des groupes de MIT, Stanford et de laboratoires comme DeepMind publient des approches parallèles. Le sim-to-real sur les paramètres physiques reste un problème ouvert : la majorité des pipelines actuels supposent des masses et frictions connues, ou les approximent grossièrement. RigPI est à ce stade un prototype académique, preprint non encore peer-reviewé, sans partenaire industriel annoncé. Les prolongements logiques incluent l'intégration avec des politiques VLA (vision-language-action) pour fermer la boucle perception-identification-contrôle, et l'extension aux matériaux déformables ou aux contacts multi-points.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Simulateur différentiable neuronal adaptatif : modélisation des contacts rigides par transfert réel-vers-simulation
1arXiv cs.RO 

Simulateur différentiable neuronal adaptatif : modélisation des contacts rigides par transfert réel-vers-simulation

Des chercheurs ont publié sur arXiv (référence 2603.06218v2) un framework baptisé "Few-Shot Neural Differentiable Simulator", conçu pour calibrer des simulateurs analytiques rigides à partir d'un volume réduit de données réelles, puis générer des jeux de données synthétiques à grande échelle. L'approche combine un simulateur analytique traditionnel, utilisé comme générateur de données après calibration, avec un réseau de neurones sur graphe (GNN) basé sur des maillages 3D, chargé de modéliser la dynamique avant des corps rigides. La contribution technique centrale réside dans la dérivation de gradients de substitution pour la détection de collision, rendant l'ensemble du pipeline entièrement différentiable. Les expériences portent sur des scénarios d'interaction multi-objets, où le système apprend des politiques de manipulation directement par optimisation basée sur les gradients dans le simulateur. Ce travail s'attaque à l'un des verrous majeurs du apprentissage robotique : le coût prohibitif de la collecte de données réelles et l'écart persistant entre simulation et réalité (sim-to-real gap). En n'exigeant qu'un petit nombre d'épisodes réels pour recaler le simulateur analytique, plutôt que des milliers de trajectoires pour entraîner un modèle purement appris, le framework réduit significativement la barrière d'accès à la simulation haute-fidélité. La différentiabilité complète est un avantage concret pour les concepteurs de politiques robotiques : elle permet de propager des gradients à travers la dynamique de contact, évitant le recours à des méthodes d'optimisation sans gradient (evolutionary strategies, RL model-free) typiquement moins efficaces en échantillons. Les résultats présentés indiquent que le GNN ainsi entraîné surpasse des baselines différentiables analytiques pour répliquer des trajectoires réelles, bien que ces résultats restent à ce stade expérimentaux et non validés en conditions industrielles réelles. Le problème de la simulation de contact rigide mobilise depuis plusieurs années des équipes académiques et industrielles majeures. Les simulateurs dominants comme MuJoCo (DeepMind), Isaac Sim (NVIDIA) et PyBullet offrent une différentiabilité partielle, mais peinent à modéliser fidèlement les contacts complexes sans paramétrage expert lourd. Des approches concurrentes comme DiffTaichi ou Brax (Google) ont exploré la différentiabilité à l'échelle, tandis que des laboratoires comme MIT CSAIL et Stanford travaillent sur des simulateurs neuronaux pour la manipulation. Ce preprint, non encore soumis à révision par pairs, ouvre une direction crédible vers des simulateurs "grounded" en peu de données réelles, pertinente pour les déploiements en manipulation industrielle et en robotique de service où les données réelles sont coûteuses à acquérir.

RecherchePaper
1 source
Cadre d'identification reproductible et physiquement réalisable des paramètres dynamiques pour bras robot à faible coût
2arXiv cs.RO 

Cadre d'identification reproductible et physiquement réalisable des paramètres dynamiques pour bras robot à faible coût

