Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

Grappin Reconfigurable à Surface Active : Préhension Robuste et Manipulation Séquentielle d'Objets Fins

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

Des chercheurs ont publié le 28 août 2026 sur arXiv (2608.26883) une pince robotique reconfigurable à surface active, testée sur la saisie de livres comme cas représentatif des objets fins. Le système combine des doigts sous-actionnés, qui assurent un contact compliant avec la table ou l'étagère, et un pouce à surface active capable de repositionner le livre dans la main sans déplacer le bras ni les autres doigts. Une structure reconfigurable couvre deux scénarios : livres à plat sur un bureau et livres empilés verticalement sur une étagère. Après modélisation cinématique et analyse du contact livre-table-pince, les auteurs valident l'approche sur livres, papier, tissu, film plastique et tapis de souris, avec un taux de réussite élevé en prise verticale et des séquences longues de saisie-dépose réussies.

L'intérêt pour l'industrie tient au problème visé : les pinces existantes échouent souvent sur les objets fins car elles exigent une approche et une prise très précises, ce qui limite leur usage en logistique documentaire, bibliothèques automatisées ou e-commerce. En déportant l'ajustement fin vers une surface active intégrée au pouce plutôt que vers la planification du bras, l'approche réduit la dépendance à une perception et un contrôle ultra-précis, une piste utile pour fiabiliser la manipulation d'objets minces sans multiplier capteurs et calcul. La réussite sur des séquences longues de saisie-dépose compte davantage que la performance sur un geste isolé, souvent mise en avant dans les démonstrations de préhenseurs.

Ces travaux s'inscrivent dans la recherche sur les pinces sous-actionnées et compliantes, qui cherchent depuis plusieurs années à simplifier le contrôle des mains robotiques, à l'opposé des mains multi-doigts entièrement actionnées visées par les humanoïdes. Le livre, fin et glissant à plat, constitue un benchmark fréquent dans la littérature sur la manipulation. Publié en preprint sur arXiv sans affiliation industrielle ni partenaire cité, l'article reste à ce stade une contribution académique : aucun essai en environnement réel, aucun chiffre de charge utile ou de temps de cycle, ni calendrier de déploiement n'est communiqué. L'étape suivante logique serait une validation sur robot mobile en conditions réelles et une comparaison avec les pinces à ventouse ou à friction déjà utilisées en tri postal.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Vers une préhension séquentielle fiable d'objets en environnement encombré : solution finaliste du RGMC 2025
1arXiv cs.RO 

Vers une préhension séquentielle fiable d'objets en environnement encombré : solution finaliste du RGMC 2025

Une équipe de chercheurs a présenté à l'ICRA 2025, la principale conférence mondiale en robotique, un système de préhension séquentielle en environnement encombré, décrochant la deuxième place dans la piste "Pick-in-Clutter" de la 10e édition du Robotic Grasping and Manipulation Competition (RGMC 2025). Le système s'évalue sur le Cluttered Environment Picking Benchmark (CEPB), un protocole standardisé conçu pour des scénarios de ramassage séquentiel d'objets hétérogènes entremêlés. La solution combine une pince multifonctionnelle sur mesure, un module de reconnaissance d'objets, des stratégies de désencombrement actif et une approche de préhension multimodale capable de traiter à la fois des pièces rigides et des objets déformables. L'architecture produit une représentation explicite de la distribution spatiale des objets et de leurs relations d'occlusion, permettant au robot de planifier l'ordre de saisie le plus efficace tout en évitant les collisions. Ce résultat est significatif pour les intégrateurs industriels parce qu'il adresse un verrou applicatif précis : non plus saisir un objet isolé avec un taux de succès élevé, mais rechercher et extraire séquentiellement des cibles dans un tas désordonné, cas d'usage courant en picking e-commerce, en tri logistique ou en désassemblage. La gestion des objets déformables (sachets, textiles, pièces souples) reste un différenciateur rare : la plupart des systèmes commerciaux contournent ce cas. Les auteurs distinguent explicitement les "taux de succès élevés sur la saisie unitaire" déjà atteints dans la littérature des "solutions matures pour le tri séquentiel", un écart que ce travail cherche à combler. La validation en conditions de compétition sous contrainte temps, avec des objets non sélectionnés par l'équipe, renforce la crédibilité par rapport aux démonstrations en conditions contrôlées. Le RGMC est organisé annuellement depuis 2011 en marge de l'ICRA et constitue l'une des références de benchmark en manipulation robotique. Sur ce segment, les concurrents directs incluent des systèmes basés sur des grippers adaptatifs (Robotiq, OnRobot) et des solutions de bin-picking comme celles de Photoneo, Mech-Mind ou Roboception, souvent couplées à des pipelines de vision 3D. Aucun acteur européen n'est mentionné dans ce travail. L'article, déposé sur arXiv sous l'identifiant 2606.12954, ne précise pas l'affiliation institutionnelle de l'équipe ni de feuille de route vers une commercialisation. Les prochaines étapes naturelles seraient la mise en open source du benchmark CEPB et une validation sur un spectre plus large d'objets industriels réels.

