Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Stiffness Copilot : une politique d'impédance pour la téléopération à contacts riches
RecherchearXiv cs.RO 

Stiffness Copilot : une politique d'impédance pour la téléopération à contacts riches

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

Des chercheurs présentent Stiffness Copilot, une politique de contrôle partagé pour la téléopération de tâches à contact riche : l'opérateur commande la pose du robot, un module logiciel ajuste en continu sa raideur (impédance). L'entraînement combine deux étapes : en simulation, calcul de matrices de raideur directionnelle optimales à partir d'informations de contact privilégiées, inaccessibles en conditions réelles ; puis supervision d'une politique vision légère qui prédit la raideur à partir des seules images de la caméra poignet, avec un transfert zero-shot vers des images réelles au moment de l'exécution. Lors d'une étude avec sujets humains, le système a égalé la sécurité d'une raideur constante basse tout en matchant l'efficacité d'une raideur constante élevée. Le papier (arXiv 2603.14068v2) ne détaille ni plateforme robotique ni chiffres bruts de temps ou de taux de réussite.

En téléopération de tâches à contact riche - assemblage, insertion, manipulation d'objets fragiles - le réglage de la raideur reste un compromis classique : trop rigide, le bras risque d'endommager l'environnement en cas de désalignement ; trop souple, il perd en réactivité et en capacité à exercer une force utile. Ce réglage est aujourd'hui généralement fixé manuellement par l'opérateur ou l'intégrateur. L'automatiser en le déduisant visuellement, en temps réel et sans capteur de force dédié, réduirait la charge cognitive de l'opérateur et simplifierait le déploiement industriel de la téléopération comme solution transitoire avant l'autonomie complète - un enjeu direct pour les intégrateurs qui peinent encore à faire fonctionner les politiques VLA de façon fiable sur des tâches en contact.

Le contrôle d'impédance existe depuis des décennies en robotique, mais son réglage reste largement manuel ou dépendant de capteurs de force dédiés, coûteux et fragiles hors laboratoire. Le contrôle partagé s'est développé en réponse aux limites du contrôle direct pur sur les tâches délicates et à la difficulté persistante de l'autonomie complète en contact riche. En s'appuyant uniquement sur une caméra poignet et un entraînement en simulation avec information privilégiée, Stiffness Copilot s'inscrit dans cette lignée de travaux cherchant à réduire la dépendance aux capteurs spécialisés. Marqué "replace" sur arXiv, ce document correspond à une version révisée (v2) d'une contribution académique ; le résumé ne mentionne aucune suite industrielle annoncée.

Dans nos dossiers

arXiv cs.RO

À lire aussi

MDIR : une méthode de retargeting d'impédance sur variété de tâche pour la téléopération à contact riche
1arXiv cs.RO 

MDIR : une méthode de retargeting d'impédance sur variété de tâche pour la téléopération à contact riche

Des chercheurs présentent MDIR (Manifold-Decomposed Impedance Retargeting), une méthode pour corriger un problème concret de la téléopération robotique riche en contacts: l'impédance cartésienne fixe utilisée pour collecter des démonstrations facilite la tâche mais génère des pics de force et une variabilité difficiles à contrôler. À partir d'une seule démonstration enregistrée sous forme d'une séquence de commandes {K0, D0, xcmd}, MDIR reparamètre de façon déterministe ce contrôleur en une commande d'impédance variable par canal de tâche. La méthode décompose la réponse source en canaux de travail opérationnel, d'exertion et de support, complétés par un résidu passif sous une métrique de chaîne de contrôle, calcule une base de référence C2M (Cartesian-to-Manifold Retargeting), puis applique une optimisation sous contrainte de variété (MPO) pour choisir un représentant réduisant les pics de force au poignet, l'impulsion, la variabilité de force et la puissance nominale du contrôleur. Testée sur un bras Franka Panda pour trois tâches (essuyage planaire, prise-dépose, poussée), la version complète de MDIR réussit les 15 exécutions en boucle fermée du test de validation et réduit les quatre métriques d'agressivité par rapport aux démonstrations à impédance fixe. Le résultat cible un point de friction connu de l'apprentissage par imitation en robotique: les démonstrations téléopérées à impédance fixe, faciles à collecter, transfèrent aussi des comportements de contact bruts qui dégradent la qualité des politiques entraînées derrière, notamment pour les architectures vision-langage-action sur des tâches de contact fin. En automatisant le passage d'une commande fixe à une commande variable par canal, sans nouvelle démonstration ni réglage manuel des gains, MDIR s'attaque à un goulot d'étranglement pratique pour les équipes qui constituent des jeux de données de téléopération à grande échelle, où l'ajustement manuel de l'impédance reste coûteux et peu reproductible d'une tâche à l'autre. Ce travail prolonge les recherches sur le contrôle d'impédance variable pour la manipulation en contact, un axe actif en robotique collaborative mais rarement combiné à une téléopération à démonstration unique. Le choix du Franka Panda, plateforme conçue par l'allemand Franka Robotics (ex-Franka Emika), acteur européen de référence des bras collaboratifs en laboratoire, confirme l'ancrage académique de l'étude, publiée sur arXiv sans mention de déploiement industriel. La validation reste limitée à trois tâches planaires sur un seul bras, une étape avant une éventuelle généralisation à d'autres manipulateurs et gestes.

