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

Dynamique différentiable et simulation rapide d'un poisson robotique élastique continu
1arXiv cs.RO 

Dynamique différentiable et simulation rapide d'un poisson robotique élastique continu

Des chercheurs publient sur arXiv (article 2509.16145, version 3, remplaçant une version antérieure) un nouveau modèle de dynamique différentiable couplé à un cadre de simulation rapide pour poissons robotiques à corps élastique actionnés par moteur. La formulation, fondée sur le principe de Hamilton, représente le robot comme un corps élastique continûment déformable et couple sa dynamique structurelle aux forces hydrodynamiques sans imposer au préalable la cinématique du corps, c'est-à-dire sans prescrire la façon dont il doit onduler. Le simulateur obtenu est différentiable par rapport aux paramètres du modèle et de conception, ce qui permet une optimisation par descente de gradient. Les auteurs valident leur cadre par des études de convergence numérique ainsi que par des expériences menées sur un poisson robotique physique, puis démontrent son utilité en optimisant par gradient la distribution de raideur le long du corps pour améliorer l'efficacité de nage. Cette avancée cible un verrou concret de la robotique bio-inspirée sous-marine : les approches existantes imposaient soit une cinématique corporelle fixe, soit approximaient le corps par des segments rigides ou compliants discrets, soit reposaient sur des simulations d'interaction fluide-structure trop coûteuses pour être intégrées dans une boucle d'optimisation de conception. En rendant la simulation différentiable et rapide, ce travail permet de co-concevoir la répartition de raideur et le contrôle moteur sans recourir à des campagnes d'essais physiques répétées, un enjeu direct pour les concepteurs de robots souples et de véhicules sous-marins autonomes bio-inspirés. La flexibilité du corps est identifiée depuis longtemps comme un facteur clé de la propulsion des poissons : la répartition spatiale de la raideur détermine la déformation, les charges hydrodynamiques et la performance propulsive. Les méthodes antérieures peinaient à capturer simultanément cette élasticité continue, le couplage fluide-structure et le mouvement auto-propulsé résultant, sans exploser en coût de calcul. Ce travail s'inscrit dans le courant plus large de la robotique molle différentiable, où la simulation rapide et dérivable devient un outil standard pour l'optimisation automatisée de conception, à l'image des approches sim-to-real développées pour d'autres classes de robots.

RecherchePaper
1 source
Simulateur différentiable neuronal adaptatif : modélisation des contacts rigides par transfert réel-vers-simulation
2arXiv 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
Gradients de contact groupés : stabiliser la simulation différentiable pour des tâches dynamiques déployables
3arXiv cs.RO 

Gradients de contact groupés : stabiliser la simulation différentiable pour des tâches dynamiques déployables

Des chercheurs présentent Bundled Contact Gradients (BCG), une méthode qui stabilise l'apprentissage de politiques par simulation différentiable pour des tâches dynamiques transférées à des humanoïdes réels. Le papier, publié sur arXiv (2609.30951v1) le 28 septembre 2026, s'attaque à un problème connu de la simulation différentiable : pour obtenir des gradients exploitables à travers les contacts rigides, il faut habituellement assouplir les modèles de contact, ce qui dégrade la fidélité physique et limite les politiques apprises à la simulation. Augmenter la raideur du contact améliore le réalisme mais rend la dynamique très sensible aux petites perturbations d'état, produisant des gradients à haute variance qui déstabilisent l'optimisation du premier ordre. BCG répond à ce problème par un lissage aléatoire localisé au contact : quand un contact rigide est détecté, la méthode évalue un ensemble de rollouts perturbés autour de cette configuration et agrège leurs signaux de gradient pour réduire la variance. Les auteurs rapportent un entraînement et un transfert zero-shot réussis de mouvements dynamiques sur une plateforme humanoïde réelle Unitree G1, avec vidéos disponibles sur le site du projet. L'enjeu dépasse la seule prouesse académique : le fossé sim-to-real reste l'un des principaux freins à la commercialisation des humanoïdes, en particulier pour les mouvements dynamiques (sauts, contacts pied-sol impulsifs, manipulation en force) où les modèles de contact assouplis échouent typiquement à se transférer au réel. Une méthode qui permet d'augmenter la raideur des contacts en simulation sans faire exploser la variance des gradients touche directement à la crédibilité des pipelines d'apprentissage par renforcement ou par optimisation différentiable utilisés par les fournisseurs de plateformes humanoïdes (Unitree, mais aussi les architectures VLA comme GR00T N2, Pi-0 ou Helix qui s'appuient sur des politiques apprises). Pour les intégrateurs et laboratoires de recherche, cela suggère une voie pour entraîner des comportements dynamiques plus riches sans dépendre uniquement du reinforcement learning classique, plus gourmand en échantillons. Le travail s'inscrit dans une lignée de recherches sur la simulation différentiable appliquée à la robotique, où la gestion du contact rigide reste un verrou technique majeur depuis plusieurs années. Les auteurs ne précisent pas d'affiliation industrielle ni de partenariat de déploiement commercial : il s'agit d'un résultat de recherche démontré sur une seule plateforme (Unitree G1), avec transfert zero-shot en environnement contrôlé plutôt qu'un déploiement en production. Aucun calendrier de suite n'est communiqué au-delà de la publication des vidéos et du code supplémentaire sur le site dédié du projet ; il reste à voir si la méthode sera reprise par d'autres laboratoires ou intégrée dans des pipelines d'entraînement à plus grande échelle pour des humanoïdes commerciaux comme Figure 03 ou Optimus.

