RecherchearXiv cs.RO 18 août 2026

Transfert simulation-réel tactile sans simulation tactile via reconstruction latente à goulot d'étranglement

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche propose SBLR (Sim2Real via Bottlenecked Latent Reconstruction), une méthode qui permet d'entraîner des politiques de manipulation robotique tactile sans avoir à simuler physiquement chaque capteur tactile. Décrite dans un article déposé sur arXiv (référence 2608.15897v1), l'approche entraîne d'abord la politique sur un capteur "oracle" natif au simulateur, construit simplement à partir d'un nuage de points et des forces mesurées au bout des doigts, sans modéliser aucun capteur réel en particulier. Une seconde étape, dite de reconstruction latente à goulot d'étranglement, adapte ensuite cette politique à la perte d'information propre à un capteur tactile réel. L'alignement entre les représentations latentes du capteur oracle et du capteur réel est appris à partir de données non appariées, collectées par jeu aléatoire en simulation et dans le monde réel, via des réseaux de transformation fondés sur le "rectified flow" et entraînés sur des pseudo-paires de plus proches voisins. Sur trois tâches simulées à fort contact, SBLR égale ou approche les performances de l'oracle. En conditions réelles, sur des tâches d'insertion de tige (peg insertion) et d'engrenage (gear meshing) avec des capteurs GelSight Mini et DIGIT, la méthode atteint un taux de réussite zéro-shot de 85 à 97,5 %, dépassant de 7,5 à 15 points une référence basée sur une simulation physique du capteur tactile.

L'intérêt pour l'industrie tient au problème que la méthode contourne: modéliser fidèlement chaque capteur tactile, dont les designs sont très variés et évoluent vite, exige une expertise pointue et des approximations qui dégradent souvent la fidélité du signal simulé. En évitant toute simulation spécifique au capteur, SBLR promet de réduire le coût d'ingénierie pour les intégrateurs qui manipulent plusieurs types de capteurs tactiles sur une même ligne de préhension fine, sans recalibration lourde à chaque changement de matériel. Le résultat va à l'encontre de l'hypothèse dominante selon laquelle un transfert sim2real tactile fiable nécessite une simulation physique dédiée du capteur.

Ce travail s'inscrit dans la lignée des recherches sur la manipulation robotique riche en contact (assemblage, insertion, engrenage), où l'écart de fidélité entre capteurs tactiles simulés et réels reste un frein classique au déploiement. Les approches antérieures s'appuyaient sur des simulations physiques par éléments finis ou modèles d'élastomère, coûteuses et sujettes à divergence. L'article ne mentionne ni partenaire industriel ni publication de code, et les résultats matériels se limitent à deux tâches avec deux capteurs; il s'agit donc d'un travail de recherche académique à ce stade, sans déploiement industriel annoncé.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

Comment allouer un budget de transfert simulation-réel ?

Une étude publiée sur arXiv (réf. 2606.22062, juin 2026) s'attaque à une question pratique restée sans réponse claire dans la robotique par apprentissage : comment répartir un budget de temps de mesure sur robot réel entre l'identification de système (mesurer précisément les paramètres physiques du robot) et la randomisation de domaine (entraîner sur une large plage de dynamiques simulées) ? Les chercheurs ont conduit une expérience contrôlée sim-à-sim sur un pendule, en substituant un modèle à paramètres cachés au robot physique pour pouvoir varier proprement les gaps de réalité et les niveaux de bruit. Résultat : un faible nombre de rollouts d'identification suffisait à combler l'essentiel de l'écart de transfert. Une fois des données réelles disponibles, les politiques entraînées aux paramètres estimés surpassaient systématiquement celles entraînées sur une bande de randomisation élargie, même lorsque cette bande contenait les vrais paramètres du système. Ce résultat contredit une intuition répandue dans le secteur : celle que "plus de randomisation = plus de robustesse au sim-to-real gap". Les pipelines sim-to-real actuels (notamment pour les mains, les bras, et les humanoïdes) consacrent souvent une fraction importante de l'ingénierie à construire des distributions de randomisation larges via DR (Domain Randomization), parfois au détriment d'une identification soignée. Cette étude suggère que cette stratégie est sous-optimale dans le régime "bénin" où les dynamiques sont identifiables. Pour les intégrateurs robotiques et les équipes de déploiement, la leçon opérationnelle est directe : mesurer d'abord ce qu'il est possible de mesurer, et réserver la randomisation à l'incertitude résiduelle non modélisable, pas l'inverse. Le sim-to-real reste l'un des goulots d'étranglement centraux du robot learning depuis les travaux fondateurs d'OpenAI Robotics sur Dactyl (2019) et les benchmarks de transfert de Meta AI et Google DeepMind. La communauté a largement misé sur des variantes de Domain Randomization (DR) et sur les Visual-Language-Action models (VLA) pour contourner le gap sans nécessiter d'identification fine. Cette étude s'inscrit dans un contre-courant : celui d'une meilleure caractérisation du robot physique via la sysid, une approche défendue également par des travaux récents de Unitree, Boston Dynamics, et par des labos académiques proches du contrôle optimal. La limite explicitement posée par les auteurs est importante : leurs conclusions tiennent dans un régime à deux paramètres inconnus et sans mismatch structurel de modèle ; dans des systèmes plus complexes (contact, déformation, friction multipoint), la randomisation large pourrait reprendre l'avantage. Prochaines étapes naturelles : valider sur des systèmes à plus haute dimensionnalité, des robots articulés réels, et en présence de mismatch structurel explicite.

