RecherchearXiv cs.RO 3 août 2026

Transfert de modèle antagoniste par muscle pneumatique artificiel : des EDO neuronales intégrant la physique

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent un nouveau cadre hybride combinant physique et apprentissage profond pour modéliser et contrôler les muscles pneumatiques artificiels antagonistes, selon un article publié sur arXiv (2602.23670v2). Ces actionneurs pneumatiques, montés en paires antagonistes, permettent de faire varier l'impédance mécanique par co-contraction, un principe utile pour les robots souples, portables et assistifs, mais leur comportement couplé, non linéaire et hystérétique reste difficile à modéliser précisément. La méthode proposée, un Neural ODE (équation différentielle ordinaire neuronale) intégrant une structure physique, combine une mécanique articulaire paramétrique et une dynamique d'état pneumatique avec un réseau de neurones qui capture spécifiquement le couplage antagoniste et l'hystérésis dépendante de la vitesse. Entraîné sur seulement 29 conditions de co-contraction sélectionnées, le modèle prédictif a été testé sur 196 conditions inédites, atteignant un coefficient de détermination R² moyen de 0,88 pour prédire le mouvement articulaire et les pressions dans les chambres. Une formulation inverse, dérivée de ce modèle appris, calcule hors ligne des commandes de pression pour atteindre des profils de mouvement et de raideur souhaités, ensuite suivis en boucle fermée.

L'enjeu dépasse la simple prouesse de modélisation : un contrôle fiable de la raideur articulaire, validé ici sur une plage de 126 à 176 N/mm avec un comportement d'impédance stable à différentes vitesses, est une condition clé pour des applications comme les exosquelettes, les prothèses actives ou les robots collaboratifs à interaction physique humaine. Le point de comparaison est significatif : un modèle statique classique, lui, voit sa cohérence de raideur se dégrader nettement à vitesse élevée, ce qui illustre les limites des approches purement physiques face à des systèmes pneumatiques intrinsèquement dynamiques et hystérétiques.

Cette approche s'inscrit dans une tension de longue date en robotique souple entre modèles physiques interprétables mais rigides, et modèles purement data-driven performants mais peu généralisables. En injectant une structure physique connue dans l'architecture du Neural ODE plutôt que de tout apprendre depuis zéro, les auteurs cherchent un compromis entre précision et parcimonie des données d'entraînement, un enjeu central pour tout déploiement futur en conditions réelles où la collecte de données reste coûteuse.

Dans nos dossiers

Exosquelettes arXiv cs.RO

À lire aussi

1arXiv cs.RO

Modèles physiques pour le transfert simulation-réel au tennis de table robotique de niveau professionnel

Des chercheurs ont soumis sur arXiv (arXiv:2606.28805, juin 2026) un ensemble de modèles physiques haute-fidélité destinés à améliorer le sim-to-real transfer en robotique, appliqués au tennis de table de niveau professionnel. À des vitesses et effets compétitifs, une balle de ping-pong suit des trajectoires complexes et contre-intuitives que le robot doit anticiper en une fraction de seconde. Les modèles proposés couvrent trois domaines : la dynamique aérodynamique du vol de balle, avec les coefficients de traînée et de force de Magnus modélisés en fonction du nombre de Reynolds et du rapport de rotation ; le contact balle-table, intégrant les effets de déformation (buckling) de la balle sur le coefficient de restitution ainsi que des termes résiduels ; et le contact balle-raquette, via un réseau de neurones résiduel combiné à des coefficients de restitution normale et tangentielle et un amortissement torsionnel. Ces modèles ont servi à entraîner des politiques par apprentissage par renforcement (RL), aboutissant à ce que les auteurs décrivent comme le premier agent robotique capable d'affronter des joueurs professionnels en conditions réelles. L'intérêt technique dépasse le cadre sportif. La nature adversariale du tennis de table impose une contrainte rarement aussi explicite ailleurs : toute zone où la simulation diverge de la réalité devient exploitable par l'adversaire, forçant une précision de modélisation sans concession. Les travaux antérieurs en robotique ping-pong se cantonnaient à des plages étroites de vitesses et d'effets, insuffisantes pour reproduire les comportements balistiques du jeu professionnel. Que ce pipeline simulation-vers-réalité soit suffisamment fidèle pour approcher ce niveau valide l'approche pour des tâches de manipulation rapide en milieu industriel, où les essais réels restent coûteux ou dangereux, et renforce l'hypothèse que le sim-to-real gap est soluble par la précision physique plutôt que par l'accumulation de données réelles. Ce travail s'inscrit dans la continuité directe des recherches publiées par Google DeepMind en 2024, qui avaient démontré qu'un robot pouvait battre des joueurs amateurs confirmés en conditions réelles. Ce nouveau papier documente les fondations physiques qui rendent possible le saut qualitatif vers le niveau professionnel. Plusieurs équipes concurrentes utilisent le ping-pong comme benchmark de robotique agile, mais peu ont publié des modèles de contact aussi détaillés pour les phases raquette-balle et balle-table. La revendication de compétitivité face à des professionnels reste à confirmer par des évaluations indépendantes, le papier étant une prépublication non encore évaluée par les pairs. Les suites logiques incluent la généralisation de ces modèles de contact résiduels à d'autres objets déformables et leur transposition à des tâches industrielles de manipulation précise à haute cadence.

