Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Robot mou inspiré du poulpe : commande distribuée par réseau de neurones sur graphe avec attention et interaction environnementale
RecherchearXiv cs.RO 

Robot mou inspiré du poulpe : commande distribuée par réseau de neurones sur graphe avec attention et interaction environnementale

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

Des chercheurs proposent SoftGM, une architecture de contrôle distribué inspirée du bras de la pieuvre pour piloter des bras robotiques souples segmentés dans des environnements riches en contacts. Chaque section du bras est traitée comme un agent coopératif autonome, et l'interaction entre le bras et son environnement est modélisée sous forme de graphe. Le système repose sur un mécanisme de passage de messages à deux étages avec attention par graphe, suivant le paradigme CTDE (entraînement centralisé, exécution décentralisée) avec un critique centralisé et des acteurs décentralisés. Particularité notable : SoftGM découvre les obstacles en ligne, sans connaître leur géométrie complète au début de chaque épisode. L'équipe l'a testé dans un simulateur de tiges de Cosserat (PyElastica) sur trois scénarios de complexité croissante : espace libre, obstacles structurés, et un mur percé d'un trou. Comparé à six méthodes MARL de référence (IDDPG, IPPO, ISAC, MADDPG, MAPPO, MASAC) dans des conditions d'entraînement identiques, SoftGM égale les meilleures approches CTDE sur les tâches simples et les surpasse toutes sur le scénario du mur avec trou, le plus contraint des trois.

Pour la robotique souple, ce résultat cible un problème encore mal résolu : coordonner de nombreuses sections déformables sans supposer une connaissance parfaite de l'environnement, contrainte réaliste pour des applications en espace confiné ou en présence d'obstacles mobiles. Les tests de robustesse, ajout de bruit d'observation, panne d'actionnement sur une section, perturbations transitoires, montrent que SoftGM conserve des performances comparables tout en gardant l'effort de commande borné. L'hypothèse défendue est qu'un routage sélectif de l'information liée aux contacts améliore la résilience du système, un argument utile pour les architectures multi-agents appliquées à des structures continues.

Le travail s'inscrit dans la lignée des recherches bio-inspirées sur les bras de pieuvre, dont la distribution neuronale et la souplesse mécanique servent régulièrement de modèle pour la robotique souple, et dans le champ plus large du MARL appliqué au contrôle de systèmes continus. La validation reste pour l'instant entièrement simulée : aucun test sur bras physique n'est mentionné, ce qui laisse ouverte la question du transfert sim-to-real, point de vigilance classique pour ce type d'architecture d'apprentissage.

À lire aussi

Planification par réseau de neurones en graphe et contrôle prédictif pour la planification de mouvement multi-robots sans étiquettes sous contraintes de communication
1arXiv cs.RO 

Planification par réseau de neurones en graphe et contrôle prédictif pour la planification de mouvement multi-robots sans étiquettes sous contraintes de communication

Une équipe de chercheurs propose, dans un preprint déposé sur arXiv le 25 mai 2026 (arXiv:2605.19209), un framework hiérarchique pour résoudre le problème de planification de mouvement multi-robots sans étiquetage, c'est-à-dire l'assignation simultanée de robots à des objectifs et la génération de trajectoires sûres dans des environnements partagés. Le système combine deux composants : un Graph ATtention Planner (GATP), fondé sur des réseaux de neurones à graphes avec mécanisme d'attention, qui génère des sous-objectifs intermédiaires par coopération entre agents, et un contrôleur NMPC (Nonlinear Model Predictive Controller) décentralisé, exécuté en embarqué sur chaque robot, qui garantit la faisabilité des trajectoires sous dynamiques non-linéaires et contraintes d'actuation réelles. Le framework a été évalué à la fois en simulation et sur des quadrotors physiques. Les auteurs rapportent une tolérance aux délais de communication allant jusqu'à 200 ms, une inférence entièrement décentralisée à bord, et une meilleure généralisation à des équipes de taille croissante. Ce travail s'attaque directement au gouffre sim-to-real qui mine la plupart des approches GNN appliquées à la robotique multi-agents : les méthodes existantes supposent des dynamiques simplifiées et un environnement de simulation idéalisé, ce qui les rend fragiles en conditions réelles. En couplant un planificateur neuronal décentralisé à un contrôleur à modèle prédictif, le framework maintient les propriétés de scalabilité des GNN tout en imposant des garanties de sécurité physiques que les approches purement apprises ne fournissent pas. La robustesse aux délais de communication est particulièrement significative pour les déploiements en entrepôts ou en milieu industriel, où les réseaux sans fil ne sont jamais idéaux. Cette contribution s'inscrit dans un corpus actif de recherche sur les GNN pour la coordination multi-robots, aux côtés de travaux comme MAGAT ou DAN, qui visent à remplacer les solveurs centralisés classiques (MILP, CBS) par des approches distribuées passant à l'échelle. Le preprint n'est pas encore soumis à une revue avec comité de lecture, et aucun déploiement industriel ni partenariat n'est annoncé : il s'agit d'une validation expérimentale académique sur quadrotors, prometteuse mais à consolider. Les prochaines étapes naturelles seraient des expériences sur flottes plus larges et des robots à dynamiques plus complexes, comme des manipulateurs mobiles ou des AMR en environnement entrepôt.

