Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Estimation du décalage par force pour l'assemblage de pièces clavetées en trou grâce à la régression par processus gaussien local
RecherchearXiv cs.RO 

Estimation du décalage par force pour l'assemblage de pièces clavetées en trou grâce à la régression par processus gaussien local

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

Une équipe de recherche présente, dans une prépublication arXiv (2608.17691v1), une méthode d'estimation de désalignement basée sur la force pour l'assemblage de type clé-rainure (keyed peg-in-hole), une opération de précision très sensible aux erreurs de préhension. Le système repose sur un pipeline en trois étapes, perception, validation, insertion, et estime le désalignement résiduel directement à partir des mesures de force et de couple au poignet du bras robotique, sans capteur de vision haute précision dédié à l'insertion. Un régresseur hybride combinant recherche des plus proches voisins (KNN) et processus gaussien local traite ces signaux, en distinguant deux régimes de contact, collision dure et insertion guidée par chanfrein, chacun orienté vers un modèle dédié grâce à un seuil de durée de fenêtre de contact. La précision du régresseur est renforcée en combinant le KNN à une recherche déterministe s'appuyant sur les résultats d'une validation visuelle monoculaire post-préhension, dans une application de pick-and-place fondée sur la détection de points clés. Testée sur le capteur force/couple intégré d'un bras collaboratif, la méthode a fait passer le taux de réussite de l'insertion de 67 % à 87 %.

Cette approche s'attaque à un problème classique et coûteux en robotique industrielle: l'assemblage par insertion de pièces clavetées ou chanfrenées exige une tolérance géométrique très serrée, difficile à garantir avec des cobots équipés de capteurs standards plutôt que de systèmes de vision 3D ou de gabarits mécaniques onéreux. En exploitant uniquement les données de force/couple déjà présentes sur de nombreux bras collaboratifs du marché, la méthode ouvre la voie à des solutions d'assemblage flexible moins dépendantes d'un outillage spécialisé, un enjeu direct pour les intégrateurs en électronique, automobile ou petite série industrielle où les connecteurs et pièces clavetées sont fréquents. Le gain de 20 points de réussite illustre aussi une tendance plus large: l'usage de modèles d'apprentissage statistique légers (GP, KNN) pour compenser l'incertitude de perception plutôt que de chercher une précision mécanique absolue en amont.

Ce travail s'inscrit dans la recherche continue sur la manipulation robotique riche en contact, où la fusion de signaux de force et de vision reste un axe actif face aux approches purement visuelles ou par apprentissage par renforcement, plus gourmandes en données. L'article ne mentionne ni partenaire industriel ni déploiement commercial: il s'agit d'un résultat expérimental en laboratoire, sur un seul type de bras collaboratif, dont la généralisation à d'autres géométries de pièces ou d'autres capteurs reste à démontrer dans de futurs travaux.

Dans nos dossiers

Manipulation robotiquearXiv cs.RO

À lire aussi

Des résistances documentées aux limites de force : insertion robotique guidée par les matériaux pour l'assemblage en construction
1arXiv cs.RO 

Des résistances documentées aux limites de force : insertion robotique guidée par les matériaux pour l'assemblage en construction

Des chercheurs présentent SAGE (Source-grounded Assembly Gating and Execution), un système qui transforme des données documentaires sur les matériaux en limites de force exploitables pour l'insertion robotique dans l'assemblage de construction, selon un preprint publié sur arXiv (2609.22609v1). Le système restreint un grand modèle de langage à une tâche précise : extraire les résistances à la traction et à la compression depuis des passages et tableaux de documents techniques récupérés, en conservant la traçabilité des sources. Un modèle de réponse distinct interpole ensuite des solutions d'éléments finis calculées hors ligne pour convertir ces résistances et les conditions d'assemblage en capacité de charge axiale. Pour les ajustements à jeu positif, cette capacité fixe la limite de force axiale de la politique de contrôle ; pour les ajustements par interférence, elle est comparée à la demande de support mesurée pour décider d'admettre ou non l'insertion. Sur le benchmark principal, SAGE réduit l'erreur moyenne de capacité de 80,65% (estimation directe par le LLM à partir des mêmes preuves) à 10,74%. Sans réajustement, l'erreur reste à 8,00% sur 16 géométries supplémentaires, et le système classe correctement 59 des 62 simulations notées, avec uniquement des erreurs conservatrices. Sur un bras robotique xArm6, les essais physiques enregistrés aboutissent à une insertion réussie dans 9 cas sur 13, un taux d'environ 69% qui reste modeste et signale une marge de progression avant tout usage industriel fiable. L'intérêt de ces travaux tient à la séparation nette entre interprétation documentaire, confiée au LLM, et calcul mécanique, confié à un modèle physique explicite. Un LLM livré à lui-même pour estimer directement une capacité de charge produit une erreur moyenne proche de 81%, ce qui illustre les limites d'une confiance aveugle dans le raisonnement numérique des modèles de langage sur des données d'ingénierie. En combinant extraction sourcée et modélisation par éléments finis, SAGE rend les décisions d'insertion traçables et justifiables, un enjeu concret pour les intégrateurs en construction robotisée où les erreurs de force peuvent endommager des composants ou compromettre la structure assemblée. Ce travail de recherche académique reste à un stade préliminaire : preprint non encore relu par les pairs, testé sur un jeu limité de géométries et un seul bras robotique commercial. Aucun acteur industriel, humanoïde ou plateforme commerciale n'est associé à cette publication, qui s'inscrit dans la recherche sur l'usage des LLM comme interface documentaire couplée à des modèles physiques classiques plutôt que comme calculateur autonome. Les auteurs ne mentionnent pas de calendrier de transfert vers des essais industriels à plus grande échelle.