RecherchePaper

1 source

2arXiv cs.RO

Prédire la conformité de préhension des mains robotiques via des réseaux de neurones informés par modèle analytique

La recherche, publiée sur arXiv sous la référence 2607.17541v1, s'attaque à un problème précis de la manipulation robotique : la plupart des études traitent la prise d'un objet comme un problème binaire, réussite ou échec, jugé simplement par le fait que l'objet reste dans la main. Cette approche devient insuffisante dès qu'il s'agit d'usage forcé d'un outil, où la compliance de la prise, c'est-à-dire sa capacité à se déformer sous charge, devient déterminante pour prédire le comportement conjoint de la main et de l'outil. Les auteurs introduisent l'AMINN (Analytical Model Informed Neural Network), un modèle hybride qui combine une couche de mécanique analytique avec un réseau de neurones entraîné sur données, afin d'estimer la stabilité de la prise et le déplacement de l'outil dans la main sous charge externe. Le modèle a été évalué sur une main robotique sous-actionnée à trois doigts et montre une bonne capacité prédictive, avec des sorties mécaniquement cohérentes sur des conditions de charge variées. L'enjeu dépasse la simple précision prédictive. Les mains sous-actionnées, appréciées pour leur faible coût et leur capacité d'adaptation passive à la forme des objets, sont notoirement difficiles à modéliser car leur comportement de compliance dépend d'une combinaison non linéaire de cinématique couplée, de mécanique passive et de conditions de contact. Pour les intégrateurs et concepteurs de systèmes robotiques destinés à un usage forcé d'outils, un tel modèle physiquement interprétable ouvre la voie à des systèmes plus fiables et plus sûrs, notamment dans les contextes critiques où une défaillance de prise sous charge peut avoir des conséquences directes. Comparé à un modèle boîte noire de type perceptron multicouche pris comme référence, l'AMINN affiche une meilleure cohérence physique fondée sur l'énergie, ce qui distingue clairement son approche des méthodes purement data-driven aujourd'hui dominantes dans l'apprentissage pour la manipulation. Ce travail s'inscrit dans une tendance de fond en robotique : réintroduire des contraintes physiques explicites dans des architectures d'apprentissage profond pour gagner en interprétabilité et en robustesse, plutôt que de s'en remettre uniquement à des réseaux entraînés de bout en bout. Les auteurs présentent leur cadre comme une base pour des travaux futurs sur l'usage autonome et fiable d'outils par des mains robotiques compliantes.

RecherchePaper

1 source

3arXiv cs.RO

Combien d'échantillons d'entraînement sont nécessaires pour résoudre la cinématique inverse par réseaux de neurones artificiels

