Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Aero Hand Open : une main tendineuse prête pour la simulation, dédiée à l'apprentissage de la préhension dextérique
RecherchearXiv cs.RO 

Aero Hand Open : une main tendineuse prête pour la simulation, dédiée à l'apprentissage de la préhension dextérique

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

Des chercheurs ont publié sur arXiv (référence 2608.28578) une main robotique anthropomorphe à actionnement par tendons, baptisée Aero Hand Open, diffusée en version prête pour la simulation. Dans ce type de main, les moteurs sont déportés hors des articulations et transmettent leur force par câbles, ce qui autorise des moteurs plus petits et moins chers et permet à un seul moteur d'actionner plusieurs articulations. Les auteurs publient quatre éléments ensemble: la conception mécanique complète, un modèle de simulation reproduisant la transmission par câble, une carte d'actionnement identifiée reliant ce modèle aux commandes moteur dans les deux sens, incluant le couplage à trois voies du pouce, et un package d'apprentissage par renforcement pour entraîner des politiques sur la main, avec toute la pile de déploiement.

L'enjeu tient au fossé classique entre simulation et réel: le sous-actionnement qui rend les mains à tendons moins chères à fabriquer est aussi ce qui les rend difficiles à modéliser fidèlement, et les articulations reliées par un même câble ne se commandent pas indépendamment, ce qui complique l'apprentissage de la manipulation fine. Les auteurs affirment qu'une politique entraînée entièrement en simulation avec Aero Hand Open tourne ensuite sur la main physique sans réglage fin ni estimation d'état, ce qui, si le résultat se confirme au-delà de leurs propres essais, lèverait un obstacle connu des intégrateurs visant une manipulation fine à coût réduit sans renoncer aux gains de l'apprentissage simulé qui alimente les modèles vision-langage-action des humanoïdes.

Le choix du tendon plutôt que de l'entraînement direct, où chaque articulation embarque son propre moteur, reste privilégié par plusieurs fabricants de mains robotiques cherchant à réduire coût et poids en bout de bras, au prix d'une commande plus complexe. En publiant ensemble le design mécanique, le modèle physique de la transmission et l'environnement d'entraînement plutôt qu'une simple démonstration vidéo, les auteurs s'inscrivent dans un mouvement de recherche ouverte permettant à d'autres laboratoires de vérifier indépendamment le transfert simulation-vers-réel. Aucune date de commercialisation ni partenaire industriel n'est mentionné à ce stade.

Dans nos dossiers

IA physique & VLAarXiv cs.RO

À lire aussi

Apprentissage de la préhension dextérique à partir d'une taxonomie clairsemée
1arXiv cs.RO 

Apprentissage de la préhension dextérique à partir d'une taxonomie clairsemée

Une équipe de recherche a présenté GRIT, un système de manipulation dextre en deux étapes conçu pour piloter des mains robotiques multi-doigts sans exiger de plan de préhension dense pour chaque objet et chaque tâche. Concrètement, GRIT prédit d'abord une spécification de prise à partir d'une taxonomie de préhension (un ensemble limité de catégories de prises, comme on en trouve en robotique manipulatoire depuis des taxonomies classiques à une vingtaine d'entrées), en s'appuyant sur la scène observée et le contexte de la tâche. Une politique de contrôle continue génère ensuite les mouvements des doigts nécessaires pour exécuter la tâche tout en respectant la structure de prise choisie. Selon les auteurs, cette approche atteint un taux de réussite global de 87,9 % et généralise mieux à des objets jamais vus que les méthodes de référence, avec des expérimentations validées en conditions réelles (real-world experiments) et non uniquement en simulation. Le papier, republié sur arXiv en tant que version corrigée (v2), ne précise pas la plateforme matérielle exacte ni le nombre de degrés de liberté de la main utilisée dans le résumé disponible. L'intérêt de ce travail dépasse la simple métrique de succès : il s'attaque à un vrai dilemme d'ingénierie pour les intégrateurs de mains robotiques dextres. D'un côté, spécifier des cibles de contact ou de pose détaillées pour chaque objet est impraticable à l'échelle industrielle. De l'autre, l'apprentissage par renforcement de bout en bout, guidé uniquement par une récompense de tâche, produit des comportements peu contrôlables, difficiles à corriger quand un échec survient sur une chaîne de production ou en logistique. En montrant qu'une guidance taxonomique éparse suffit à préserver à la fois généralisation et contrôlabilité, GRIT offre une piste concrète pour des systèmes où un opérateur pourrait ajuster la stratégie de prise via une sélection de haut niveau, plutôt que de reprogrammer une trajectoire complète. Cette recherche s'inscrit dans un courant plus large de travaux sur la manipulation dextre qui cherchent un compromis entre commande explicite et apprentissage bout-en-bout, un axe également exploré par des laboratoires travaillant sur les architectures VLA (vision-language-action) pour la robotique généraliste. Le texte ne mentionne pas de partenariat industriel ni de calendrier de déploiement commercial : il s'agit à ce stade d'un résultat académique, dont la prochaine étape logique serait un portage sur des plateformes de préhension dextre plus largement utilisées en laboratoire ou en intégration industrielle.