RecherchePaper

1 source

2arXiv cs.RO

R2S-EGO : raffinement à double proxy pour la reconstruction réel-vers-simulation à capture éparse

Payload de 6 vues pour R2S-EGO, 19,062 dB de PSNR contre 14,226 dB pour la meilleure référence R2S existante, et un taux de réussite de 82,5% (±6,8%) sur une tâche réelle de position assise avec un robot humanoïde Unitree G1, contre seulement 10,0% (±10,5%) pour la méthode concurrente GaussGym : c'est ce que rapporte un article publié le 6 août 2026 sur arXiv (2608.06827v1), présentant une nouvelle méthode nommée R2S-EGO pour la reconstruction de scènes en robotique. Le système combine deux "proxys" : l'un dérivé d'un simulateur qui modélise le domaine de requêtes exécutables propres au comportement du robot, l'autre ancré sur une capture réelle qui fournit les contraintes géométriques de la scène. Les tests ont été menés sur 48 vues égocentriques figées du G1, réparties sur trois environnements de la base de données Replica, avec un budget fixe de sélection de vues à générer. Ce travail répond à un problème concret pour les équipes qui entraînent des politiques de contrôle en simulation avant déploiement réel (le fameux "sim-to-real") : la capture dense multi-vues d'un environnement réel est coûteuse et lente, alors qu'une capture humaine parcimonieuse laisse des angles de vue mal couverts pour les trajectoires spécifiques du robot. En générant des vues synthétiques ciblées sur les déficits de couverture réels plutôt qu'en capturant plus de données terrain, R2S-EGO réduit potentiellement le temps et le coût de mise en place de scènes d'entraînement pour les robots humanoïdes, un enjeu direct pour tout intégrateur ou laboratoire qui veut multiplier les scènes d'entraînement sans multiplier les tournages. Le gain de performance rapporté sur la tâche de position assise, s'il se confirme sur des tâches plus variées, suggérerait que l'écart simulation-réalité reste largement conditionné par la qualité de la représentation visuelle de la scène plutôt que par la seule dynamique du robot. Le contexte est celui de la course actuelle autour du "real-to-sim" pour l'entraînement de politiques VLA appliquées aux robots humanoïdes, domaine où des acteurs comme GaussGym (cité ici comme référence comparative) développent des approches de rendu par Gaussian Splatting. L'étude ne précise pas d'affiliation institutionnelle ni de calendrier de déploiement industriel ; il s'agit à ce stade d'une contribution de recherche évaluée sur un robot Unitree G1 en environnement contrôlé, sans indication de pilote commercial ou d'intégration annoncée chez un fournisseur de robots humanoïdes.

