Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Transfert simulation-réel : évaluation du contrôle optimal basé sur modèle pour systèmes rigides-souples sous-actionnés
RecherchearXiv cs.RO 

Transfert simulation-réel : évaluation du contrôle optimal basé sur modèle pour systèmes rigides-souples sous-actionnés

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

Les auteurs de cette étude arXiv (identifiant 2602.03435v2, version corrigée) évaluent trois stratégies de commande optimale pour piloter des robots hybrides rigides-souples, une catégorie de systèmes sous-actionnés particulièrement difficile à contrôler dynamiquement. Ils s'appuient sur le modèle Geometric Variable Strain, une avancée récente qui permet de calculer des dérivées analytiques plutôt que numériques, réduisant ainsi le coût de calcul habituellement prohibitif pour ces modèles de haute dimension. Trois méthodes sont comparées: la collocation directe, la programmation dynamique différentielle et la commande prédictive non linéaire (NMPC). Pour gérer la raideur numérique propre aux dynamiques des continuums souples et les contraintes d'actionnement, les chercheurs emploient des schémas d'intégration implicites et des stratégies de démarrage à chaud (warm-start). Les tests portent sur trois bancs d'essai simulés de type balancier (swing-up): le Soft Cart-Pole, le Soft Pendubot et le Soft Furuta Pendulum, tous combinant éléments rigides et souples de haut ordre.

Ce travail s'attaque à un angle mort de la robotique souple: la plupart des méthodes existantes se limitent à des comportements quasi-statiques, alors que des tâches dynamiques comme le swing-up exigent une exploitation fine de la dynamique continue du matériau. Les modèles simplifiés utilisés jusqu'ici échouent souvent à capturer cette complexité. En démontrant qu'une commande optimale basée modèle reste applicable à des systèmes hybrides rigides-souples de haute dimension sans sacrifier la précision, l'étude ouvre la voie à des applications où la souplesse structurelle doit coexister avec des mouvements rapides et contrôlés, un enjeu pour la manipulation délicate ou les actionneurs bio-inspirés.

Le papier s'inscrit dans la lignée des recherches sur les "continuum soft robots", où le calcul de dérivées analytiques via des modèles géométriques à déformation variable a récemment levé un verrou technique majeur. En comparant systématiquement collocation directe, DDP et NMPC sur des bancs d'essai communs, les auteurs fournissent une base de référence (benchmark) reproductible pour la communauté, plutôt qu'une simple démonstration isolée, avec les compromis de performance et de coût de calcul explicitement documentés pour guider de futurs choix d'implémentation.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Représentation tactile factorisée et contrôle pour la manipulation en transfert simulation-réel
1arXiv cs.RO 

Représentation tactile factorisée et contrôle pour la manipulation en transfert simulation-réel

Des chercheurs proposent, dans un preprint arXiv (2610.10510v1), un cadre de représentation tactile « factorisée » et de contrôle destiné au transfert sim-to-real en manipulation. L'idée est de projeter la force normale et la zone de contact vers une « réponse de contact effective », récupérable à partir des lectures du capteur, plutôt que de tenter de reproduire fidèlement la physique propre à chaque capteur. Cette réponse est ensuite scindée en trois composantes: la géométrie du contact, la distribution des forces et la variation temporelle du contact. Chacune dispose de son propre encodage et de sa propre randomisation de domaine. Le contrôleur, baptisé Tactile Gated Policy, conserve ces trois représentations séparées tout au long de la chaîne de contrôle. Il fonctionne sur toutes les configurations de masques, c'est-à-dire toutes les combinaisons de composantes activées, sans réentraînement. L'évaluation porte sur la reconstruction de la réponse, l'alignement spatial, la régulation de force et l'insertion de cheville adversariale riche en contacts, en simulation comme sur robot réel. Les auteurs annoncent une localisation du contact inférieure à 1 mm, une erreur de suivi de force de 1,69 N sur des géométries inédites et un gain de 35 % en insertion réelle par rapport à la réponse non factorisée. L'intérêt dépasse le seul benchmark. Le tactile reste le maillon faible du sim-to-real: la vision et la proprioception se transfèrent de mieux en mieux, mais les signaux de contact dépendent fortement du capteur, ce qui limite la réutilisation des politiques d'un dispositif à l'autre. En séparant géométrie, force et dynamique, le travail permet d'évaluer indépendamment l'utilité et la fiabilité de transfert de chaque représentation. Il montre aussi que ces représentations n'aident pas toutes les mêmes interactions, ce qui nuance l'idée d'un signal tactile unique et générique. Pour un intégrateur, la conséquence pratique est qu'un choix de capteur pourrait compter moins que la manière d'exposer l'information de contact à la politique. Quelques réserves s'imposent. Il s'agit d'un preprint non évalué par les pairs. Le gain de 35 % est mesuré contre une base de référence interne, et non contre des méthodes concurrentes. Le résumé ne précise ni le matériel, ni le nombre d'essais, ni les tolérances d'insertion. Rien ne permet d'extrapoler à des cadences industrielles ou à des pièces variées. Ce travail s'inscrit dans l'effort général pour donner un toucher exploitable aux politiques apprises, alors que les modèles généralistes (VLA) restent surtout visuels. Les capteurs tactiles optiques de type GelSight et leurs dérivés ont popularisé les approches de simulation tactile, mais chaque équipe doit en général recalibrer son pipeline pour son capteur. L'approche factorisée vise à contourner ce verrou en s'appuyant sur une couche intermédiaire commune. Les suites logiques seraient une validation sur plusieurs capteurs et plusieurs plateformes, des tâches plus longues que l'insertion de cheville et une intégration dans des politiques généralistes. Aucun calendrier, code ni partenaire industriel n'est annoncé à ce stade.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
NeuralTouch : des descripteurs neuronaux pour un contrôle tactile précis en transfert simulation-réel
2arXiv cs.RO 