RecherchePaper
1 source
Apprentissage par renforcement sensible à la force : estimation hybride sans capteur pour la loco-manipulation de robots à roues et jambes
2arXiv cs.RO 

Apprentissage par renforcement sensible à la force : estimation hybride sans capteur pour la loco-manipulation de robots à roues et jambes

Un article scientifique publié sur arXiv (arXiv:2609.13779, prépublication non encore relue par les pairs) présente une méthode d'apprentissage par renforcement sensible à la force pour des robots à locomotion mixte roues-pattes effectuant simultanément déplacement et manipulation. Le système estime la force exercée par l'effecteur terminal sans capteur de force/couple dédié, en combinant trois briques : une observation du moment généralisé du robot, une projection du torseur des efforts sous contrainte de contact, et un réseau de neurones qui apprend en résiduel les biais liés au mouvement non captés par les modèles physiques. Cette estimation alimente une politique de contrôle « corps entier » conditionnée par mode, dotée d'un sélecteur axe par axe entre position et force, permettant de basculer entre mouvement libre, régulation de force pure et contrôle hybride force/position au sein d'un seul contrôleur. Les auteurs rapportent des gains en simulation sur la précision de l'estimation de force sans capteur et sur les performances de contrôle en force, puis valident l'approche sur un robot à roues-pattes réel lors de quatre tâches : rotation de valve, essuyage en mode hybride, ouverture de porte guidée par la force, et suivi à force nulle lorsqu'un humain guide le bras manuellement. Pour l'industrie, l'intérêt est d'abord économique : supprimer le capteur de force/couple dédié à l'effecteur réduit le coût, la fragilité et la maintenance des bras manipulateurs montés sur plateformes mobiles, un frein connu au déploiement des robots mobiles à bras dans des tâches à contact physique comme les vannes, les portes ou l'essuyage de surfaces. Qu'un seul contrôleur passe de façon fluide entre mouvement libre et régulation de force, sans recalibrage ni bascule manuelle de mode, répond à une limite fréquente des contrôleurs hybrides classiques sur bases flottantes à contacts changeants, typiques des plateformes combinant roues et pattes. Les gains annoncés restent toutefois qualitatifs, sans chiffres de précision ou de temps de cycle publiés dans le résumé, et les essais matériels portent sur un nombre limité de tâches et une seule plateforme, ce qui invite à la prudence avant d'en déduire une généralisation à d'autres robots ou environnements industriels. Le travail prolonge des recherches antérieures sur les observateurs de moment généralisé, déjà utilisés en robotique à pattes pour détecter des forces externes et des contacts, en les associant pour la première fois à un apprentissage par renforcement conditionné par mode sur une base mobile roues-pattes, catégorie intermédiaire entre robots à roues purs et humanoïdes bipèdes, plus rapide que la marche et plus stable que les roues seules sur terrain irrégulier. L'article ne précise ni le laboratoire ni l'industriel à l'origine des travaux, ni le nom du robot utilisé pour les essais, ce qui limite la comparaison directe avec des acteurs identifiés du secteur des plateformes hybrides. Il s'agit à ce stade d'une publication de recherche, sans annonce de produit ni de calendrier de déploiement commercial ; la suite logique évoquée serait une extension à davantage de tâches de manipulation en contact et une comparaison quantitative face à des contrôleurs équipés de capteurs de force réels.

RecherchePaper
1 source
Estimation des forces multi-contacts pour robots continus via graphes de facteurs paramétrés par gaussiennes
3arXiv cs.RO 

Estimation des forces multi-contacts pour robots continus via graphes de facteurs paramétrés par gaussiennes

