Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
IA physiqueInteresting Engineering 

Ce robot muni d'une pince gonflée de café peut saisir des objets fragiles sans capteurs complexes

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE
Ce robot muni d'une pince gonflée de café peut saisir des objets fragiles sans capteurs complexes
▶ Voir sur YouTube

Un préhenseur robotique fait d'un ballon de baudruche rempli de café moulu illustre une approche low-cost pour manipuler des objets de formes variées sans caméra ni capteur sophistiqué. Le principe, documenté depuis 2010 par des chercheurs de Cornell, de l'université de Chicago et d'iRobot, repose sur le jamming granulaire : la membrane souple, une fois pressée contre un objet, voit son air aspiré par une pompe à vide, ce qui fait passer le café moulu d'un état fluide et meuble à une masse rigide qui épouse la forme de l'objet. Cette contraction de volume, inférieure à 0,5 %, suffit à verrouiller le grain et à générer une prise ferme, maintenue tant que l'air ne revient pas dans le sac. Le dispositif a démontré sa capacité à soulever des charges plusieurs fois supérieures à son propre poids et à saisir des objets aussi disparates que des ciseaux, des ampoules, des œufs crus, des rouleaux de ruban adhésif, des blocs de bois, des ressorts, des bouchons d'oreille en mousse ou des amortisseurs, sans programmation spécifique à chaque forme.

L'intérêt pour l'industrie tient à la simplicité du système : sans caméra ni capteur de force, les coûts et la complexité logicielle chutent fortement, tout en gardant une fiabilité correcte. Parce que la force de préhension se répartit sur une large surface de contact plutôt que sur des doigts rigides, les objets fragiles risquent moins d'être endommagés, un atout net face aux pinces mécaniques classiques. Des versions industrielles existent déjà sur des lignes de convoyage où les produits varient beaucoup en forme et en taille, un cas d'usage typique en logistique et en e-commerce où le préhenseur universel reste un problème ouvert. Cette approche ne prétend pas remplacer les pinces de précision pour la production de masse homogène, mais elle offre une alternative crédible pour la manutention de flux hétérogènes à moindre coût, un segment où le rapport prix-polyvalence prime sur la performance brute.

Le concept de préhenseur à jamming granulaire remonte à des travaux académiques de 2010 associant Cornell, l'université de Chicago et iRobot, et continue depuis à susciter de l'intérêt pour sa robustesse. Le choix du café moulu n'est pas anodin : sa forme irrégulière et la variabilité de la taille de ses grains permettent un verrouillage plus efficace que des billes de verre, qui jament moins bien, ou que le sable, qui produit un effet comparable mais alourdit inutilement le système. Les limites demeurent sur les objets très lisses ou plats, plus difficiles à saisir par ce principe. Les chercheurs explorent désormais de nouveaux matériaux souples et des designs à sacs multiples, en vue de préhenseurs plus grands et plus capables pour des applications industrielles et de service futures.

À lire aussi

Nouvelle main robotique soulève 25 kilos tout en manipulant des objets fragiles avec une dextérité proche de l'humain
1Interesting Engineering 

Nouvelle main robotique soulève 25 kilos tout en manipulant des objets fragiles avec une dextérité proche de l'humain

Voici l'article traduit et synthétisé : La startup suisse Mimic Robotics a dévoilé la Mimic Hand M1, une main robotique dexterous destinée à l'automatisation industrielle. Conçue et fabriquée en Suisse, elle repose sur une architecture à câbles tendineux (tendon-driven) inspirée de l'anatomie humaine : les actionneurs sont logés dans l'avant-bras plutôt que dans la paume ou les doigts, et entraînent les phalanges via des tendons passant sur des roulements et poulies plutôt que dans des gaines de guidage sujettes au frottement. La main compte 15 degrés de liberté actifs répartis sur 21 articulations, avec abduction des doigts et pouce opposable. Pour un poids d'environ 1,8 kg, elle peut maintenir une prise cylindrique stable sur des charges dépassant 25 kg, tout en détectant, selon Mimic Robotics, des forces aussi faibles que 0,1 newton (soit l'équivalent d'un objet d'environ 50 grammes) via le seul courant moteur. Des capteurs tactiles aux extrémités des doigts mesurent en complément la force normale, la force de cisaillement tangentielle et la localisation précise du contact. Ces chiffres proviennent des communications de l'entreprise et n'ont pas fait l'objet de validation indépendante à ce stade. Cette annonce s'inscrit dans un débat plus large sur la meilleure architecture de préhension pour les robots humanoïdes et l'automatisation industrielle. Plutôt que les pinces à deux doigts classiques, largement répandues mais limitées en polyvalence, Mimic mise sur une main à morphologie humaine pour faciliter le transfert de compétences apprises par démonstration humaine vers un système robotique, un enjeu central pour l'IA physique (Physical AI). L'entreprise présente la M1 non comme un simple effecteur terminal mais comme une plateforme sensorielle conçue pour rester identique entre la phase de collecte de données, l'entraînement des modèles d'IA et le déploiement final, dans le but de réduire ce qu'elle appelle le « fossé d'incarnation » (cross-embodiment gap), soit la perte de performance quand un modèle entraîné sur des mouvements humains doit s'adapter à une pince mécaniquement différente. Si cette approche tient ses promesses en conditions réelles d'usine, elle pourrait peser dans l'arbitrage entre pinces spécialisées et mains anthropomorphes pour les intégrateurs industriels. La M1 s'inscrit dans une plateforme robotique plus large développée par Mimic, incluant un gant portable destiné à la collecte de données de démonstration humaine, utilisé pour entraîner les modèles avant déploiement sur la main robotique. L'annonce intervient peu après que la firme norvégienne 1X a présenté ses propres mains à câbles tendineux à 25 degrés de liberté pour son robot NEO, avec des objectifs similaires de précision, de robustesse et de sécurité. La course à la main robotique dexterous s'accélère ainsi chez plusieurs acteurs du secteur humanoïde, chacun cherchant à résoudre le même problème : donner aux robots une préhension suffisamment fine et polyvalente pour remplacer, à terme, la main humaine sur les lignes de production.