UEImpact indirect: le bras Franka Panda utilisé pour la validation est fabriqué par l'allemand Franka Robotics, mais l'étude reste purement académique, sans déploiement industriel en France ou en UE.

RecherchePaper
1 source
FA-RDP : une politique de diffusion réactive adaptative en fréquence pour la manipulation à contact riche
2arXiv cs.RO 

FA-RDP : une politique de diffusion réactive adaptative en fréquence pour la manipulation à contact riche

FA-RDP, une politique de diffusion réactive à fréquence adaptative pour la manipulation robotique riche en contacts, a été présentée dans un article arXiv (2607.28596v1). Le problème identifié par les auteurs est le suivant: avant le contact entre un effecteur et un objet, plusieurs trajectoires sont valables et il faut préserver cette diversité de modes d'action; après le contact, les contraintes géométriques et les limites de force réduisent l'espace des solutions et exigent une réaction rapide au retour de force. Les politiques de diffusion classiques utilisent une fréquence d'inférence et un nombre d'étapes fixes tout au long de l'épisode, ce qui impose un compromis: un échantillonnage basse fréquence à plusieurs étapes préserve mieux la multimodalité pré-contact mais réagit lentement à la force, tandis qu'un échantillonnage haute fréquence améliore la réactivité mais tend à effondrer les modes distincts. FA-RDP répond à ce compromis via un Transformer visuel-force multi-fréquence partagé qui prédit des blocs d'action à basse et haute fréquence, couplé à un indicateur de multimodalité appris qui bascule dynamiquement entre échantillonnage multi-étapes basse fréquence avant contact et échantillonnage à une étape haute fréquence quand l'ambiguïté diminue. Les auteurs ajoutent une distillation de cohérence de variété (Manifold Consistency Distillation, MCD), qui reparamètre le réseau de diffusion pour prédire les actions directement sur la variété d'action du robot tout en conservant la supervision résiduelle de type DDPM. Pour l'industrie robotique, cette approche s'attaque à un goulot d'étranglement concret des politiques par diffusion en manipulation fine: le compromis entre diversité des trajectoires et vitesse de réaction en temps réel, un frein connu pour les tâches d'assemblage, d'insertion ou de manipulation avec contact physique. Si les résultats se confirment à plus grande échelle, cela renforcerait la viabilité des politiques de diffusion pour des applications industrielles où la précision au contact (force, couple) est critique, un axe suivi de près par les intégrateurs travaillant sur l'automatisation fine et la robotique collaborative. Les expériences ont porté sur trois tâches de manipulation riche en contacts, où FA-RDP obtient le taux de réussite le plus élevé tout en conservant des trajectoires pré-contact diversifiées, comparé aux approches à fréquence fixe. Le travail s'inscrit dans la lignée des politiques de diffusion pour le contrôle robotique (dans la continuité de Diffusion Policy et d'approches VLA comme Pi-0 ou GR00T), un champ de recherche actif où la question de la fréquence d'inférence et de la réactivité reste ouverte. Le code et des vidéos de démonstration sont disponibles sur fa-rdp.github.io, mais aucune information sur un déploiement matériel réel ou une intégration industrielle n'est mentionnée à ce stade: il s'agit d'un résultat de recherche en simulation/laboratoire, pas d'un produit commercialisé.

RecherchePaper
1 source
Contrôle par assimilation d'intention pour un suivi précis à impédance variable en téléopération
3arXiv cs.RO 

Contrôle par assimilation d'intention pour un suivi précis à impédance variable en téléopération