Des chercheurs ont publié en préprint sur arXiv (arXiv:2606.29165) un nouveau cadre d'estimation unifiée de la forme et des forces de contact pour robots continus. Ces structures flexibles et déformables, contrairement aux robots articulés classiques, peuvent naviguer dans des environnements non structurés et des espaces confinés, à l'image d'un endoscope actif ou d'un bras chirurgical souple. Le verrou central : estimer en temps réel la position et l'intensité des forces de contact extérieures s'exerçant à des points inconnus le long du corps du robot est mathématiquement mal conditionné, particulièrement lorsque plusieurs contacts sont simultanés. La solution repose sur un graphe de facteurs intégrant une paramétrisation par mélange gaussien des forces externes, couplée à un modèle probabiliste de tige de Cosserat discrétisée, référence mécanique standard pour les structures élastiques filiformes. Le système fusionne trois flux capteurs : déformation (strain), tension des tendons et pose du robot. En simulation numérique, la méthode surpasse les approches existantes pour la localisation et l'amplitude des forces, aussi bien en contact unique qu'en contacts multiples. Une variante progressive, introduisant des fonctions de base à la demande, permet une estimation séquentielle des contacts lors d'une tâche de navigation en espace confiné. La capacité à estimer des forces de contact multiples en ligne est un verrou opérationnel majeur pour les robots continus. En chirurgie mini-invasive ou en inspection de conduites, le robot entre inévitablement en contact avec son environnement à des points non prédéfinis : une mauvaise estimation des forces peut provoquer des lésions tissulaires ou des blocages mécaniques. L'approche probabiliste par graphe de facteurs gère explicitement les incertitudes de modélisation et de capteurs, là où les méthodes déterministes échouent en multi-contact. La réduction de dimensionnalité via les mélanges gaussiens contourne le mal-conditionnement sans discrétisation spatiale excessive, rendant le calcul tractable en ligne. Les robots continus font l'objet d'une recherche académique soutenue depuis deux décennies, avec des cibles en endoscopie, inspection industrielle et intervention en milieu sinistré. La modélisation par tiges de Cosserat reste la référence théorique dominante, mais l'estimation multi-contact demeure un problème ouvert face auquel des approches concurrentes existent : réseaux de neurones pour la calibration haptique, capteurs FBG (Fiber Bragg Grating) distribués, ou méthodes d'apprentissage par contact. Ce travail n'est pas affilié à une entreprise commerciale identifiée et n'a été validé qu'en simulation numérique, limite importante à souligner avant tout transfert vers des applications cliniques ou industrielles réelles. Des expérimentations sur robot physique constitueraient la suite logique annoncée.

RecherchePaper
1 source
Apprentissage par admittance vision-force pour l'insertion de tige dans un trou mobile
4arXiv cs.RO 

Apprentissage par admittance vision-force pour l'insertion de tige dans un trou mobile

Des chercheurs présentent VFAL (Vision-Force Admittance Learning), un cadre robotique pour insérer une pièce (peg) dans un trou en mouvement, une tâche classique d'assemblage industriel rendue instable par un environnement dynamique, comme une base mobile ou une cible dont le déplacement n'est pas connu à l'avance. Le système fusionne un retour visuel asynchrone et basse fréquence avec un modèle d'admittance basé sur la force à haute fréquence, l'estimation de pose visuelle servant de terme de régularisation pour stabiliser l'ensemble. Pour l'estimation de pose, les auteurs s'appuient sur des modèles de fondation en vision de dernière génération plutôt que sur des marqueurs ou capteurs dédiés, et ajoutent des mécanismes de récupération après échec pour renforcer la robustesse. Le papier, publié sous la référence arXiv:2609.14133v1, rapporte des expériences réelles montrant un taux de réussite élevé et une bonne adaptabilité à différents types de pegs et de contextes dynamiques, tout en conservant une précision de l'ordre du millimètre, sans toutefois préciser de chiffres exacts de taux de succès, de temps de cycle ou de charge utile dans le résumé. L'insertion peg-in-hole est un test de référence en robotique de manipulation depuis des décennies car elle exige une précision millimétrique difficilement compatible avec l'incertitude d'un environnement mobile. Pour les intégrateurs industriels, notamment en assemblage automobile ou électronique où les pièces peuvent être portées par un convoyeur ou une plateforme mobile, une solution qui combine vision et force sans dépendre d'une cible fixe ouvre la voie à des lignes d'assemblage plus flexibles, sans immobiliser systématiquement la pièce à insérer. Le recours à des modèles de fondation en vision pour l'estimation de pose, plutôt qu'à des pipelines de vision sur mesure, illustre aussi une tendance plus large du secteur à réutiliser des modèles génériques pré-entraînés pour des sous-tâches de perception, réduisant l'ingénierie spécifique par cas d'usage. Ce travail s'inscrit dans une longue lignée de recherches académiques sur l'admittance control et l'apprentissage par renforcement pour la manipulation fine, un domaine où des laboratoires universitaires et industriels publient régulièrement sur arXiv avant toute commercialisation. Le document ne mentionne ni partenariat industriel, ni déploiement en usine, ni feuille de route de commercialisation : il s'agit d'une contribution de recherche validée par des expériences en laboratoire, à distinguer clairement d'un produit prêt à l'emploi. Les prochaines étapes attendues pour ce type de travaux sont généralement l'extension à d'autres géométries de pièces, l'intégration sur des bras robotiques commerciaux, puis d'éventuels essais pilotes avec des intégrateurs industriels, mais aucun calendrier n'est communiqué dans cette publication.

RecherchePaper
1 source