RecherchePaper
1 source
Apprentissage du vol visuomoteur d'un quadrirotor à travers des ouvertures étroites dynamiques par simulation différentiable
4arXiv cs.RO 

Apprentissage du vol visuomoteur d'un quadrirotor à travers des ouvertures étroites dynamiques par simulation différentiable

Des chercheurs publient sur arXiv (identifiant 2610.37557) une méthode permettant à un quadrirotor de traverser une ouverture étroite en mouvement, en s'appuyant uniquement sur ses capteurs embarqués. La politique de contrôle prend en entrée des mesures visuelles et inertielles et produit directement une poussée collective et des vitesses angulaires (body rates). Elle est entraînée en une seule étape, depuis une initialisation aléatoire, sans enseignant, sans planificateur ni distillation. L'approche repose sur une formulation différentiable de la fente mobile : les termes de centrage, d'alignement et de collision lissée sont pondérés par la distance signée au plan variable de l'ouverture. Un événement de franchissement rare devient ainsi un objectif dense, dérivable le long de la trajectoire. En simulation, les gradients « pathwise » atteignent 99,3 % de réussite après quelques minutes d'entraînement sur un seul GPU, et surpassent nettement les gradients de type score-function sur cette tâche de précision. En conditions réelles, la politique est transférée sans réglage supplémentaire sur un vrai quadrirotor, qui franchit l'ouverture dynamique depuis diverses conditions initiales avec 80 % de réussite sur 10 essais. Ce travail compte parce que la tâche laisse très peu de marge : il faut un alignement de l'ordre du centimètre et un timing précis, et la moindre erreur de position, d'attitude ou de visibilité provoque une collision. Les approches antérieures s'appuient sur l'état privilégié (position exacte de l'ouverture), sur des enseignants, des planificateurs ou de la distillation. Une politique apprise directement en pixels-vers-commandes, sans cet échafaudage, simplifie la chaîne d'entraînement et ouvre la voie à des systèmes plus légers à développer. La vitesse d'apprentissage, de l'ordre de quelques minutes sur un GPU, est aussi un argument pour les équipes qui itèrent sur du matériel. Il faut toutefois relativiser : 10 essais réels ne donnent qu'un intervalle de confiance très large, et l'écart entre 99,3 % en simulation et 80 % sur le terrain montre qu'un résidu de sim-to-real subsiste. L'article ne précise pas la vitesse de l'ouverture, ni la variété des scènes testées. Ce résultat s'inscrit dans la lignée des travaux de vol agile des laboratoires comme celui de Davide Scaramuzza (Zurich), qui avait montré le franchissement de fentes avec planification et état privilégié, puis des politiques apprises par renforcement et distillées depuis un expert. L'apprentissage par simulation différentiable, qui exploite la dérivabilité du modèle physique plutôt que des estimateurs de gradient à forte variance, gagne du terrain en robotique. La suite logique serait de tester des ouvertures plus rapides, des environnements moins contrôlés et des campagnes d'essais plus larges. Il s'agit ici d'une publication préliminaire (v1), non évaluée par les pairs, et aucun déploiement industriel n'est annoncé.

RecherchePaper
1 source