RecherchePaper
1 source
Apprentissage de la dynamique de contact par le toucher : réseaux de neurones sur graphes conditionnés par l'action pour l'insertion de tiges robotique
2arXiv cs.RO 

Apprentissage de la dynamique de contact par le toucher : réseaux de neurones sur graphes conditionnés par l'action pour l'insertion de tiges robotique

Une équipe de recherche publie sur arXiv (2509.12151, version 3) un modèle physique apprenable capable de prédire le mouvement de l'effecteur terminal d'un robot ainsi que la force et le couple de réaction lors de manipulations à contact riche. L'architecture représente l'effecteur et l'environnement comme des maillages en interaction organisés en graphe, et conditionne explicitement ses prédictions sur la commande de contrôle appliquée : elle prédit directement la mise à jour de pose au niveau de l'objet, tandis que le couple de réaction émerge d'un champ de force calculé par sommet du maillage. L'entraînement est auto-supervisé, à partir des seules données des encodeurs articulaires et du capteur de force-couple, pendant que le robot touche aléatoirement son environnement sans consigne de tâche. En simulation, ce modèle se transfère à une tâche d'insertion de pièce (peg insertion) sur des géométries concaves inédites : un agent de commande prédictive (MPC) qui l'utilise atteint jusqu'à 98% de taux de réussite, et après un réglage fin sur des données auto-collectées, il égale un agent planifiant avec la dynamique de référence au jeu le plus serré testé, 1 mm. Dans le monde réel, ce modèle surpasse un modèle MuJoCo calibré par identification de système classique de 45% en précision de position, et de 74% et 63% respectivement en erreur de force et de couple. L'enjeu dépasse la démonstration académique : l'insertion de pièces à tolérances serrées reste un point de blocage classique pour l'assemblage robotique de précision, car les simulateurs physiques standards peinent à modéliser fidèlement le frottement et la déformation de contact, ce qui creuse l'écart simulation-réel et oblige les intégrateurs à des campagnes coûteuses de calibration manuelle. En montrant qu'un modèle appris à partir de simples contacts aléatoires, sans démonstration de tâche, généralise à des géométries jamais vues et rivalise avec une dynamique de référence à 1 mm de clearance, ce travail suggère une voie pour réduire la dépendance à l'identification de système traditionnelle et améliorer la robustesse hors simulation, un enjeu direct pour les intégrateurs travaillant sur l'assemblage électronique ou mécanique fin. Les résultats restent toutefois circonscrits à une tâche unique testée en conditions contrôlées, avec une comparaison réelle limitée à un seul modèle de référence, et non à un déploiement industriel à l'échelle. Cette approche s'inscrit dans un courant de recherche appliquant les réseaux de neurones sur graphes à la simulation physique à base de maillages, et l'étend ici à la dynamique de contact robot-environnement conditionnée par l'action. Elle se distingue des politiques de bout en bout de type vision-langage-action, qui apprennent un comportement directement à partir de démonstrations massives et spécifiques à la tâche, en misant plutôt sur un modèle dynamique générique et réutilisable appris de façon indépendante de la tâche. Le principal point de comparaison méthodologique reste l'identification de système classique utilisée dans des moteurs comme MuJoCo, que ce travail cherche explicitement à dépasser sur la fidélité des forces de contact. Le fait que le papier en soit à sa troisième version sur arXiv signale des itérations après relecture, sans partenariat industriel, pilote ou calendrier de déploiement mentionné à ce stade ; les suites attendues porteraient sur l'extension à d'autres tâches d'assemblage à tolérances serrées et une validation sur davantage de plateformes robotiques réelles.

RecherchePaper
1 source
SuReNav : navigation par graphe de superpixels avec relaxation de contraintes en environnements sur-contraints
3arXiv cs.RO 

SuReNav : navigation par graphe de superpixels avec relaxation de contraintes en environnements sur-contraints

