RecherchearXiv cs.RO 11 août 2026

Event-Time : commande optimale hybride pour les services de tennis de table par un robot

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent une nouvelle méthode de contrôle optimal pour générer des services robotises au tennis de table, appliquée et testée sur un bras industriel KUKA Agilus. L'approche, baptisée "évent-time hybrid optimal control", formule le service comme un problème de contrôle optimal (OCP) hybride qui optimise simultanément la vitesse et l'orientation d'impact de la raquette ainsi que les instants du rebond sur la table, du franchissement du filet et de l'atterrissage de la balle, ces instants étant traites comme des variables libres plutôt que des pas de temps fixes. Un second OCP convertit ensuite ces paramètres en une trajectoire de bras complètement réalisable, en respectant les limites de position, de vitesse et de couple articulaires du robot. Compare a une formulation classique a pas de temps fixe avec localisation des racines, la méthode réduit le temps de calcul médian d'un facteur 4,1, tout en conservant une précision d'atterrissage, une précision de spin et un taux de validité des services comparables. Sur robot réel, les essais ont produit des services avec topspin, backspin et effet latéral, pour une erreur moyenne d'atterrissage de 13,1 cm (ecart-type 7,3 cm) et des vitesses de rotation de balle allant jusqu'a 30 tours par seconde.

Pour l'industrie robotique, ce travail illustre comment rendre tractable en temps réel un contrôle optimal hybride, c'est-a-dire un contrôle qui gère a la fois une dynamique continue (vol de la balle, mouvement du bras) et des événements discrets contraignants (impact raquette-balle, rebond, franchissement du filet). Diviser par quatre le temps de résolution sans perdre en précision est directement pertinent pour toute application manipulant des contacts et impacts rapides sous contrainte temporelle stricte, au-delà du seul tennis de table. Le fait que la validation ait été menée sur un bras industriel standard, et non sur un actionneur spécialisé de laboratoire, suggère une portabilité plus large de la méthode. Il s'agit toutefois d'un travail de recherche publie en preprint, sans annonce de produit ni de déploiement commercial, et les résultats reposent sur un seul robot et un jeu d'essais limite.

Le service au tennis de table est plus complexe qu'un simple échange car il doit satisfaire plusieurs contraintes hybrides combinées, rebond du bon cote, franchissement du filet, zone d'atterrissage cible, ce qui justifie le recours a une optimisation conjointe des temps d'événement plutôt qu'a une simple planification de trajectoire. Cette approche s'inscrit dans la lignée des recherches en contrôle optimal pour la manipulation robotique dynamique, en contraste avec la tendance actuelle vers des modèles vision-langage-action appris de bout en bout. Publie sous la référence arXiv:2608.08157v1, l'article ne mentionne ni partenaire industriel ni calendrier de déploiement ; les prochaines étapes attendues concernent l'extension a des échanges complets au-delà du seul service, ainsi que la validation sur davantage de configurations robotiques.

Impact France/UE

La méthode est validée sur un bras industriel KUKA Agilus, fabricant allemand, mais aucun partenariat ni déploiement européen n'est annoncé.

Dans nos dossiers

IA physique & VLA Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

Ace ! Planification de mouvement pour des services de tennis de table de niveau professionnel avec un bras robotique

Le laboratoire ayant produit ce travail présente "Ace!", une nouvelle méthode permettant à un bras robotique de générer des services de tennis de table conformes aux règles officielles de la discipline. L'approche combine trois briques techniques : des primitives de mouvement préconçues, une commande prédictive par modèle (Model Predictive Control, MPC) pour l'exécution en temps réel, et une optimisation bayésienne pour ajuster les paramètres du service. Le système parvient à produire des effets (spin) contrôlables allant jusqu'à 550 rad/s et des vitesses de balle atteignant 6,7 m/s, des valeurs qui égalent, voire dépassent, celles observées chez les joueurs de tennis de table de niveau élite. Les travaux sont détaillés dans un article publié sur arXiv (référence 2607.06989v1). Ce résultat comble un angle mort de la robotique sportive : depuis des décennies, la quasi-totalité des recherches sur le tennis de table robotique portait sur la relance, c'est-à-dire la capacité à renvoyer une balle entrante, un problème qui mobilise déjà vision rapide et contrôle en boucle fermée. Le service, lui, restait largement inexploré alors qu'il pose des défis physiques bien plus extrêmes : générer un effet important à partir d'une balle initialement sans rotation, viser avec précision, et arbitrer entre plusieurs objectifs contradictoires (vitesse, spin, placement). Démontrer qu'un bras robotique peut reproduire, voire dépasser, la performance humaine sur cette tâche constitue une preuve de concept significative pour la modélisation physique appliquée à des mouvements dynamiques complexes, au-delà du seul cas du tennis de table. Le tennis de table s'est imposé comme un banc d'essai classique en robotique en raison de sa combinaison unique de vitesse, de précision et d'espace de jeu compact, un terrain propice pour tester vision rapide et planification de trajectoire. Les recherches précédentes s'étaient concentrées presque exclusivement sur la relance ; ce travail ouvre la voie à des systèmes robotiques capables de gérer l'intégralité d'un point, service compris, avec des applications potentielles pour l'entraînement sportif automatisé ou les partenaires de jeu robotisés.

