Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Précision au niveau supérieur : segmentation du tissu pour le désempilage grâce à des réseaux sensibles aux bords et formes
RecherchearXiv cs.RO 

Précision au niveau supérieur : segmentation du tissu pour le désempilage grâce à des réseaux sensibles aux bords et formes

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

La segmentation précise de la couche supérieure d'une pile de tissus reste un obstacle majeur pour la robotique textile, et un nouvel article de recherche publié sur arXiv (référence 2608.10648v1) propose une architecture d'entraînement dédiée à ce problème. La tâche de déstackage de tissus consiste à identifier et isoler la couche de tissu la plus haute dans un empilement, une opération rendue difficile par des contours flous et une forte similarité visuelle entre les couches successives. Les auteurs étendent le schéma classique encodeur-décodeur en ajoutant deux branches spécialisées qui supervisent le réseau principal pendant l'entraînement: une branche dite "edge-aware", qui affine la délimitation des bords du tissu, et une branche "shape-aware", qui guide le réseau pour aligner la forme globale détectée avec des masques de référence issus de modèles CAO (conception assistée par ordinateur). Les expériences menées sur un jeu de données réel de tissus montrent que cette approche multi-branches surpasse les méthodes de référence existantes, un résultat confirmé par des études d'ablation isolant la contribution de chaque branche.

Pour l'industrie robotique, ce travail cible un maillon technique précis mais critique: la manipulation de matières souples et déformables reste l'un des angles morts de la robotique de préhension, largement en retard par rapport au bin-picking d'objets rigides. Les approches de segmentation sémantique ou par contours classiques échouent souvent face aux tissus empilés, faute de repères visuels nets entre les couches. En démontrant qu'un couplage entre information de contour et contrainte de forme géométrique améliore la précision de segmentation, l'étude apporte une brique utile aux intégrateurs travaillant sur le tri de linge, la préparation de commandes textiles en e-commerce ou l'automatisation de lignes de confection.

L'article ne mentionne ni entreprise, ni robot, ni site de déploiement commercial: il s'agit d'une contribution de recherche académique, validée sur un jeu de données réel mais pas sur un pilote industriel. Aucun chiffre de cadence, de coût ou de volume de production n'est communiqué, ce qui limite pour l'instant la portée de l'annonce à une preuve de concept méthodologique plutôt qu'à un déploiement opérationnel.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Apprentissage par imitation sensible au contact grâce à la factorisation du contact
1arXiv cs.RO 

Apprentissage par imitation sensible au contact grâce à la factorisation du contact

Des chercheurs du laboratoire RCILab de l'université Kyung Hee (Corée du Sud) présentent FACE, un cadre d'apprentissage par imitation « factorisé par le contact », décrit dans un preprint arXiv (2610.09533). Le principe consiste à séparer le comportement de tâche voulu des facteurs de contact propres à l'environnement. Les efforts d'interaction sont exprimés dans des coordonnées normalisées, relatives au contact. Deux estimateurs complètent ce dispositif : un estimateur de normale de contact, appris, et un estimateur de friction en ligne, qui détermine l'échelle de friction effective. À l'exécution, les observations d'effort sont encodées et les sorties de la politique sont décodées en commandes de mouvement et d'effort physiques. L'adaptation se fait donc sans aucune mise à jour des paramètres de la politique. Les essais ont été menés sur robot réel, en manipulation riche en contacts, avec des variations inédites de propriétés de surface et de géométrie. Les auteurs comparent FACE à des variantes qui adaptent des approches antérieures à leur cadre. Le résumé ne chiffre ni taux de réussite, ni nombre d'essais, ni plateforme robotique, et ces éléments restent à vérifier dans l'article complet et sur la page du projet. L'enjeu est un verrou connu de la manipulation de précision, celle de l'essuyage, du ponçage, de l'insertion ou du polissage. Les efforts mesurés varient fortement pour de faibles changements de géométrie, d'orientation ou de friction de la surface. Une politique entraînée sur des mesures brutes de force apprend donc en partie les particularités des démonstrations et se transfère mal. Déplacer cette variabilité dans des estimateurs légers, sans réentraîner la politique, serait précieux pour les intégrateurs. Ils pourraient réutiliser une même politique sur des pièces, des matériaux ou des outillages différents, sans recollecter de démonstrations à chaque changement de référence. Ces résultats restent des essais de laboratoire. La robustesse face à des surfaces courbes, à des frottements non stationnaires ou à des cadences industrielles n'est pas établie, et les comparaisons portent sur des variantes adaptées par les auteurs, non sur des systèmes tiers inchangés. Ce travail s'inscrit dans le virage des politiques visuo-motrices (diffusion, VLA) vers la prise en compte du toucher et de l'effort. Les premières versions de ces modèles, comme Pi-0 ou Helix, s'appuient surtout sur la vision et la proprioception. La commande en force et en impédance, issue de la robotique classique, offre une adaptation fine au contact, mais elle exige des modèles d'environnement qu'il faut régler à la main. FACE vise un compromis : conserver l'apprentissage par imitation et déléguer au contact une partie de la physique, estimée en ligne. La suite logique serait de brancher ce principe sur des politiques généralistes plus grandes et de le valider sur plusieurs plateformes. Le preprint, publié en version 1, n'a pas encore passé de relecture par les pairs.