Des chercheurs ont soumis sur arXiv en mai 2025 (arXiv:2605.15949) un pipeline d'identification des paramètres dynamiques pour le CRANE-X7, bras à 7 degrés de liberté de RT Corporation destiné aux laboratoires à faible budget. Le modèle corps-rigide est réduit de 65 à 39 paramètres de base en supprimant les produits d'inertie là où la symétrie des segments le permet. Quarante trajectoires d'excitation, construites à la main à partir de primitives mono et bi-articulation dans les limites mécaniques de chaque axe, alimentent une chaîne enchaînant moindres carrés ordinaires (OLS), projection par programmation semi-définie positive (SDP) pour rétablir la faisabilité physique, puis raffinement par erreur d'entrée en boucle fermée (CLIE). Un espace d'analyse en composantes principales (PCA) permet de sélectionner le candidat statistiquement central parmi les 40 modèles résultants. Un audit final de définie-positivité de la matrice d'inertie sur toutes les poses articulaires valide le résultat; un step SDP de secours corrige les violations résiduelles si nécessaire. L'enjeu est pratique: les méthodes par moindres carrés standard produisent régulièrement des paramètres physiquement incohérents (matrices d'inertie non définies positives), ce qui rend instables les contrôleurs en couple et les simulations physiques. Pour les intégrateurs et équipes de recherche, un modèle dynamique certifié est un prérequis pour la commande d'impédance, la compensation de gravité, ou l'apprentissage par démonstration. Les résultats expérimentaux montrent une concentration progressive du nuage de paramètres d'OLS vers SDP puis CLIE, avec une bonne précision prédictive conservée sur des trajectoires de validation hors-échantillon. La réduction 65-à-39 paramètres mérite toutefois d'être testée sur d'autres morphologies avant d'être généralisée. Le CRANE-X7 est une plateforme académique japonaise répandue dans les labos universitaires, mais elle manque de données dynamiques calibrées fournies par le constructeur, problème typique des bras à actionneurs modulaires de type Dynamixel. L'identification par SDP pour garantir la faisabilité physique remonte aux travaux d'Atkeson et al. dans les années 1990; son intégration dans un pipeline ouvert et reproductible avec sélection statistique et audit final reste peu documentée. Des approches concurrentes comme l'optimisation non-linéaire directe ou l'identification neuronale offrent moins de garanties de cohérence physique. Des plateformes de segment supérieur telles que le Kinova Gen3 ou le Franka Research 3 bénéficient de spécifications constructeur plus complètes. Une validation croisée sur d'autres robots à faible coût, voire une intégration dans des frameworks open-source comme Drake ou ros2_control, constituerait la suite logique de ces travaux.

UELes laboratoires européens équipés de bras modulaires à actionneurs Dynamixel (CRANE-X7 ou similaires) peuvent appliquer ce pipeline open pour obtenir des modèles dynamiques certifiés physiquement cohérents, prérequis pour la commande d'impédance et l'apprentissage par démonstration.

RecherchePaper
1 source
MetaTune : optimisation adjointe des méta-paramètres via dynamique différentiable en robotique
3arXiv cs.RO 

MetaTune : optimisation adjointe des méta-paramètres via dynamique différentiable en robotique

Des chercheurs publient MetaTune, un framework d'auto-tuning conjoint pour contrôleurs à retour d'état et observateurs de perturbation, en version 2 sur arXiv (2603.27313). La méthode combine une politique neuronale portable et une dynamique différentiable pour ajuster les gains selon les tâches et conditions opérationnelles. Son point central est une méthode adjointe qui calcule les méta-gradients en remontant le temps, ramenant la complexité de calcul à une croissance linéaire avec l'horizon de données, contre un coût plus élevé pour les méthodes forward existantes. Sur des tâches de contrôle de quadrirotor, MetaTune égale ou dépasse les performances de suivi de trajectoire existantes tout en réduisant de plus de 50% le temps de calcul des gradients. En simulation hardware-in-the-loop sous PX4-Gazebo, la politique apprise se transfère sans réentraînement et réduit l'erreur de suivi (RMSE) de 15 à 20% en vol agressif, jusqu'à 40% sous fortes perturbations. Le problème visé est concret pour les ingénieurs en commande robotique: le couplage fort entre gains de contrôleur et paramètres d'observateur de perturbation rend le réglage manuel long et instable, notamment pour des plateformes comme les drones devant encaisser rafales de vent ou charges variables. En unifiant les deux réglages dans un cadre différentiable et en rendant le calcul des méta-gradients nettement moins coûteux, ce travail attaque un goulot d'étranglement classique de l'auto-tuning appris: l'explosion du coût de calcul des méthodes forward sur de longs horizons. Le transfert zero-shot vers une simulation matérielle réaliste est le signal le plus parlant, car il suggère que les gains d'apprentissage ne restent pas cantonnés à la simulation pure, point souvent fragile en contrôle adaptatif appris. Ce travail prolonge la lignée du contrôle par observateur de perturbation, déjà utilisé pour robustifier les systèmes robotiques face aux incertitudes, et celle des méthodes adjointes issues du contrôle optimal, ici redéployées pour le méta-apprentissage de gains. La comparaison explicite aux méthodes forward positionne MetaTune comme alternative plus efficiente aux approches de méta-gradient déjà proposées pour le tuning automatique. Publié en version révisée (v2), l'article reste validé uniquement sur quadrirotors et en simulation HIL : la validation sur matériel réel et l'extension à d'autres classes de robots restent les prochaines étapes avant une adoption industrielle.

