Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
CoorGrasp : contrôle de contact coordonné pour une préhension dextérique adaptative sous incertitude
RecherchearXiv cs.RO 

CoorGrasp : contrôle de contact coordonné pour une préhension dextérique adaptative sous incertitude

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

Une équipe de recherche propose CoorGrasp, un contrôleur prédictif piloté par le toucher (tactile-driven model predictive controller) conçu pour améliorer l'exécution de prises dextres complexes lorsque la forme ou la position exacte d'un objet reste incertaine. Le problème ciblé est concret : en boucle ouverte, une main robotique dextre a tendance à établir des contacts mal coordonnés entre ses doigts, ce qui provoque des mouvements indésirables de l'objet en main, voire des échecs de prise complets. La méthode repose sur trois apports techniques précis : une séparation des phases sensible à la coordination (approche puis serrage), une coordination bras-main destinée à compenser les erreurs de position, et une coordination adaptative des forces pour augmenter les forces de contact de façon équilibrée entre les points d'appui. Un modèle analytique relie les forces de contact aux mouvements articulaires du robot pour piloter cette commande prédictive. L'équipe a validé l'approche via 15 000 prises simulées portant sur 478 objets différents, testées sur trois mains robotiques distinctes, complétées par des essais réels sur 8 objets physiques.

L'enjeu dépasse la seule prouesse algorithmique. Une grande partie de la recherche récente en manipulation dextre s'est concentrée sur la génération de poses de prise (où poser les doigts), en traitant l'exécution comme une étape secondaire. Or c'est précisément cette exécution qui échoue en conditions réelles, quand les capteurs de vision se trompent sur la géométrie ou la position exacte d'un objet. En démontrant un gain mesurable de taux de réussite et une réduction des mouvements parasites de l'objet, ce travail s'attaque directement à l'écart classique entre démonstration en laboratoire et robustesse en environnement non contrôlé, un frein connu à l'adoption industrielle des mains robotiques multi-doigts pour la logistique ou l'assemblage fin.

Le point notable de généralité de CoorGrasp est qu'il ne dépend pas d'un type de prise ou d'une configuration de contact particulière : il s'intègre à n'importe quelle méthode existante de génération de poses de prise, ce qui en fait potentiellement une brique complémentaire plutôt qu'un système fermé. Publié sur arXiv début juillet 2026, ce travail s'inscrit dans un effort de recherche plus large visant à combler l'écart entre planification de prise et contrôle tactile en temps réel, un axe suivi de près par les laboratoires travaillant sur les mains dextres pour l'humanoïde et la manipulation fine.

Dans nos dossiers

arXiv cs.RO

À lire aussi

AdaDexGrasp : préhension dextérique adaptative par fusion de représentations visuo-tactiles 3D
1arXiv cs.RO 

AdaDexGrasp : préhension dextérique adaptative par fusion de représentations visuo-tactiles 3D

Un nouveau système de préhension robotique baptisé AdaDexGrasp vient d'être publié sur arXiv (référence 2608.07600) en août 2026. Le framework vise à rapprocher les mains robotiques dextres du niveau d'adaptabilité humain en fusionnant vision et toucher : les signaux tactiles de chaque doigt sont associés à son identité propre et combinés à la géométrie 3D de l'objet saisi, formant une représentation unique dite visuo-tactile. Cette représentation alimente trois briques : génération de poses de préhension tenant compte du contact dès la planification, prédiction de faisabilité, puis ajustement dynamique de la prise une fois le contact établi. Les auteurs disent avoir testé l'approche en simulation et sur robot réel, avec une amélioration du taux de réussite et de la généralisation à des objets variés. Le résumé publié ne fournit toutefois ni chiffre précis de taux de succès, ni nombre de degrés de liberté de la main utilisée, ni comparaison chiffrée avec des méthodes existantes, des détails qui restent à vérifier dans l'article complet. Le sujet touche un angle mort connu de la préhension robotique dextre : la plupart des pipelines actuels planifient une prise à partir d'images puis exécutent sans réellement corriger après le contact, ce qui dégrade la robustesse face aux objets fragiles, déformables ou mal localisés par la seule vision. Un mécanisme de rétroaction tactile post-contact qui tiendrait ses promesses hors laboratoire intéresserait directement les intégrateurs travaillant sur le bin-picking, l'assemblage fin ou les mains de robots humanoïdes, domaines où l'échec de préhension reste un goulot d'étranglement malgré les progrès des modèles vision-langage-action. Cette recherche s'inscrit dans une tendance plus large de fusion visuo-tactile en manipulation robotique, portée depuis plusieurs années par des capteurs comme GelSight ou DIGIT et par des jeux de données de préhension dextre type DexGraspNet. AdaDexGrasp reste à ce stade une contribution académique en pré-publication, non revue par les pairs, sans partenariat industriel ni déploiement annoncé. Sa validation indépendante sur du matériel commercial constituera la prochaine étape à surveiller.