UEDeveloppee par une startup suisse, cette main robotique pourrait influencer les choix technologiques des integrateurs robotiques industriels europeens, sans impact direct sur une entreprise ou une reglementation francaise a ce stade.

IA physiqueActu
1 source
Vidéo : un nouveau modèle d'IA permet aux robots humanoïdes de réussir 90 % des missions complexes
2Interesting Engineering 

Vidéo : un nouveau modèle d'IA permet aux robots humanoïdes de réussir 90 % des missions complexes

Flexion Robotics a dévoilé Reflect v1.0, une plateforme d'intelligence robotique destinée aux humanoïdes, capable d'exécuter des missions longues et multi-étapes sans intervention humaine pendant l'exécution. Pour illustrer les capacités du système, la société a présenté une démonstration en environnement de bureau : un robot humanoïde reçoit une instruction en langage naturel, récupère un colis de snacks livré au bâtiment, emprunte escaliers et ascenseur, déballe le carton à l'aide d'outils, puis range les articles dans un tiroir désigné. Selon Flexion, l'intégration du reinforcement learning sur plusieurs couches du système a fait passer le taux de complétion end-to-end d'une mission interne à 16 étapes de 38 % à 90 %, contre un modèle supervisé seul. La plateforme gère des charges comprises entre 100 grammes et 3,5 kilogrammes, et le robot est capable de repositionner un colis via des mouvements coordonnés du corps entier, d'opérer un ascenseur, de traverser des escaliers répétés et de contourner des obstacles dynamiques tout en portant des objets. Ce résultat est significatif parce qu'il s'attaque directement au problème de l'autonomie longue durée, considéré comme l'un des verrous majeurs de la robotique humanoïde commerciale. Dans une séquence de tâches, l'accumulation d'erreurs de navigation, de manipulation ou de perception finit statistiquement par faire échouer le système : c'est le "long-horizon failure mode" que les industriels connaissent bien. Reflect v1.0 le traite via un modèle vision-langage (VLM) personnalisé qui fait office de contrôleur de mission, surveille en continu l'avancement, raisonne sur l'environnement et re-planifie à la demande. La couche de mouvement combine des vision-language-action models (VLA) entraînés sur données réelles et des primitives issues du reinforcement learning, tandis qu'un contrôleur corps-entier temps réel assure équilibre et précision des gestes. Pour un COO industriel ou un intégrateur, le signal concret est le suivant : on passe de 38 % à 90 % de succès sur une mission à 16 étapes grâce au RL seul, ce qui suggère que le sim-to-real gap et la fiabilité multi-tâche sont partiellement solubles sans refonte matérielle. Flexion Robotics est une startup relativement récente dans l'écosystème humanoïde, qui se positionne comme fournisseur de couche logicielle agnostique au hardware, à l'image de ce que Apptronik ou 1X cherchent à faire sur leurs propres plateformes. L'article mentionne également ShengShu Technology et son modèle Motubrain, un "cerveau général" combinant perception, raisonnement et action, qui vise le même marché. La concurrence directe inclut Figure (Helix), Physical Intelligence (pi0), Boston Dynamics (Atlas Gen 2) et Tesla (Optimus Gen 3), tous engagés dans une course à l'autonomie longue horizon. Flexion reconnaît que Reflect v1.0 reste limité à des environnements définis, ce qui tempère le chiffre de 90 % : il s'agit d'une évaluation interne sur mission contrôlée, pas d'un déploiement industriel validé en conditions réelles. Les prochaines étapes annoncées concernent l'extension à des environnements moins structurés et la capacité à recevoir des instructions modifiées en cours de mission, deux marqueurs qui, s'ils sont confirmés en production, rapprocheraient Reflect d'une utilisabilité opérationnelle sérieuse.

