RecherchearXiv cs.RO 28 août 2026

Réseaux de neurones informés par la physique et sensibles aux contraintes pour l'estimation de forme statique des robots continuums co-manipulés

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article publié sur arXiv (2608.26273v1) présente un réseau de neurones informé par la physique (PINN) pour estimer la forme statique de robots continus co-manipulatifs : des bras flexibles à câbles manipulant conjointement un objet souple, formant une chaîne fermée soumise à la fois à l'équilibre statique et à des contraintes géométriques de fermeture de boucle. Le modèle intègre un résidu d'équilibre projeté et un résidu géométrique de configuration. Avec 140 échantillons et 50 % de bruit sur les labels, il réduit l'erreur de configuration de 67,88 %, le résidu d'équilibre de 67,35 % et le résidu de fermeture de 88,06 % face à un réseau data-driven classique. Sur le jeu complet, il atteint 0,1597 % d'erreur avec un temps d'inférence de 0,1773 milliseconde, contre 17,97 secondes pour un solveur non linéaire itératif ; en expérimentation, le RMSE des marqueurs chute de 2,657 mm à 0,497 mm et le R2 passe de -0,788 à 0,937.

Ce travail s'attaque à un verrou concret pour les intégrateurs de manipulation collaborative avec des systèmes souples : estimer en temps réel la forme d'un bras flexible en interaction fermée avec l'objet manipulé, sans recourir à un solveur trop lent pour un contrôle en boucle fermée. Le passage de plusieurs secondes à moins d'une milliseconde d'inférence ouvre la voie à un contrôle réactif, utile en chirurgie assistée, en inspection industrielle ou en manipulation coopérative de charges souples. Les résultats confirment aussi qu'injecter des contraintes physiques dans un réseau de neurones compense le manque de données et le bruit de mesure, là où une approche purement data-driven échoue. La validation reste toutefois surtout menée en simulation, ce travail demeurant un preprint non encore évalué par des pairs, loin d'un déploiement industriel.

Les robots continus, structures inspirées des trompes d'éléphant capables de se déformer en continu plutôt que via des articulations rigides, se heurtent depuis longtemps au coût de calcul des modèles mécaniques non linéaires nécessaires pour prédire leur forme sous charge. Les approches existantes reposaient soit sur des solveurs itératifs précis mais lents, soit sur des réseaux data-driven rapides mais peu fiables hors distribution d'entraînement. En intégrant les équations de la mécanique directement dans la fonction de perte, les auteurs rejoignent le courant des réseaux de neurones informés par la physique et l'appliquent ici aux chaînes fermées formées par un bras à câbles et l'objet co-manipulé, sans mentionner de plateforme commerciale ni de partenariat industriel à ce stade.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Prédire la conformité de préhension des mains robotiques via des réseaux de neurones informés par modèle analytique

La recherche, publiée sur arXiv sous la référence 2607.17541v1, s'attaque à un problème précis de la manipulation robotique : la plupart des études traitent la prise d'un objet comme un problème binaire, réussite ou échec, jugé simplement par le fait que l'objet reste dans la main. Cette approche devient insuffisante dès qu'il s'agit d'usage forcé d'un outil, où la compliance de la prise, c'est-à-dire sa capacité à se déformer sous charge, devient déterminante pour prédire le comportement conjoint de la main et de l'outil. Les auteurs introduisent l'AMINN (Analytical Model Informed Neural Network), un modèle hybride qui combine une couche de mécanique analytique avec un réseau de neurones entraîné sur données, afin d'estimer la stabilité de la prise et le déplacement de l'outil dans la main sous charge externe. Le modèle a été évalué sur une main robotique sous-actionnée à trois doigts et montre une bonne capacité prédictive, avec des sorties mécaniquement cohérentes sur des conditions de charge variées. L'enjeu dépasse la simple précision prédictive. Les mains sous-actionnées, appréciées pour leur faible coût et leur capacité d'adaptation passive à la forme des objets, sont notoirement difficiles à modéliser car leur comportement de compliance dépend d'une combinaison non linéaire de cinématique couplée, de mécanique passive et de conditions de contact. Pour les intégrateurs et concepteurs de systèmes robotiques destinés à un usage forcé d'outils, un tel modèle physiquement interprétable ouvre la voie à des systèmes plus fiables et plus sûrs, notamment dans les contextes critiques où une défaillance de prise sous charge peut avoir des conséquences directes. Comparé à un modèle boîte noire de type perceptron multicouche pris comme référence, l'AMINN affiche une meilleure cohérence physique fondée sur l'énergie, ce qui distingue clairement son approche des méthodes purement data-driven aujourd'hui dominantes dans l'apprentissage pour la manipulation. Ce travail s'inscrit dans une tendance de fond en robotique : réintroduire des contraintes physiques explicites dans des architectures d'apprentissage profond pour gagner en interprétabilité et en robustesse, plutôt que de s'en remettre uniquement à des réseaux entraînés de bout en bout. Les auteurs présentent leur cadre comme une base pour des travaux futurs sur l'usage autonome et fiable d'outils par des mains robotiques compliantes.