Des chercheurs ont publié sur arXiv (identifiant 2602.06807) SuReNav, une méthode de navigation robotique conçue pour les environnements dits "sur-contraints", où aucun chemin ne permet d'éviter l'intégralité des obstacles. Le problème visé est concret : dans des espaces semi-statiques (couloirs partiellement encombrés, zones urbaines, campus), les planificateurs classiques échouent ou bloquent faute de solution "parfaite". SuReNav repose sur trois composantes : une carte en graphe de superpixels encodant des contraintes régionales hiérarchisées, un réseau de neurones sur graphe (GNN) entraîné sur des démonstrations humaines pour relâcher sélectivement ces contraintes, et un mécanisme d'entrelacement entre relaxation, planification et exécution en temps réel. La méthode a été évaluée sur des cartes sémantiques 2D et des environnements 3D issus d'OpenStreetMap, obtenant le meilleur score de "ressemblance humaine" parmi les baselines testées. Une démonstration en navigation urbaine réelle a été réalisée avec un quadrupède Spot de Boston Dynamics. L'apport principal est de dépasser les limites des planificateurs à coûts prédéfinis, peu transférables à des environnements inédits. En s'appuyant sur des démonstrations humaines, le GNN apprend à distinguer les zones passables "en dernier recours" des zones strictement interdites, une nuance que les heuristiques fixes peinent à capturer sans sur-estimation systématique. Pour les intégrateurs déployant des robots mobiles en milieux semi-statiques, l'enjeu est direct : le robot cesse de bloquer face à une impasse et produit une solution "best-effort" minimisant le risque traversé. La généralisation sans reconfiguration manuelle des coûts est particulièrement pertinente pour des déploiements à grande échelle. Il convient toutefois de noter que les métriques de "human-likeness" restent auto-définies par les auteurs, et que les vidéos disponibles ne couvrent qu'un sous-ensemble de scénarios. SuReNav s'inscrit dans la tendance à l'apprentissage par imitation pour la navigation mobile, un axe activement exploré par des équipes comme ETH Zurich, CMU Robotics Institute ou dans le cadre de projets EU sur la robotique en espace public. La méthode se distingue des approches VLA (Vision-Language-Action) pures par son ancrage dans une représentation spatiale structurée plutôt que dans un modèle de langage génératif, ce qui la rend plus interprétable et plus légère computationnellement. Les principaux concurrents sur ce créneau incluent des planificateurs à champ de potentiel augmentés et des méthodes de navigation par apprentissage par renforcement. Aucun déploiement commercial n'est annoncé : il s'agit d'un résultat de recherche avec validation expérimentale sur Spot, dont le code est publié sur sure-nav.github.io, ouvrant la voie à des reproductions et pilotes industriels.

UELa méthode est directement pertinente pour les projets européens déployant des robots mobiles en espaces publics semi-statiques (couloirs, campus, zones urbaines), un axe exploré par ETH Zurich et plusieurs consortiums EU, et le code ouvert facilite des pilotes industriels sur le Vieux Continent.

RecherchePaper
1 source
KING : réseau neuronal de graphe cinématique tenant compte de l'incarnation pour une représentation unifiée du mouvement des robots à pattes et à roues
4arXiv cs.RO 

KING : réseau neuronal de graphe cinématique tenant compte de l'incarnation pour une représentation unifiée du mouvement des robots à pattes et à roues

Des chercheurs de l'AIST (National Institute of Advanced Industrial Science and Technology, Japon) publient KING, un modèle cinématique basé sur un réseau de neurones à graphes (GNN) capable d'estimer l'odométrie de robots à roues comme à pattes avec un seul et même réseau. Le système, décrit dans un preprint arXiv publié début août 2026, représente l'embodiment du robot (nombre d'articulations, points de contact au sol, roues ou pieds) sous forme de graphe commun, unifiant ainsi des cinématiques jusqu'ici traitées séparément. KING s'appuie uniquement sur une description du robot au format URDF et sur la proprioception embarquée (encodeurs et IMU), sans capteurs extéroceptifs. Entraîné sur des jeux de données couvrant plusieurs types de robots, il peut ensuite s'adapter à un nouvel embodiment via un apprentissage few-shot ne nécessitant qu'une minute de données, plutôt qu'un réentraînement complet. Les auteurs mettent en avant une précision d'odométrie supérieure aux méthodes cinématiques classiques dans des environnements réels. L'enjeu dépasse la seule performance technique. L'odométrie par capteurs extéroceptifs (caméras, lidars) se dégrade dans les environnements sans repères visuels, et l'intégration IMU seule dérive rapidement ; les modèles cinématiques restent donc une brique essentielle de la localisation robotique. Jusqu'ici, chaque nouvel embodiment imposait de réentraîner un modèle dédié, un frein concret pour les intégrateurs opérant des flottes hétérogènes mêlant AMR à roues et robots à pattes. Un modèle généraliste adaptable en quelques minutes de données réduirait significativement ce coût d'ingénierie, un argument qui parlera aux fabricants de robots quadrupèdes ou humanoïdes cherchant à mutualiser leur stack logicielle avec des plateformes à roues. Le travail s'inscrit dans une tendance plus large de représentations unifiées pour la robotique, portée notamment par les modèles vision-langage-action (VLA) qui cherchent eux aussi à généraliser au-delà d'un seul robot. KING reste à ce stade une publication de recherche, sans déploiement industriel annoncé ; une page projet est disponible en ligne, mais aucun partenaire matériel ni calendrier de commercialisation n'est mentionné.

RecherchePaper
1 source