RecherchearXiv cs.RO 19 août 2026

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 robotique arXiv cs.RO

À lire aussi

1arXiv 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

2arXiv cs.RO

Context-aware : estimation de force pour la manipulation d'outils déformables lors du prélèvement environnemental robotisé par adaptation continue à faible échantillonnage

Une équipe de recherche publie sur arXiv (référence 2607.07574, soumis le 7 juillet 2026) une méthode d'estimation de force par apprentissage pour la manipulation d'outils déformables en robotique, appliquée au prélèvement d'échantillons de surface (swabbing environnemental). Le problème technique visé est précis : quand un bras robotique presse un écouvillon souple contre une surface, l'hystérésis viscoélastique non linéaire de l'outil déforme le signal capté par le capteur de force au poignet, qui ne reflète alors plus fidèlement la force réellement appliquée à la pointe. Intégrer un capteur directement dans l'outil est écarté pour des raisons de stérilité et de jetabilité en contexte de prélèvement. Les chercheurs comparent plusieurs architectures temporelles et retiennent un LSTM compact, qui obtient la meilleure précision avec une latence d'inférence sous la milliseconde. Pour généraliser à des surfaces et outils inédits, ils ajoutent une couche d'adaptation few-shot : un backbone récurrent gelé est modulé par des embeddings de contexte de faible dimension via FiLM (feature-wise linear modulation). Testée sur un bras UR5e à travers neuf régimes d'interaction outil-surface différents, l'approche réduit l'erreur d'estimation en zero-shot jusqu'à 63%, sans dégrader les performances de base (pas d'oubli catastrophique). L'enjeu dépasse le simple prélèvement d'échantillons : c'est un problème générique de manipulation d'outils déformables (compresses, éponges, brosses, tampons) que l'on retrouve en robotique médicale, en laboratoire automatisé et en inspection industrielle, là où le retour de force est indispensable pour garantir une pression de contact constante mais où l'instrumentation directe de l'outil est impossible ou trop coûteuse à jeter à chaque usage. La contribution méthodologique intéressante pour les intégrateurs est la séparation entre une dynamique de déformation partagée, apprise une fois, et un conditionnement spécifique au domaine, adapté avec très peu de données pour chaque nouvelle combinaison outil-surface. Cela répond directement à un point de friction classique du déploiement de systèmes appris en robotique : la plupart des modèles de force ou de contact entraînés en labo s'effondrent face à des surfaces ou des outils jamais vus, obligeant à tout réentraîner. Une adaptation few-shot qui tient sans réentraînement complet, si elle se confirme au-delà des neuf configurations testées en laboratoire, réduirait le coût d'intégration pour des cas d'usage variés (hôpitaux, sites industriels, environnements BSL). Ce travail s'inscrit dans la lignée des recherches sur le contrôle par impédance et l'estimation de force sans capteur dédié, un axe actif depuis plusieurs années en robotique de manipulation fine, mais appliqué ici spécifiquement au cas peu documenté des outils souples à usage unique. Il reste à ce stade un résultat de recherche publié en preprint, validé sur un seul robot (UR5e) et un jeu limité de neuf régimes en environnement contrôlé, sans indication de déploiement réel ni de partenariat industriel annoncé. Les prochaines étapes attendues pour ce type de travaux sont généralement une validation sur du matériel de prélèvement réel (écouvillons médicaux certifiés), un élargissement du nombre de surfaces et de conditions de rigidité testées, et une comparaison directe avec des approches concurrentes de force sensing sans capteur tactile embarqué, avant toute intégration dans un système commercial.

RecherchePaper

1 source

3arXiv cs.RO

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

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.

RecherchePaper

1 source

4arXiv cs.RO

Feuille d'usinage coordonnée pour l'optimisation du temps total de désassemblage d'ensembles à grande échelle

Une équipe de chercheurs publie CoMuDi (coordinated multi-robot disassembly), une méthode de planification tâche-mouvement pour coordonner une flotte de robots chargés de désassembler de grands ensembles mécaniques dans des espaces de travail confinés. Le système prend en entrée une équipe de robots, un assemblage d'objets et un graphe de dépendances entre pièces, puis construit des tâches composites de prise, de dépose et de sortie pour chaque robot. En propageant des contraintes temporelles entre ces tâches, CoMuDi permet à chaque robot de démarrer et terminer son mouvement le plus tôt possible tout en évitant les collisions avec les robots voisins évoluant dans le même espace. La méthode intègre le planificateur ST-RRT (space-time RRT), qui minimise le temps d'arrivée de chaque tâche individuelle et, par effet cumulé, le makespan global de l'opération. Les auteurs comparent CoMuDi couplé à ST-RRT face à une version utilisant RRT classique, sous différentes bornes de temps de calcul, puis valident l'approche sur six assemblages allant jusqu'à 49 pièces et nécessitant jusqu'à 9 robots simultanés. Pour l'industrie du désassemblage automatisé, recyclage, reconditionnement, retraitement de produits en fin de vie, la coordination de plusieurs robots dans un espace exigu reste un verrou technique majeur : au delà de deux ou trois bras, les risques de collision et les temps d'attente explosent, ce qui limite en pratique l'échelle des déploiements. En démontrant des temps d'inactivité robot réduits sur des scénarios à 9 robots et 49 pièces, CoMuDi apporte une preuve de passage à l'échelle rare dans ce domaine, où la plupart des démonstrations publiées se limitent à deux ou trois bras sur des assemblages simples. L'usage combiné de ST-RRT pour raisonner conjointement sur l'espace et le temps, plutôt que de traiter planification de trajectoire et ordonnancement séparément, est présenté comme le facteur clé du gain en taux de réussite et en makespan. Le travail s'inscrit dans le champ plus large de la planification tâche-mouvement multi-robot (TAMP), où les approches par échantillonnage comme RRT servent de référence historique. Publié en preprint sur arXiv (2608.05830v1), l'article ne mentionne pas encore de validation sur robots physiques ni de partenariat industriel identifié ; la suite logique évoquée par les auteurs serait une évaluation en conditions réelles, hors simulation, pour confirmer la tenue des gains observés face aux incertitudes de perception et d'exécution propres au désassemblage physique.

RecherchePaper

1 source