RecherchePaper
1 source
ConGraspXL : synthèse de mouvements de préhension dextérique contrôlables sous contraintes
2arXiv cs.RO 

ConGraspXL : synthèse de mouvements de préhension dextérique contrôlables sous contraintes

Un article publié sur arXiv (2609.16319v1, catégorie "nouveau") présente ConGraspXL, un système de synthèse de mouvements de préhension dextre pour mains robotiques, conçu comme extension du système précédent GraspXL. GraspXL permettait déjà une synthèse de saisie généralisable à des objets variés et à différentes morphologies de main, mais sans possibilité de contrôler précisément la façon dont la prise s'exécute. ConGraspXL ajoute cette contrôlabilité en conditionnant la génération de mouvement sur des contraintes définies par la tâche: direction d'approche de la main, zones de contact souhaitées sur l'objet, trajectoire imposée au poignet, ou pose fonctionnelle de la main, par exemple tenir un outil dans la bonne orientation pour l'utiliser. Techniquement, les auteurs introduisent une formulation hiérarchique des contraintes, une interface à résidu masqué permettant de combiner librement plusieurs contraintes simultanément, ainsi que des centres de main dynamiques et un guidage du poignet en boucle ouverte pour améliorer la précision du contrôle. L'intérêt pour l'industrie tient à un problème concret: la plupart des générateurs de mouvements de préhension appris à grande échelle savent produire une prise plausible sur un objet inconnu, mais ne permettent pas de spécifier comment cette prise doit se faire pour remplir une tâche précise, par exemple attraper une tasse par l'anse plutôt que par le corps. ConGraspXL cherche à combler cet écart en conservant la capacité de généralisation de GraspXL tout en ajoutant un contrôle fin, ce qui en fait, selon les auteurs, un contrôleur de préhension bas niveau "prêt à l'emploi" utilisable comme brique dans des systèmes plus larges: complétion de saisie corps entier, préhension fonctionnelle, ou imitation de mouvements humains, des cas d'usage directement pertinents pour l'apprentissage par imitation et les pipelines de téléopération qui alimentent les modèles vision langage action des mains robotiques dextres. L'abstract ne fournit toutefois aucun chiffre de performance, de comparatif ou de temps de calcul, ce qui empêche d'évaluer l'ampleur réelle du gain par rapport à GraspXL ou à des méthodes concurrentes. Le travail s'inscrit dans la lignée directe de GraspXL, présenté comme une méthode de synthèse de préhension scalable mais non contrôlable, dont ConGraspXL constitue la suite logique. Le papier ne précise ni les auteurs, ni le laboratoire ou l'entreprise d'origine, ni de calendrier de publication de code ou de modèle, ce qui correspond au stade d'un preprint tout juste déposé plutôt qu'à un produit ou un outil diffusé publiquement. Aucun acteur français ou européen n'apparaît dans ce travail. Les usages évoqués, complétion de saisie corps entier, préhension fonctionnelle et imitation de mouvement humain, restent présentés comme des applications aval possibles plutôt que des démonstrations déjà réalisées, et l'abstract ne précise pas si les résultats ont été validés sur du matériel physique ou uniquement en simulation, une distinction pourtant déterminante pour juger de la maturité réelle de l'approche.

RecherchePaper
1 source
Recherche de mouvement sensible au résultat pour une préhension dextérique consciente de l'impact
3arXiv cs.RO 

Recherche de mouvement sensible au résultat pour une préhension dextérique consciente de l'impact