RecherchePaper

1 source

2arXiv cs.RO

Commande prédictive adaptative d'un robot continu souple par réseau neuronal informé par la physique (tiges de Cosserat)

Des chercheurs ont publié sur arXiv (2508.12681) un framework de contrôle prédictif par modèle (MPC) non linéaire pour robots continus souples, capables de se déformer en flexion continue plutôt que par articulations rigides. Le coeur du système est un réseau de neurones physiquement informé à découplage de domaine (DD-PINN), entraîné comme substitut du modèle dynamique de tige de Cosserat, la référence mathématique pour la mécanique des structures élancées déformables. Ce substitut atteint un facteur d'accélération de 44 000 par rapport au modèle complet, ce qui permet de faire tourner le MPC en temps réel à 70 Hz sur GPU. En parallèle, un filtre de Kalman non parfumé (UKF) exploite le DD-PINN pour estimer en ligne les états internes du robot et la compliance en flexion, à partir des seules mesures de position de l'effecteur terminal. En simulation, les erreurs de position restent inférieures à 3 mm, soit 2,3 % de la longueur de l'actionneur. Sur le robot physique, le contrôleur atteint des accélérations jusqu'à 3,55 m/s², avec une précision comparable. Ce résultat est notable parce qu'il démontre un contrôle dynamique (et non quasi-statique) d'un robot souple en conditions réelles, à une fréquence compatible avec les exigences industrielles. La majorité des approches antérieures, dont les méthodes basées sur l'opérateur de Koopman, sacrifient soit la précision de forme globale, soit l'adaptabilité aux variations de rigidité. Ici, le DD-PINN reconstruit la forme complète du robot et adapte en ligne la compliance, ce qui ouvre la voie à des manipulateurs souples capables de compenser vieillissement matériau ou déformations sous charge variable. Pour un intégrateur ou un décideur industriel, c'est la convergence entre modèle physique et inférence rapide qui est structurante : on cesse de choisir entre fidélité du modèle et temps réel. Les robots continus souples sont étudiés depuis une quinzaine d'années, principalement pour des applications médicales (endoscopes actifs, outils chirurgicaux), l'inspection en espace confiné, et la manipulation de pièces fragiles. Le modèle de Cosserat est le standard théorique du domaine, mais son coût computationnel avait jusqu'ici limité son usage au contrôle quasi-statique ou offline. Les PINN, réseaux intégrant des équations différentielles comme contraintes de loss, constituent depuis 2019 une piste active pour contourner ce verrou. Ce preprint ne mentionne pas de partenaires industriels ni de calendrier de déploiement ; il s'agit à ce stade d'un résultat de recherche académique, sans produit ni pilote terrain annoncé. Les prochaines étapes naturelles concernent la robustesse aux perturbations externes, l'extension à des structures à plusieurs segments, et une validation sur des cas d'usage médicaux ou d'assemblage délicat.

RecherchePaper

1 source

3arXiv cs.RO

Relier sémantique et physique : des LLM contraints pour une manipulation robotique sûre et fiable