NeuralTouch : des descripteurs neuronaux pour un contrôle tactile précis en transfert simulation-réel

Une équipe de chercheurs a publié sur arXiv (réf. 2510.20390v2) NeuralTouch, un framework multimodal combinant les Neural Descriptor Fields (NDF) avec le retour haptique pour améliorer la précision de préhension des robots manipulateurs. Le principe repose sur deux étages : les NDF génèrent une représentation implicite de la géométrie de contact cible à partir de données visuelles, puis une politique d'apprentissage par renforcement profond (deep RL) affine la saisie en temps réel via des capteurs tactiles. Le système a été validé sur des tâches de manipulation fine, insertion de cheville dans un trou (peg-out-in-hole) et ouverture de bouchon de bouteille, avec un transfert zéro-shot du simulateur vers l'environnement physique, sans fine-tuning supplémentaire. Les études d'ablation en simulation et les tests réels montrent une amélioration significative de la précision et de la robustesse par rapport aux baselines, bien que les métriques quantitatives précises ne figurent pas dans le résumé publié. Le problème adressé est bien connu des intégrateurs : les NDF seuls souffrent d'imprécisions dues à une calibration caméra imparfaite, des nuages de points incomplets et la variabilité géométrique des objets. À l'inverse, les approches tactiles existantes restent cantonnées à des géométries de contact prédéfinies et simples, ce qui limite leur déployabilité industrielle. NeuralTouch contourne cette dualité en conditionnant la politique RL sur les descripteurs neuronaux sans nécessiter de spécification explicite du type de contact, ce qui est précisément le verrou que le secteur cherche à lever pour rendre les bras manipulateurs économiquement viables dans des environnements non structurés. La capacité de généralisation inter-catégories d'objets sans ré-entraînement représente un argument concret pour les COO industriels cherchant à réduire les coûts d'intégration. Ce travail s'inscrit dans un courant actif autour du sim-to-real pour la manipulation de précision, où Stanford, MIT et CMU rivalisent avec des acteurs industriels comme Sanctuary AI, 1X Technologies et Physical Intelligence, dont le modèle pi-0 cible également la manipulation généraliste. NeuralTouch se distingue par son approche hybride vision-tactile conditionnée sur des descripteurs neuronaux, évitant la fragmentation habituelle entre les pipelines purement visuels et les politiques haptiques spécialisées. Reste à démontrer la robustesse du framework sur une gamme plus large de géométries et sur des plateformes robotiques commerciales, étapes qui conditionneront le passage d'une démonstration académique à un outil industriellement pertinent.

RecherchePaper
1 source
Simulateur différentiable neuronal adaptatif : modélisation des contacts rigides par transfert réel-vers-simulation
3arXiv 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
SurfSLAM : reconstruction stéréo sous-marine par transfert simulation-réel pour SLAM en temps réel
4arXiv cs.RO 

SurfSLAM : reconstruction stéréo sous-marine par transfert simulation-réel pour SLAM en temps réel

Des chercheurs présentent SurfSLAM, un système de localisation et cartographie simultanées (SLAM) sous-marin en temps réel, décrit dans un article arXiv (2601.10814, version 3, mise a jour d'un preprint existant). Le système s'appuie sur des cameras stéréo pour estimer la profondeur métrique, fusionnée avec des mesures IMU, barométriques et Doppler Velocity Log (DVL). Pour entrainer le réseau d'estimation de disparité stéréo, les auteurs utilisent un pipeline sim-to-real combinant données simulées et un finetuning auto-supervise sur données réelles, contournant l'absence de jeux de données stéréo sous-marins annotes. L'équipe a aussi collecte un dataset inédit de plus de 24 000 paires stéréo capturées par un robot sous-marin lors de relevés d'épaves de navires, avec modèles de photogrammétrie dense et trajectoires de référence pour l'évaluation. Cette avancée s'attaque a un verrou connu de la perception sous-marine: les réseaux stéréo entraines sur des images terrestres ne se transfèrent pas directement au milieu aquatique, ou l'atténuation lumineuse, les artefacts visuels, l'éclairage dynamique et le manque de texture des scènes dégradent fortement les performances. Pour les intégrateurs de robots sous-marins actifs dans l'inspection offshore, l'archéologie subaquatique ou la surveillance d'infrastructures, une odométrie visuelle stéréo fiable en temps réel constitue une brique critique la ou les capteurs acoustiques seuls restent couteux ou peu précis. En démontrant un gain mesurable sur des données réelles complexes, l'étude apporte une preuve empirique que l'approche sim-to-real, déjà éprouvée en robotique terrestre, peut se transposer au sous-marin sans exiger un volume massif de données réelles annotées. Le travail s'inscrit dans une lignée de recherches visant a combler le manque chronique de jeux de données stéréo sous-marins réels, frein historique au SLAM visuel en mer, longtemps domine par les approches acoustiques (sonar) ou par des méthodes monoculaires moins précises metriquement. Publie sur arXiv comme mise a jour d'un preprint antérieur, SurfSLAM reste a ce stade une contribution académique plutôt qu'un produit commercialise, et l'article ne précise ni institution porteuse ni partenariat industriel. Les auteurs positionnent leur dataset de relevés d'épaves comme benchmark réutilisable pour la communauté, ouvrant la voie a des comparaisons avec d'autres frameworks de SLAM sous-marin et a une adoption future par des opérateurs de robots d'inspection cherchant une alternative moins couteuse aux capteurs acoustiques.

RecherchePaper
1 source