RecherchePaper

1 source

3arXiv cs.RO

Transfert simulation-réel pour robots à actionneurs musculaires via réseaux d'actionneurs généralisés

Une équipe de chercheurs a publié sur arXiv (référence 2604.09487) une méthode de transfert simulation-réel (sim-to-real) pour robots à actionnement musculaire, une classe d'actionneurs rarement intégrée dans les systèmes robotiques industriels malgré leurs avantages théoriques. La méthode, baptisée Generalized Actuator Network (GenAN), a été validée sur PAMY2, un bras robotique à 4 degrés de liberté (DOF) entraîné par tendons et alimenté par des muscles artificiels pneumatiques (PAM). Trois tâches ont été déployées avec succès sur le robot réel à partir de politiques entraînées entièrement en simulation : atteinte de cibles dynamiques, ball-in-a-cup et tennis de table. Les auteurs revendiquent une première mondiale, à savoir le premier transfert sim-to-real réussi pour un bras à actionnement musculaire à 4 DOF. L'obstacle historique aux robots PAM est leur comportement fortement non-linéaire, avec friction et hystérésis, qui rend leur modélisation analytique difficile et a jusqu'ici bloqué l'application des techniques de reinforcement learning en simulation. GenAN contourne ce problème en apprenant un réseau de neurones qui identifie le modèle d'actuation directement depuis des trajectoires de position articulaire, sans capteurs de couple, coûteux et fragiles. Ce modèle appris est ensuite couplé à une simulation rigide classique pour les dynamiques du bras. Cette architecture valide l'hypothèse qu'il est possible de dissocier la modélisation des actionneurs complexes du reste de la chaîne cinématique, et ouvre potentiellement la voie à des robots plus rapides et plus sûrs en interaction humain-robot. Les muscles artificiels pneumatiques sont connus depuis des décennies dans la recherche, mais leur adoption industrielle est restée marginale face aux actionneurs électriques en raison de la difficulté de contrôle. PAMY2 est une plateforme académique, et ce travail est publié sous forme de preprint, non encore soumis à revue par les pairs confirmée. Les acteurs dominants du sim-to-real, Boston Dynamics, Figure ou Unitree, s'appuient sur des actionneurs électriques pour lesquels les outils de simulation sont matures. GenAN se distingue par sa capacité à généraliser le modèle d'actuation à d'autres robots musculaires, ce qui pourrait intéresser des laboratoires explorant des actionneurs hybrides pour l'humanoïde souple. La prochaine étape logique serait une validation sur des tâches plus complexes et une généralisation à d'autres plateformes PAM.

RecherchePaper

1 source

4arXiv cs.RO

Reconstruction simulation-réel pour environnements très encombrés via raisonnement physique inter-objets

Une équipe de recherche présente un pipeline Real-to-Sim capable de reconstruire des scènes 3D physiquement cohérentes à partir d'une seule image RGB-D, c'est-à-dire une capture combinant couleur et profondeur. L'approche, décrite dans un preprint arXiv (2602.12633, version 2), cible spécifiquement les environnements très encombrés où la manipulation robotique exige une compréhension précise des contacts entre objets. Le coeur du système repose sur un pipeline d'optimisation différentiable qui modélise les dépendances spatiales via un graphe de contact : chaque relation physique entre objets adjacents est représentée explicitement, puis les poses et propriétés physiques de chaque objet sont affinées conjointement par simulation de corps rigides différentiable. Les évaluations couvrent des scènes simulées et des environnements réels. Ce travail s'attaque à un problème concret qui bloque les déploiements de manipulation robotique en contexte industriel désorganisé : les pipelines de perception standard produisent régulièrement des états invalides, objets en lévitation ou interpénétrations géométriques, qui rendent la simulation en aval peu fiable et donc inutilisable pour planifier des saisies ou des déplacements. En forçant la cohérence physique dès la reconstruction, le pipeline permet d'obtenir des scènes simulées qui reproduisent fidèlement la dynamique de contact du monde réel. Pour les intégrateurs et les équipes de recherche en manipulation, c'est une brique clé pour réduire le fossé sim-to-real sans recourir à des setups multicaméras coûteux ou à des annotations manuelles. La reconstruction Real-to-Sim est un chantier actif dans la communauté robotique depuis l'essor des pipelines sim-to-real pour l'apprentissage par renforcement et l'imitation. Des approches concurrentes s'appuient sur des reconstructions NeRF ou des méthodes basées Gaussian Splatting pour obtenir la fidélité géométrique, mais elles n'intègrent pas nécessairement de contraintes physiques explicites. Ce pipeline différentiable se distingue en traitant le raisonnement inter-objets comme une contrainte d'optimisation, pas comme une post-correction. Les prochaines étapes naturelles incluent l'intégration dans des pipelines de planification de manipulation contact-rich et le test sur des scènes industrielles réelles, où le désordre et les occlusions partielles sont la norme plutôt que l'exception.

RecherchePaper

1 source