RecherchePaper
1 source
Apprentissage d'une manipulation en préhension stable dans un espace d'actions sans lâcher
2arXiv cs.RO 

Apprentissage d'une manipulation en préhension stable dans un espace d'actions sans lâcher

Des chercheurs ont publié en juin 2026 sur arXiv (arXiv:2606.28196v1) une approche pour apprendre à un bras robotique à manipuler des objets en main de façon stable, sans les lâcher. Le problème ciblé est l'in-grasp manipulation : repositionner ou réorienter un objet tenu dans la pince sans l'échapper, une capacité jugée critique pour les mains dextres multi-doigts. Leur contribution principale est un espace d'action dit "non-dropping", qui contraint structurellement l'exploration du contrôleur pour éliminer les trajectoires conduisant à la chute. Sur cet espace, chaque sous-compétence de manipulation dextre est décomposée en composantes simples et analysables, puis entraînée séparément avec des contraintes issues de la physique classique et de la théorie du contrôle. Les expériences couvrent différentes géométries d'objets, niveaux de bruit moteur et sensoriel, latences de communication, et conditions de friction. L'intérêt industriel de ce travail tient à une limite bien connue du reinforcement learning appliqué à la manipulation : l'inefficacité de l'exploration en bout en bout lorsque les objectifs d'apprentissage entrent en conflit ou que les instabilités passent inaperçues pendant l'entraînement. En injectant des priors de physique et de contrôle au niveau de la structure du problème plutôt qu'en récompense floue, les auteurs réduisent le besoin en simulation massive et accélèrent la convergence. Pour un intégrateur ou un ingenieur système, cela signifie potentiellement des contrôleurs de préhension plus robustes aux variabilités de terrain sans recourir à des millions d'itérations de sim-to-real. L'approche s'inscrit dans la tendance "physics-informed RL" qui cherche à corriger le manque d'échantillonnage des méthodes purement agnostiques. L'in-grasp manipulation reste un problème ouvert depuis les travaux fondateurs sur les mains Shadow et DLR Hand au début des années 2000. Récemment, des équipes comme OpenAI (Rubik's Cube, 2019) ou Google DeepMind (ALOHA / DexteritY) ont démontré des progrès en RL pur, mais souvent au prix de temps d'entraînement prohibitifs ou de contextes très contraints. Ce préprint ne provient pas d'une entreprise identifiée dans l'abstract et aucune affiliation institutionnelle n'est mentionnée dans l'extrait disponible. Aucun déploiement réel ni partenariat industriel n'est annoncé : il s'agit d'une contribution académique en phase de revue, dont les suites dépendront de la publication complète et d'éventuelles validations sur hardware physique.

RecherchePaper
1 source
FUNCanon : primitives d'action sensibles à la pose par canonicalisation fonctionnelle d'objets pour la manipulation robotique généralisable
3arXiv cs.RO 

FUNCanon : primitives d'action sensibles à la pose par canonicalisation fonctionnelle d'objets pour la manipulation robotique généralisable