Des chercheurs présentent un système qui relie raisonnement en langage naturel et exécution physique sûre pour la manipulation robotique, décrit dans un article publié le 29 août 2026 sur arXiv (2608.29379v1). Le pipeline part d'observations RGB-D pour construire un modèle de scène explicite tenant compte des collisions, puis contraint les décisions d'un grand modèle de langage via des appels d'outils validés par schéma selon le Model Context Protocol (MCP), rejetant les commandes mal formées avant qu'elles n'atteignent le robot. Chaque appel validé est ensuite traduit de façon déterministe dans un pipeline MoveIt Task Constructor, où les mouvements candidats sont vérifiés contre la scène reconstruite avant exécution, une étape de type "vérifier puis agir". Testé sur un bras robotique physique UFactory 850, le système atteint jusqu'à 80% de réussite sur dix essais par tâche pour des opérations de versement impliquant liquides, matières granulaires et solides discrets, et 90% de réussite sur une tâche de saisie-et-dépose avec la même architecture. L'intérêt de ces travaux tient à la démonstration chiffrée d'un problème bien identifié dans la robotique pilotée par LLM: un plan verbalement cohérent peut être physiquement infaisable si la cinématique et les collisions ne sont pas vérifiées avant exécution. Les auteurs montrent qu'une politique scriptée classique surpasse légèrement leur méthode sur la tâche la plus simple, mais chute à seulement 10% de réussite sur la tâche la plus difficile, contre 60% pour leur approche contrainte. Pour les intégrateurs industriels et les équipes robotique, ce résultat suggère qu'ajouter une couche de validation formelle entre le langage et l'action améliore surtout la robustesse sur les cas complexes, plutôt que la performance brute sur les cas faciles où des solutions scriptées suffisent déjà. Ce travail s'inscrit dans la lignée des recherches sur le "language-action gap", l'écart entre la capacité des LLM à décomposer des instructions en séquences d'actions et leur incapacité native à garantir la faisabilité physique de ces actions dans un environnement encombré et perçu de façon imparfaite. La solution proposée combine plusieurs briques existantes, le MCP pour la validation structurée des appels d'outils côté langage, et MoveIt Task Constructor pour la planification de mouvement sous contraintes cinématiques et de collision côté robot, plutôt que d'introduire une nouvelle architecture de bout en bout. Les tests restent limités à un seul bras robotique et un nombre réduit d'essais par tâche, ce qui invite à la prudence avant toute extrapolation vers des déploiements industriels à plus grande échelle.

RecherchePaper

1 source

4arXiv cs.RO

Adaptateur de réseau de neurones inversible pour la correspondance de flux en une étape dans la manipulation robotique

Des chercheurs ont soumis fin juin 2026 sur arXiv (2606.19194) un adaptateur neuronal invertible pour la manipulation robotique dextère. La méthode repose sur un flow matching contraint dans un espace latent invertible, ce qui ramène la génération d'actions à une seule passe d'inférence, contre de multiples étapes pour les politiques de flow matching itératif classiques. Conditionné sur des entrées visuelles, linguistiques et proprioceptives, l'adaptateur réduit la latence moyenne des modèles VLA de 110 ms à 61 ms, soit un gain de 44 %, sans dégradation mesurée de la précision sur les benchmarks de manipulation testés. Cette réduction n'est pas marginale : à 110 ms par cycle, un VLA plafonne à moins de 10 Hz, fréquence insuffisante pour les tâches de manipulation en boucle fermée nécessitant une haute réactivité. Descendre à 61 ms rapproche ces modèles de conditions d'utilisation industrielle réelle, notamment pour des effecteurs devant s'adapter à une variabilité de pièces ou de positions. Point distinctif de l'approche : elle préserve la stabilité de la prédiction d'actions là où les méthodes de distillation one-step existantes, comme les consistency models ou certaines variantes DDIM, introduisent généralement une dégradation de précision. Les résultats sur benchmarks de simulation se situent à parité ou au-dessus de l'état de l'art sur un large éventail de tâches. Le flow matching s'est imposé en robotique embarquée via des modèles comme Pi-0 de Physical Intelligence et GR00T N2 de NVIDIA, qui ont démontré que la latence itérative restait un goulot d'étranglement à l'inférence. Le problème du passage à une seule étape est documenté depuis les travaux sur Consistency Policy ; l'approche proposée ici le contourne par l'invertibilité de l'espace latent plutôt que par distillation directe. Il convient de noter que l'article est un preprint non relu par les pairs et que les conditions des expériences réelles (type de robot, nature des tâches, variabilité de scènes) ne figurent pas dans l'abstract disponible, ce qui limite la portée des conclusions. Une validation sur des architectures VLA open-source telles qu'OpenVLA ou Octo constituerait la suite logique pour la communauté.

RechercheOpinion

1 source