RecherchePaper
1 source
ReForce : apprentissage du retargeting sensible à la force pour la manipulation dextérique
2arXiv cs.RO 

ReForce : apprentissage du retargeting sensible à la force pour la manipulation dextérique

Une équipe de recherche a publié le 18 août 2026 sur arXiv (référence 2608.15560v1) une méthode baptisée ReForce, conçue pour la manipulation dextre par robot à partir de démonstrations humaines. Le problème visé est le suivant: les pipelines de retargeting (transfert des mouvements humains vers un bras ou une main robotique) restent aujourd'hui essentiellement cinématiques, c'est-à-dire qu'ils copient les trajectoires et postures sans tenir compte des forces de contact, alors que ce sont ces forces qui déterminent la réussite ou l'échec d'une prise en main. ReForce ajoute un résidu de force au-dessus du mouvement retargeté classiquement, calculé par un "force tracker" générique entraîné sur un grand volume d'interactions simulées. La méthode fonctionne en deux modes: téléopération en ligne avec retour de force, et traduction hors ligne de jeux de données de démonstration déjà enregistrés. Les tests, menés à la fois en simulation et sur du matériel réel, portent sur des tâches réputées difficiles car riches en contacts fins: la saisie d'un gobelet en papier et la manipulation de pinces (tongs). Les auteurs rapportent une erreur de suivi de force réduite et un engagement multi-doigts plus stable que les approches purement cinématiques. Pour l'industrie robotique, l'enjeu dépasse le simple gain de précision: la collecte de démonstrations humaines à grande échelle est devenue le principal levier pour entraîner des politiques de manipulation dextre, y compris pour les modèles vision-langage-action. Si le retargeting cinématique ignore la force, les données transmises aux modèles encodent des gestes visuellement corrects mais mécaniquement approximatifs, ce qui explique en partie pourquoi certaines démonstrations impressionnantes en vidéo échouent lors d'un déploiement réel sur objets fragiles, déformables ou glissants. En introduisant un modèle de force générique et transférable, ReForce propose une brique technique susceptible d'améliorer la qualité des jeux de données de téléopération en amont, plutôt que de complexifier uniquement le modèle final. Il s'agit d'une contribution académique en preprint, sans entreprise ni produit commercial associé, à distinguer des annonces de Physical Intelligence (Pi-0), NVIDIA (GR00T N2) ou Figure (Helix), qui portent sur des modèles de bout en bout déployés ou pilotés en conditions réelles. ReForce se positionne en amont de ces systèmes, sur la brique de collecte et de conversion de données de démonstration. L'abstract ne mentionne ni publication de code, ni jeu de données ouvert, ni calendrier de déploiement industriel: les deux tâches testées, prise de gobelet et manipulation de pinces, servent de preuve de concept plutôt que de benchmark étendu, la validation à plus grande échelle restant à faire.

RecherchePaper
1 source
GRAFT : adaptation résiduelle sensible à la géométrie pour les modèles fondation de suivi
3arXiv cs.RO 

GRAFT : adaptation résiduelle sensible à la géométrie pour les modèles fondation de suivi