Une étude publiée sur arXiv (réf. 2605.23583) apporte une réponse chiffrée à une question pratique restée sans consensus dans la communauté robotique : combien de données d'entraînement sont nécessaires pour qu'un réseau de neurones artificiels (ANN) résolve correctement la cinématique inverse (IK) d'un bras manipulateur ? Les chercheurs ont généré des jeux de paires position-articulation de tailles croissantes pour entraîner des réseaux feedforward sur un manipulateur articulé, puis ont évalué la précision, la convergence et la capacité de généralisation des modèles obtenus. Résultat principal : au-delà de 125 échantillons d'entraînement, l'ajout de données supplémentaires n'améliore plus significativement l'efficacité du modèle ni la précision d'approximation de l'effecteur terminal. Ce seuil de 125 paires joint-position est une donnée concrète pour les intégrateurs robotiques et les équipes embarquées : il signifie qu'une couverture d'entraînement minimale suffit pour obtenir un solveur IK neuronal opérationnel, sans nécessiter de campagnes de collecte longues ou coûteuses. Cela contredit l'hypothèse implicite selon laquelle les approches par apprentissage exigent systématiquement des volumes de données importants pour rivaliser avec les méthodes analytiques classiques. Pour des systèmes à ressources contraintes, des robots collaboratifs ou des déploiements edge, cette efficacité de données ouvre la voie à une mise en oeuvre plus rapide et moins coûteuse des solveurs IK appris. La cinématique inverse est l'un des problèmes fondamentaux de la commande de bras robotiques : calculer les angles articulaires qui placent l'effecteur à une position cible donnée. Les méthodes traditionnelles, géométriques, algébriques ou basées sur le jacobien, présentent des limites connues face aux configurations singulières ou aux manipulateurs redondants. Les ANN ont émergé comme alternative depuis une dizaine d'années, portés par des travaux issus de laboratoires académiques et de groupes comme OpenAI Robotics ou des équipes universitaires spécialisées en apprentissage robotique. Cette étude comble un manque pratique dans la littérature : elle fournit un cadre mathématique liant taille du dataset et précision du modèle, et constitue un guide dimensionnel directement exploitable pour optimiser le compromis coût de calcul / qualité de prédiction dans des applications industrielles réelles.

RecherchePaper

1 source

4arXiv cs.RO

Transfert simulation-réel efficace de modèles monde-action à partir de données synthétiques

Le fossé sim-to-real reste un défi central pour déployer des politiques de manipulation apprises, car il permet en théorie de remplacer des démonstrations réelles coûteuses par des données synthétiques bon marché à grande échelle. Publiée le 30 juin 2026 (arXiv:2606.31101), une étude teste si un "world-action model", un modèle combinant prédiction visuelle et contrôle moteur, peut être entraîné uniquement en simulation puis déployé sans aucune démonstration réelle. L'équipe part de Cosmos Policy, un modèle de diffusion vidéo adapté au contrôle visuomoteur, et construit des environnements simulés avec une randomisation poussée des domaines. Les démonstrations d'entraînement, environ 800 par tâche, sont générées automatiquement via le pipeline de planification de mouvement AnyTask, sans donnée réelle. Trois tâches sont testées: soulever un objet, ouvrir un tiroir, et effectuer un pick-and-place. Déployé en zero-shot sur un bras robotique Franka, le modèle atteint un taux de réussite moyen de 35%. Ce résultat, même modeste, répond à une question ouverte du secteur: les world-action models peuvent-ils transférer du simulateur au monde réel sans coûteuses démonstrations humaines? Jusqu'ici, aucun travail n'avait démontré ce transfert pour la manipulation robotique. Un taux de 35% reste loin des standards attendus pour un déploiement industriel, souvent supérieurs à 80%, et confirme que le fossé sim-to-real demeure un obstacle réel, non résolu par la seule échelle des données synthétiques. Pour les intégrateurs et décideurs B2B, le signal est clair: remplacer la téléopération humaine par de la donnée simulée reste au stade de preuve de concept, pas de solution prête à l'emploi. Le travail s'inscrit dans la lignée des modèles de fondation robotiques récents comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure, qui cherchent tous à réduire la dépendance aux démonstrations réelles. Cosmos Policy dérive des travaux de NVIDIA sur les modèles de monde Cosmos. La méthode AnyTask pour générer automatiquement des trajectoires en simulation illustre une tendance plus large: automatiser la création de données d'entraînement plutôt que multiplier les téléopérations en laboratoire, approche également explorée par Physical Intelligence ou Skild AI. Les auteurs présentent ce résultat comme une première preuve de faisabilité, sans calendrier de commercialisation ni partenariat industriel annoncé.

RecherchePaper

1 source