RecherchePaper

1 source

2arXiv cs.RO

Reconstruction tactile des repères de tâche de contact et des forces pour la commande hybride force/mouvement

Des chercheurs proposent une méthode pour estimer en ligne la force de contact et un repère de tâche (task frame) potentiellement variable dans le temps, uniquement à partir d'un capteur tactile optique souple, sans capteur force/couple monté sur le robot en fonctionnement. Le système associe une seule image de l'élastomère déformé à quatre grandeurs de contact observables : la profondeur d'indentation, deux angles d'inclinaison entre la surface et le capteur, et la force de contact 3D. Chaque échantillon s'accompagne d'une estimation d'incertitude. Cette correspondance est apprise par une procédure d'auto-étiquetage. Un manipulateur impose des contacts contrôlés, et un capteur force/couple auxiliaire fournit hors ligne les étiquettes de référence. La mesure tactile est ensuite fusionnée avec les données proprioceptives du robot dans un filtre de Kalman étendu (EKF), qui met à jour en continu le repère de contact et la force d'interaction. Les essais utilisent un capteur DigiTac monté sur un bras UR10. Ils montrent une régulation de force en boucle fermée contre une planche rigide plane, pendant que l'opérateur humain la déplace en translation et en rotation. Le toucher est alors la seule rétroaction extéroceptive. L'intérêt tient à la commande hybride force/mouvement, qui exige de connaître à la fois la force d'interaction et le repère définissant les directions asservies en force et celles asservies en mouvement. Ces grandeurs viennent aujourd'hui d'un capteur force/couple ou de résidus issus d'un modèle, avec souvent un modèle nominal de l'environnement. Ce dernier suppose une surface connue et fixe. Ici, le repère est reconstruit en direct, y compris quand la surface bouge, ce qui rapproche la méthode des tâches de contact réelles : polissage, ponçage, insertion ou assemblage sur des pièces mal positionnées. Le capteur force/couple n'intervient que pendant l'apprentissage, ce qui pourrait alléger le coût et l'encombrement d'un déploiement. L'incertitude par échantillon est un point utile pour la sûreté, car elle permet de pondérer la mesure dans le filtre. Il faut toutefois rester prudent. La validation porte sur un seul capteur, un seul bras et une cible plane et rigide, et rien n'indique de résultats sur des surfaces courbes, déformables ou fortement frottantes. Ce travail s'inscrit dans la montée des capteurs tactiles optiques souples de type GelSight, dont DigiTac est une variante dérivée de la famille DIGIT, qui remplacent peu à peu les mesures de force classiques en manipulation de précision. Il repose sur l'hypothèse d'un contact localement plan avec moment de contact négligeable, ce qui limite son domaine d'application. Il s'agit d'une prépublication arXiv (v1), sans évaluation par les pairs, et sans partenaire industriel ni calendrier de transfert annoncés. Les suites naturelles seraient des surfaces non planes, des contacts avec frottement et glissement, et une comparaison avec des approches de politiques apprises de type VLA intégrant le tactile.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

CuPIQP : un solveur QP par lots et différentiable sur GPU pour l'apprentissage et la commande des robots