IA physiqueOpinion
1 source
Apprendre à agir par le contact : une vision unifiée de l'apprentissage multi-tâches pour les robots
3arXiv cs.RO 

Apprendre à agir par le contact : une vision unifiée de l'apprentissage multi-tâches pour les robots

Des chercheurs ont publié sur arXiv (2510.03599v2) un cadre unifié d'apprentissage de politiques pour la locomotion et la manipulation robotique multi-tâches, fondé sur une représentation dite "contact-explicite". Le principe central consiste à définir chaque tâche non pas par des trajectoires articulaires spécifiques, mais par une séquence d'objectifs de contact: positions de contact souhaitées, timings, et effecteurs actifs. Une politique unique, entraînée par apprentissage par renforcement (RL) conditionné aux objectifs, prend ces plans de contact en entrée et les exécute. Le framework a été validé sur plusieurs morphologies robotiques: un quadrupède exécutant différentes allures (trot, galop, etc.), un humanoïde réalisant des locomotions bipèdes et quadrupèdes, et ce même humanoïde effectuant des tâches de manipulation bimanuelles d'objets. Dans les trois cas, une seule politique gère l'ensemble des comportements. L'intérêt industriel est direct: l'approche contact-explicite améliore significativement la généralisation à des scénarios non vus pendant l'entraînement, ce qui s'attaque frontalement au "sim-to-real gap" qui pénalise la plupart des politiques entraînées en simulation. Pour un intégrateur ou un OEM robotique, cela signifie moins de politiques spécialisées à maintenir, moins de re-training à chaque variante de tâche, et une architecture potentiellement plus robuste aux variations de terrain ou d'objet. Le fait qu'une seule politique puisse couvrir à la fois locomotion et manipulation (loco-manipulation) dans un cadre commun réduit également la complexité d'orchestration en production. Les résultats présentés semblent solides en simulation, mais les auteurs n'annoncent pas de déploiement physique à l'échelle, ce qui invite à distinguer démonstration de recherche et produit shipé. Les approches classiques traitent locomotion et manipulation comme deux sous-problèmes séparés, avec des planificateurs et des politiques dédiées. L'espace des politiques générales est aujourd'hui dominé par des VLA (Vision-Language-Action models) comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, qui s'appuient sur de larges datasets visuels et du transfert de fondation. La contribution ici prend le parti inverse: une représentation géométrique structurée des contacts, plus frugale en données mais plus contrainte en hypothèses. Dans le domaine de la locomotion quadrupède unifiée, les groupes de l'ETH Zurich (ANYmal), de CMU et de Berkeley restent les références. La suite logique de ces travaux serait d'interfacer la planification de contacts avec un module de compréhension du langage naturel, pour permettre des instructions de haut niveau, une direction déjà explorée par plusieurs laboratoires académiques et startups de la robotique incarnée.

IA physiquePaper
1 source
OFlow : flux temporel centré sur les objets pour une manipulation robotique robuste
4arXiv cs.RO 

OFlow : flux temporel centré sur les objets pour une manipulation robotique robuste

Des chercheurs ont publié le 24 avril 2026 OFlow, un framework destiné à améliorer la robustesse des modèles Vision-Language-Action (VLA) dans les tâches de manipulation robotique. L'approche, présentée dans un preprint arXiv (2604.17876), repose sur deux mécanismes combinés : un module de prédiction temporelle par flow matching, qui anticipe l'évolution de la scène avant d'agir, et une représentation centrée sur les objets pertinents pour la tâche, qui filtre les variations visuelles sans intérêt. Ces deux composants partagent un même espace latent sémantique, à partir duquel la génération des actions continues est conditionnée. Les évaluations couvrent quatre environnements de référence, LIBERO, LIBERO-Plus, MetaWorld et SimplerEnv, ainsi que des expériences en conditions réelles, et montrent des gains de robustesse et de taux de succès par rapport aux baselines VLA standards. Le verrou que tente de lever OFlow est bien identifié dans la communauté : les VLAs actuels raisonnent image par image, sans modèle explicite de ce qui va se passer ni de quels objets comptent vraiment. En séparant les cues visuels liés à la tâche des variations de fond (éclairage, texture, pose de la caméra), OFlow produit des représentations plus stables sous distribution shift, c'est-à-dire lorsque les conditions réelles diffèrent du training data. Pour les intégrateurs et les équipes de déploiement industriel, c'est un point critique : la fragilité des VLAs face aux écarts de conditions est l'un des principaux obstacles à leur passage en production. Les résultats sur SimplerEnv et les tâches réelles sont particulièrement scrutés, car ce benchmark est conçu pour tester explicitement ce gap sim-to-real. OFlow s'inscrit dans une vague de travaux cherchant à doter les VLAs d'une forme de planification implicite, après des modèles comme pi0 (Physical Intelligence) ou GR00T N2 (NVIDIA) qui misent sur des architectures diffusion ou flux pour la génération d'actions. L'originalité revendiquée ici est l'unification dans un espace latent commun, plutôt que d'ajouter des modules séparés. Il s'agit pour l'instant d'un preprint non relu par des pairs, et les benchmarks utilisés, LIBERO notamment, sont bien maîtrisés par la communauté mais n'impliquent pas de robots déployés en production. Les prochaines étapes naturelles seront la validation sur des plateformes hardware variées et une comparaison directe avec les approches concurrentes sur des scénarios industriels réels.

IA physiqueOpinion
1 source