Des chercheurs ont publié FuncCanon sur arXiv (réf. 2509.19102, deuxième révision), un framework qui décompose les tâches de manipulation robotique à long horizon en séquences d'"action chunks", des triplets structurés (acteur, verbe, objet), pour apprendre des politiques généralisables à partir de démonstrations humaines. L'idée centrale est de centrer l'apprentissage sur les actions elles-mêmes, pas sur des tâches isolées, ce qui ouvre la voie à la composition et à la réutilisation de primitives. La brique technique originale est la "canonicalisation fonctionnelle d'objets" : les objets sont projetés dans des repères fonctionnels partagés en s'appuyant sur des cues d'affordance extraites de grands modèles vision-langage (VLM). Ce mapping automatique permet de transférer des trajectoires de manipulation entre instances d'une même catégorie sans nouvelles démonstrations. La politique apprise, FuncDiffuser, est une politique de diffusion centrée objet et action, entraînée sur ces données alignées et évaluée sur des benchmarks en simulation et en déploiement réel. L'abstract ne fournit pas de métriques précises (temps de cycle, taux de succès chiffré, nombre de DOF testés), ce qui limite l'évaluation indépendante à ce stade. Le problème que FuncCanon attaque directement est la généralisation hors distribution des politiques end-to-end issues de l'imitation learning, un obstacle bien documenté qui bloque le passage à l'échelle industrielle. En normalisant la pose et la fonctionnalité des objets avant l'apprentissage, FuncDiffuser n'a pas besoin de voir chaque instance d'une catégorie lors de l'entraînement, ce qui réduit structurellement le volume de démonstrations nécessaires par référence produit. Pour un intégrateur industriel, c'est un levier économique potentiellement significatif : le coût de télé-opération pour collecter des données reste l'un des principaux freins au déploiement de bras robotiques en production. Les auteurs revendiquent également une robustesse sim-to-real, mais sans chiffres publiés dans l'abstract, cette affirmation reste à vérifier sur les benchmarks complets disponibles sur le site du projet. FuncCanon s'inscrit dans une vague de travaux visant à dépasser les limites des politiques de diffusion pures (Diffusion Policy, Chi et al., 2023) en ajoutant des représentations sémantiques intermédiaires. Les approches concurrentes incluent Pi-0 de Physical Intelligence, qui exploite une architecture VLA (vision-language-action) pour la généralisation zéro-shot, et GR00T N2 de NVIDIA, qui mise sur un entraînement massif sur données synthétiques. ACT (Action Chunking with Transformers, Zhao et al., 2023) partage la logique de découpage en chunks mais sans canonicalisation fonctionnelle. L'utilisation des VLMs pour extraire des affordances plutôt qu'apprendre des représentations ad hoc est une tendance forte portée par RT-2 de Google DeepMind et OpenVLA. FuncCanon reste pour l'instant une contribution académique sans partenaire industriel ni timeline de commercialisation annoncée.

RechercheOpinion
1 source
Commande prédictive par intégrale de chemin informée par objets pour la manipulation robotique sans préhension
4arXiv cs.RO 

Commande prédictive par intégrale de chemin informée par objets pour la manipulation robotique sans préhension

Des chercheurs ont présenté une formulation hiérarchique du contrôle MPPI (Model Predictive Path Integral) appliquée à la manipulation non-préhensile, c'est-à-dire au déplacement d'objets par poussée sans saisie physique. Publiée sur arXiv (référence 2605.30778), la méthode décompose le problème en deux niveaux : un premier plan est calculé en supposant que l'objet peut être actionné directement, puis cette trajectoire sert de référence pour résoudre le problème couplé robot-objet. Les expériences ont été conduites sur un bras xArm6 à 6 degrés de liberté de UFactory, avec pour tâche de pousser un objet vers une cible tout en contournant des obstacles statiques. En simulation, la méthode augmente le taux de succès de 40 % et accélère la fréquence de contrôle de 26 % par rapport à un MPPI standard. Sur matériel réel, le gain de succès atteint 20 % pour un coût de calcul comparable. Cette décomposition hiérarchique répond à un problème fondamental de la planification à long horizon : l'espace de recherche conjoint robot-objet est trop vaste pour être exploré efficacement dans des délais temps-réel. En résolvant d'abord un sous-problème centré sur l'objet, l'algorithme oriente l'échantillonnage stochastique vers des régions prometteuses, réduisant le gaspillage computationnel sans nécessiter de hardware spécialisé. Pour un intégrateur industriel, cela signifie que des tâches impliquant poussées ou réorientations sans préhension deviennent planifiables en temps réel sur des cellules robotiques standard, un verrou qui limitait jusqu'ici l'automatisation de nombreuses opérations de manutention. Le MPPI est une méthode de contrôle prédictif par échantillonnage stochastique introduite par Theodorou et Williams à Georgia Tech, et popularisée en robotique par NVIDIA via ses environnements de simulation. La manipulation non-préhensile reste un domaine actif, avec des contributions récentes de MIT CSAIL, ETH Zurich et Stanford sur la gestion des contacts discontinus. Ce travail reste à ce stade un preprint non évalué par les pairs, et les benchmarks se limitent à des scénarios de poussée en espace plan avec obstacles statiques : des configurations plus complexes, obstacles dynamiques ou objets déformables, n'ont pas été testés.

RecherchePaper
1 source