Cette équipe publie cuPIQP, un solveur de programmation quadratique (QP) par lots et différentiable, exécuté sur GPU. Il repose sur une méthode de points intérieurs proximale et prend en charge, dans une interface unifiée, les problèmes denses, creux et multi-étages. Les QP servent de brique de base à la cinématique inverse, au contrôle du corps entier (whole-body control) et à la commande prédictive (MPC). Le solveur résout de nombreux QP indépendants en parallèle et exploite leur structure interne. Chaque problème garde ses propres mises à jour numériques et son propre critère d'arrêt, donc un cas difficile ne contraint pas les autres du lot. Les benchmarks portent sur des lots allant jusqu'à 16 384 QP. Le temps de résolution est jusqu'à 18,8 fois plus court que celui de Moreau et 4,26 fois plus court que PIQP sur huit coeurs CPU. Sur une tâche d'apprentissage de bout en bout, l'entraînement est 4,6 fois plus rapide qu'avec QPAX et 7,8 fois plus rapide qu'avec Moreau. L'intérêt dépasse le seul gain de vitesse. L'apprentissage par renforcement massivement parallèle (milliers d'environnements simulés sur GPU) s'est largement passé des contrôleurs classiques, car ceux-ci obligent à repasser par le CPU. Disposer d'un solveur QP qui reste sur GPU permet d'insérer dans la boucle d'entraînement des couches d'optimisation, comme un contrôleur de corps entier ou un MPC, et de les différencier. Pour un intégrateur ou une équipe de contrôle, cela rend plus accessible l'hybridation entre méthodes à base de modèle, qui offrent des garanties de contraintes, et politiques apprises. Les chiffres viennent toutefois des auteurs, sur leurs propres benchmarks. Le gain face à PIQP est plus modeste que face à Moreau, et il dépend de la taille des problèmes et du matériel testé. Aucune démonstration sur robot réel n'est mentionnée dans le résumé. Ce travail s'inscrit dans l'essor des solveurs d'optimisation accélérés par GPU et différentiables, héritiers de couches comme OptNet et de bibliothèques plus récentes telles que QPAX et Moreau, que cuPIQP prend ici comme références. Il prolonge PIQP, solveur CPU à points intérieurs proximal déjà utilisé en robotique. La concurrence se joue donc moins entre robots qu'entre briques logicielles, au moment où les fabricants de humanoïdes cherchent à combiner contrôle de bas niveau et politiques apprises de type VLA. La suite probable tient à la publication du code, à une intégration dans des simulateurs GPU et à des tests de MPC ou de contrôle du corps entier sur matériel réel, qui diront si ces gains d'entraînement se traduisent en performances de déploiement.

RecherchePaper

1 source

4Interesting Engineering

Deux robots humanoïdes s'associent pour jouer au tennis de table en double et échangent plus de 10 coups

Des chercheurs de l'Université de Hong Kong, du Shanghai Innovation Institute, d'Archon Robotics et de NVIDIA ont présenté PingpongDuo, un cadre de contrôle qui permet à deux robots humanoïdes de jouer au tennis de table en double. Le système doit gérer un espace restreint côté table, des frappes en alternance stricte, et l'obligation pour chaque robot de dégager la zone centrale après son coup pendant que son partenaire prépare le suivant. L'architecture est hiérarchique. Un planificateur d'équipe choisit les positions cibles des deux robots, un estimateur de risque appris évalue les collisions possibles entre mains, pieds et corps, et un filtre de sécurité corrige les plans dangereux en donnant la priorité au robot sur le point de frapper. Au niveau individuel, deux politiques distinctes pilotent le jeu de jambes et la raquette. La première a été entraînée sur des vidéos de doubles humains, avec une bibliothèque d'environ 200 séquences de déplacement. La seconde affine sept articulations du bras à partir de l'état du robot et de la position et vitesse estimées de la balle. En simulation, le taux de retour de balle progresse de 13,2 % face à la meilleure méthode de référence, avec une erreur de positionnement d'environ 2 cm pendant le dégagement. En conditions réelles, deux Unitree G1 ont enchaîné plus de 10 frappes alternées consécutives. Un robot a réalisé un cycle de dégagement et de récupération de 2,15 m en 2,4 s, avec une vitesse de pointe de 2,23 m/s. L'intérêt dépasse le ping-pong. La plupart des travaux de tennis de table humanoïde portent sur un robot seul face à un adversaire ou à une machine. Ici, le problème est la coordination multi-robots dans un espace partagé, avec contraintes de collision et de timing, ce qui est proche de ce que rencontreront des humanoïdes travaillant côte à côte sur une ligne ou dans un entrepôt. La démonstration montre aussi qu'une politique apprise à partir de données humaines, associée à une couche de sécurité explicite, peut gérer des mouvements rapides et dynamiques sur une plateforme de série comme le G1. La calibration du simulateur sur des mesures réelles de vol de balle, de rebond et de contact raquette rend par ailleurs le transfert simulation vers réel plus crédible. Il faut toutefois rester prudent : l'avantage de 13,2 % est mesuré en simulation uniquement, la série de plus de 10 échanges est un résultat de laboratoire dont on ignore le taux de réussite sur l'ensemble des essais, et aucune application industrielle n'est annoncée. Le contexte explique les limites. Le système dépend d'une capture de mouvement externe pour suivre la balle et ne modélise pas l'effet, ce qui l'éloigne d'un match réel. Les chercheurs prévoient d'étudier la perception embarquée, l'estimation du spin et des stratégies autonomes d'attaque et de défense. Le projet s'inscrit dans une série de travaux sur le tennis de table robotisé, désormais portés par des plateformes humanoïdes bon marché comme celles d'Unitree, et la participation de NVIDIA signale l'intérêt de l'écosystème simulation et apprentissage par renforcement pour ces tâches à haute dynamique. L'article ne mentionne aucun acteur européen. La prochaine étape logique est de supprimer la dépendance à la capture de mouvement : c'est là que se jouera la possibilité de transposer ces résultats hors du laboratoire.

RecherchePaper

1 source