Une équipe de chercheurs a publié sur arXiv (réf. 2605.07037) un nouveau paradigme de contrôle pour la télé-opération robotique baptisé IAC (Intention Assimilation Control), conçu pour résoudre le compromis fondamental entre précision de suivi et sécurité. Dans les systèmes maître-esclave classiques, le robot suiveur est attiré vers la position du meneur par un effet ressort : une rigidité élevée assure le suivi mais expose l'environnement à des forces dangereuses, tandis qu'une rigidité faible préserve la sécurité au détriment de la précision. IAC contourne ce problème en estimant la position cible du meneur, c'est-à-dire son intention de mouvement, plutôt que sa position instantanée, et en la transmettant au suiveur. L'impédance peut ainsi être ajustée en temps réel par l'opérateur ou modulée automatiquement selon les contraintes de la tâche. Le système a été validé sur deux manipulateurs à 7 degrés de liberté (DOF) au travers de quatre expériences : suivi libre, interaction avec un ballon, insertion cheville-trou (peg insertion) et polissage de surface avec retour de force. Les résultats montrent qu'IAC surpasse la tele-impedance control (TIC) classique sur les trois métriques clés : précision de suivi, taux de complétion des tâches et temps d'exécution. L'enjeu concret est réel pour les intégrateurs opérant en environnements contraints (chirurgie assistée, manipulation de pièces fragiles, intervention en milieu à risque), où la rigidité excessive du robot représente un danger direct. En dissociant la compliance perçue par l'environnement de la fidélité du suivi, IAC permet à l'opérateur de moduler l'impédance selon son intention à chaque instant sans sacrifier la précision du mouvement. Il faut noter que les tâches testées restent relativement simples et que ces résultats proviennent d'un preprint non encore soumis à révision par les pairs. Le contrôle en impédance variable pour la télé-opération est un axe de recherche actif depuis plusieurs décennies, mais la plupart des approches obligent l'opérateur à arbitrer entre précision et compliance. Des laboratoires comme le DLR (Allemagne) et le LIRMM (Montpellier, France) ont contribué significativement à ce domaine. IAC s'inscrit dans la continuité des travaux sur l'estimation d'intention en temps réel, une approche qui gagne du terrain à mesure que les applications avancées se multiplient, notamment en chirurgie robotique et en intervention nucléaire. Aucune entreprise n'est associée à ces travaux, qui relèvent de la recherche académique pure. Les prochaines étapes naturelles concernent la validation sur des tâches industrielles réelles et l'intégration dans des plateformes commerciales de télé-opération existantes.

UELe LIRMM (Montpellier) est cité comme contributeur historique du domaine ; les applications en intervention nucléaire et en chirurgie robotique représentent des débouchés naturels pour les équipes de recherche françaises et européennes actives dans la téléopération.

RecherchePaper
1 source
D'une seule démonstration à une politique générale pour la manipulation avec contact
4arXiv cs.RO 

D'une seule démonstration à une politique générale pour la manipulation avec contact

Une équipe de recherche publie sur arXiv (réf. 2605.17601, mai 2026) un framework d'apprentissage par démonstration capable de généraliser à partir d'un seul exemple sur des tâches de manipulation impliquant des contacts répétés avec l'environnement. Le système repose sur un pipeline en quatre étapes : abstraction de la démonstration en primitives de contraintes environnementales, exploration autonome pour lever les ambiguïtés, correction ciblée par un opérateur humain pour couvrir les variantes hors-distribution, et enfin récupération en ligne des détails géométriques via interaction compliante. Validé sur sept tâches réelles multi-étapes à contact riche, le framework atteint un taux de succès supérieur à 90 %. Aucune entreprise spécifique ni plateforme robotique n'est mentionnée dans le préprint, qui reste une contribution académique sans déploiement industriel annoncé. Le point central de l'approche est de représenter une tâche non pas comme une trajectoire à imiter, mais comme une séquence de contraintes environnementales à exploiter. Ce changement de paradigme permet au robot de distinguer la structure générale d'une tâche (types de contraintes, transitions entre elles) des détails spécifiques à une instance donnée (poses exactes, géométrie locale). Pour un intégrateur ou un décideur industriel, cela signifie qu'une seule démonstration suffit potentiellement là où les méthodes de behavior cloning classiques en réclament des centaines. Le résultat de 90 %+ sur des tâches à contact riche est notable car ce domaine concentre la majorité des échecs en manipulation robotique réelle, notamment à cause de la sensibilité aux variations de pose et aux dynamiques de contact non modélisées. L'apprentissage par démonstration est un champ très actif depuis une décennie, concurrencé récemment par les politiques de diffusion (Diffusion Policy, Pi-0 de Physical Intelligence), les architectures VLA (RT-2, GR00T N2 de NVIDIA) et les méthodes ACT (Action Chunking with Transformers). L'originalité revendiquée ici est de traiter les contraintes environnementales comme biais inductif plutôt que d'augmenter massivement les données d'entraînement ou la puissance du modèle. La limite principale reste l'absence d'évaluation sur des plateformes humanoïdes ou collaboratives standard, ce qui rend difficile la comparaison directe avec les benchmarks du secteur. Les suites naturelles seraient un passage à des environnements ouverts et une validation sur des robots commerciaux comme le Franka Research 3 ou les bras UR.

RecherchePaper
1 source