Des chercheurs proposent GRAFT, un cadre d'adaptation résiduelle sensible à la géométrie, destiné aux « behavior foundation models » (BFM) humanoïdes figés, publié sur arXiv (2610.36507). Les BFM sont des trackers de mouvement réutilisables: à partir d'une référence cinématique, ils produisent les commandes articulaires coordonnées du corps entier, pour le rejeu de mouvements, la téléopération ou le pilotage par VLA (modèles vision-langage-action). GRAFT laisse les paramètres du BFM et son interface de référence intacts. Un adaptateur léger n'ajoute que des corrections conditionnées par le terrain, limitées aux cibles d'exécution du bas du corps. Il est entraîné avec des récompenses de tâche et de géométrie du pied, et régularisé pour ne rien corriger sur sol plat. Il est distillé depuis des observations de terrain privilégiées (disponibles seulement en simulation) vers une perception par caméra de profondeur embarquée. Le cadre est instancié sur quatre trackers figés et évalué en simulation sur des escaliers, des trous et des plateformes. Une validation réelle a été menée sur un Unitree G1: le tracker SONIC adapté franchit le terrain avec la profondeur embarquée et des références non modifiées. Le résumé ne donne aucun chiffre de taux de réussite, de hauteur de marche ou de durée des essais. Le point notable est architectural. Les BFM sont entraînés surtout sur sol plat et ne savent pas adapter placement du pied, garde au sol en phase de balancier et timing des contacts au relief. Beaucoup d'approches réentraînent ou affinent le tracker avec la perception, ce qui coûte en données et en calcul. Elles couplent aussi le suivi ordinaire au canal de perception. En figeant le BFM, GRAFT ramène l'apprentissage du terrain à un problème d'adaptation de l'exécution. Pour les équipes qui s'appuient déjà sur un tracker généraliste, cela suggère un module de perception ajoutable sans refaire l'entraînement du modèle de base ni casser le comportement validé sur sol plat. La compatibilité avec quatre trackers différents pointe vers une couche réutilisable, mais seul le G1 a été testé en conditions réelles. Il faut lire ce résultat avec prudence: les preuves publiées portent sur des obstacles ponctuels (escaliers, trous, plateformes), pas sur des terrains non structurés ni sur des déploiements prolongés. Ce travail s'inscrit dans la montée en puissance des modèles de comportement de corps entier, dont SONIC fait partie, utilisés comme couche basse sous des politiques VLA et des systèmes de téléopération. Leur limite principale reste la locomotion hors terrain plat, que les approches de réentraînement conjoint avec perception tentent de lever au prix d'un fort coût d'entraînement. Le Unitree G1, plateforme humanoïde accessible, sert de banc d'essai courant pour la recherche académique. Reste à voir si l'approche tient sur des terrains plus variés, avec des références dynamiques plus exigeantes et sur d'autres robots. Il s'agit d'un préprint, sans annonce de produit, de pilote industriel ni de calendrier.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Champs temporels neuronaux sensibles à la forme pour la planification de mouvement et de manipulation de corps rigides
4arXiv cs.RO 

Champs temporels neuronaux sensibles à la forme pour la planification de mouvement et de manipulation de corps rigides

Des chercheurs proposent Shape-Aware Neural Time Fields, un cadre de planification de mouvement par réseaux de neurones informés par la physique, publié sur arXiv (2610.22762, première version). Le système apprend une représentation réutilisable du temps de trajet, c'est-à-dire un coût restant jusqu'au but, pour un corps rigide dont la position et l'orientation comptent à la fois. Le champ appris capture séparément la difficulté locale en translation et en rotation, puis il est associé à un planificateur par échantillonnage qui arbitre entre la progression vers l'objectif et le coût pour atteindre les poses voisines. Les auteurs l'évaluent sur des tâches de planification de corps rigide en 2D et en 3D, ainsi que sur de la manipulation non préhensile, avec du poussage d'objets dans des environnements variés. Ils annoncent des gains substantiels de taux de succès et d'efficacité d'inférence face aux méthodes neuronales informées par la physique, tout en restant compétitifs avec les planificateurs classiques par échantillonnage, pour des temps de planification nettement plus courts. Aucun chiffre précis n'est donné dans le résumé. L'enjeu concret tient au couplage entre translation et rotation. Pour déplacer une pièce encombrante dans une cellule dense, un palettiseur ou une zone de manutention, la géométrie environnante contraint rarement ces deux degrés de liberté de la même façon. Un planificateur qui les traite uniformément perd du temps ou échoue dans les passages étroits. En apprenant un champ de coût réutilisable, la méthode déplace l'effort de calcul vers une phase hors ligne, ce qui rend la replanification rapide. Les expériences de poussage en boucle fermée, avec déviations d'exécution et perturbations externes, vont dans ce sens : une replanification rapide permet une exécution réactive. Il faut toutefois rester prudent. Il s'agit d'un travail académique non évalué par les pairs, sans déploiement industriel, et les benchmarks restent en environnements de test. La comparaison avec les planificateurs classiques ne dit pas non plus si la qualité des trajectoires est équivalente ni si le champ appris se généralise à des scènes inconnues sans réentraînement. Ce travail s'inscrit dans la lignée des champs de temps neuronaux et des solveurs de l'équation eikonale informés par la physique, apparus pour accélérer la planification de mouvement face aux méthodes classiques de type RRT ou PRM, fiables mais coûteuses en temps de calcul dans les scènes encombrées. Les premières approches neuronales traitaient mal l'orientation, ce que cette contribution tente de corriger. Les ablations annoncées par les auteurs séparent l'apport de la représentation apprise de celui de la stratégie de planification, mais le résumé ne les chiffre pas. Les prochaines étapes naturelles seraient des essais sur bras réels et des scènes dynamiques, ainsi qu'une intégration avec des politiques de manipulation apprises. Aucun calendrier de pilote ou de transfert industriel n'est mentionné.

RecherchePaper
1 source