RecherchePaper
1 source
Dynamique différentiable de corps rigides en batch sur GPU avec PyTorch pour l'apprentissage robotique
4arXiv cs.RO 

Dynamique différentiable de corps rigides en batch sur GPU avec PyTorch pour l'apprentissage robotique

Une équipe de chercheurs publie BARD (Batched Articulated Rigid-body Dynamics), une implémentation PyTorch des algorithmes de dynamique corps rigides de Featherstone, conçue pour l'évaluation GPU en batch et la différentiation automatique. Sur cinq modèles de robots allant de 7 à 23 degrés de liberté, BARD atteint un débit jusqu'à 64 fois supérieur à Pinocchio pour la cinématique directe et 63 fois supérieur pour les jacobiens, à une taille de batch de 4096 sur un NVIDIA H200. La bibliothèque repose sur trois choix d'architecture : un cache à évaluation paresseuse par niveaux qui évite les traversées redondantes de l'arbre cinématique, des transformées de joints sans multiplication matricielle grâce à des constantes de Rodrigues précalculées, et une propagation parallèle par niveaux qui ramène les opérations séquentielles à des étapes batchées proportionnelles à la profondeur de l'arbre. La précision numérique est validée par identification de système sur un manipulateur 7-DOF, avec une erreur moyenne de 1,24 % sur les masses des segments sous 5 % de bruit sur les couples. Intégré dans le pipeline d'entraînement Isaac Lab AMP pour un quadrupède à colonne vertébrale de 11 DOF avec 4096 environnements parallèles, BARD est 8,5 fois plus rapide que Pinocchio et 2 fois plus rapide qu'ADAM pour le calcul de dynamique en boucle d'entraînement. Le code est disponible en open source sur GitHub. L'enjeu est structurel : à mesure que le contrôle robotique migre vers le reinforcement learning à grande échelle avec calcul de dynamique en boucle (in-loop), les librairies CPU comme Pinocchio deviennent un goulot d'étranglement dans les pipelines GPU. BARD élimine ce découplage CPU/GPU sans sacrifier la précision ni la différentiabilité, deux propriétés critiques pour l'optimisation par gradient. Pour les équipes qui entraînent des politiques de locomotion ou de manipulation sur des milliers d'environnements parallèles, ce gain de débit se traduit directement en temps de calcul réduit et en capacité à itérer plus vite sur l'architecture des récompenses et des politiques. Pinocchio reste la référence académique et industrielle pour la dynamique articulée depuis plus de dix ans, mais son architecture CPU-first n'a pas été pensée pour les pipelines d'apprentissage modernes sur GPU. ADAM, autre alternative GPU, est ici surpassé d'un facteur 2 en contexte in-loop. BARD se positionne donc entre les simulateurs physiques complets comme Isaac Sim ou MuJoCo MJX et les librairies de dynamique symbolique, en ciblant explicitement l'usage comme composant différentiable dans une boucle d'entraînement. L'article est une prépublication arXiv (2605.31481), non encore soumise à révision par les pairs, et les benchmarks présentés portent sur des scénarios contrôlés : des tests en conditions de déploiement réel, notamment sur des robots industriels ou des plateformes commerciales, restent à venir.

UEBARD surpasse directement Pinocchio, bibliothèque de dynamique articulée développée et maintenue par LAAS-CNRS et INRIA, ce qui constitue un signal fort pour les équipes de recherche robotique françaises qui l'utilisent comme référence dans leurs pipelines d'apprentissage par renforcement.

RecherchePaper
1 source