Un preprint publié sur arXiv sous la référence 2609.29020 fin septembre 2026 présente une méthode nommée Outcome-Sensitive Motion Search, conçue pour apprendre à un bras robotique à attraper des objets lancés à grande vitesse sans les briser ni endommager l'effecteur. Le principe repose sur un enseignant entraîné par apprentissage par renforcement (RL), disposant d'un accès privilégié à l'état complet de la scène, dont le comportement sert à distiller une politique élève entraînée par apprentissage par imitation (IL), seule déployable en pratique puisqu'elle n'a pas cet accès privilégié. Les auteurs définissent une "fenêtre sensible au résultat" (outcome-sensitive window) marquant les instants où de faibles variations du geste avant contact changent radicalement l'issue de la prise et de l'impact, puis corrigent par recherche géodésique locale les trajectoires de l'enseignant, y compris ses échecs, avant de valider chaque candidat via un modèle calibré d'erreur d'action de l'élève. En simulation, la politique IL obtenue dépasse l'enseignant RL privilégié à la fois en taux de réussite de capture et en atténuation de l'impact, sans que l'abstract ne fournisse de chiffres précis de performance. Le résultat cible un point faible connu de la manipulation dynamique en robotique : la distillation d'un enseignant RL performant vers une politique déployable échoue souvent précisément près de l'instant de contact, où de minimes écarts d'action entre élève et maître se traduisent par des prises ratées ou des chocs mal absorbés. Le papier montre que cette sensibilité doit être caractérisée et réparée activement dans les démonstrations plutôt que traitée comme du simple bruit, ce qui nuance l'idée reçue qu'un enseignant RL capable fournit automatiquement de bonnes démonstrations pour l'imitation. Pour les équipes travaillant sur des bras collaboratifs ou des mains robotiques amenées à réceptionner des objets en mouvement, en logistique ou sur ligne d'assemblage, le message pratique est que l'imitation de trajectoires enseignantes réussies ne suffit pas à garantir un comportement robuste une fois l'accès aux informations privilégiées retiré au moment du déploiement. La méthode s'inscrit dans la lignée classique des architectures enseignant privilégié puis élève par imitation, largement utilisées en robotique pour transférer des comportements appris en simulation vers des politiques compactes exploitables sur du matériel réel. L'article ne cite aucune entreprise, plateforme commerciale ni acteur français ou européen : il s'agit d'un travail académique validé uniquement par des expériences en simulation étendue, sans essai sur robot physique ni calendrier de déploiement annoncé. La suite logique, non couverte par cet abstract, serait une validation sur un bras ou une main robotique réels pour vérifier si les gains observés en simulation sur le taux de capture et l'atténuation d'impact se maintiennent lors du transfert sim-to-réel.

RecherchePaper
1 source
Contrôle adaptatif de précision basé sur un modèle pour la poussée planaire sur table en dynamique incertaine
4arXiv cs.RO 

Contrôle adaptatif de précision basé sur un modèle pour la poussée planaire sur table en dynamique incertaine

Une équipe de chercheurs a publié une nouvelle version (v2) d'un article sur arXiv (2510.03768) décrivant un système de contrôle pour la manipulation par poussée non préhensile sur table, c'est-à-dire déplacer un objet en le poussant plutôt qu'en le saisissant avec une pince. Le système combine un modèle de dynamique appris, bâti sur une architecture récurrente GRU enrichie de couches non linéaires, avec un contrôleur MPPI (Model Predictive Path Integral), une méthode d'optimisation par échantillonnage. L'entraînement se fait entièrement en simulation, avec randomisation de domaine pour faciliter le transfert vers le réel. Les auteurs valident l'approche en simulation puis sur un bras robotique Franka Panda équipé d'un suivi sans marqueurs. Les résultats montrent des taux de réussite élevés pour le positionnement de précision sous des seuils stricts, ainsi que de bonnes performances en suivi de trajectoire, évitement d'obstacles, changement de côté de poussée et longueurs de poussée variables. L'apport principal tient à la polyvalence : un seul modèle appris couvre plusieurs tâches simplement en changeant la fonction objectif du contrôleur, sans réentraînement. Cela contraste avec la majorité des travaux antérieurs sur la poussée pilotée par les données, généralement limités à une capacité étroite (changement de côté, précision ou entraînement mono-tâche) et devant être réentraînés pour chaque nouvel objectif. Pour des équipes travaillant sur la manipulation non préhensile en industrie, réarrangement d'objets, alignement de pièces, tri sans préhenseur dédié, ce résultat suggère qu'un modèle de dynamique unique peut remplacer plusieurs politiques spécialisées, réduisant le coût d'ingénierie. Le transfert sim-to-réel réussi, sans données réelles pour l'entraînement, confirme aussi la viabilité de cette approche pour un déploiement rapide sur du nouveau matériel. Le travail s'inscrit dans la lignée des méthodes de poussée pilotées par les données, apparues en réaction aux limites des approches analytiques classiques, trop dépendantes d'une modélisation manuelle précise de la friction et des contacts. Le système reste pour l'instant restreint à un seul type d'objet : les auteurs indiquent l'étendre via des longueurs de poussée plus variées et un contrôleur équilibré réduisant le nombre d'étapes pour les objectifs à horizon long. Aucun calendrier de déploiement industriel n'est mentionné ; il s'agit à ce stade d'une contribution de recherche académique, sans acteur français ou européen identifié dans le texte.

RecherchePaper
1 source