RecherchePaper
1 source
SimToolReal : une politique centrée sur l'objet pour la manipulation dextérique d'outils sans apprentissage préalable
2arXiv cs.RO 

SimToolReal : une politique centrée sur l'objet pour la manipulation dextérique d'outils sans apprentissage préalable

Des chercheurs publient SimToolReal, une politique d'apprentissage par renforcement (RL) sim-to-real conçue pour manipuler des outils avec une main dextre sans entraînement spécifique à l'objet ni à la tâche. Au lieu de modéliser un outil et de régler une fonction de récompense pour chaque usage, l'équipe génère de façon procédurale de nombreuses primitives d'objets en forme d'outil en simulation. Elle entraîne ensuite une seule politique avec un objectif universel : amener chaque objet vers des poses cibles aléatoires. Les auteurs annoncent un gain de 37 % face aux méthodes de retargeting et de prise fixe, et une performance équivalente à celle de politiques RL spécialisées, entraînées sur un objet et une tâche précis. L'évaluation en conditions réelles porte sur 120 essais couvrant 24 tâches, 12 instances d'objets et 6 catégories d'outils. Le résumé de l'article ne précise ni le modèle de main, ni le bras, ni la définition exacte du taux de réussite. L'enjeu est la dextérité, qui reste l'un des principaux freins au déploiement des humanoïdes et des manipulateurs. Utiliser un outil exige de saisir des objets fins, de les faire pivoter dans la main et d'exercer des forces, trois comportements que la téléopération capture mal. La collecte de données par démonstration, dont dépendent les approches VLA (vision-langage-action), est donc difficile pour cette classe de tâches. Le RL en simulation devient une alternative crédible, à condition de ne plus exiger un travail d'ingénierie par outil. Une politique centrée sur l'objet, qui traite l'outil comme un corps à amener vers une pose cible, réduit ce coût. Le résultat nuance l'idée que le sim-to-real exigerait un réglage spécifique à chaque tâche. Il faut toutefois relativiser. Il s'agit d'un preprint, et 120 essais sur 12 objets restent un échantillon modeste, loin d'un environnement industriel avec ses variations d'éclairage, d'usure et de cadence. Le résumé ne donne pas non plus de temps de cycle, et la nature des tâches (usage réel d'outil ou simple mise en pose) reste à vérifier dans l'article complet. Ces travaux prolongent la lignée du sim-to-real appliqué à la main dextre, de la manipulation de cube d'OpenAI aux politiques de rotation d'objet en main, qui s'appuyaient surtout sur des objets simples ou sur un entraînement dédié. Ils s'opposent aux approches de retargeting de démonstrations humaines et aux politiques à prise fixe, qui servent ici de références. Ils visent la même généralité que les modèles fondation de manipulation, comme Pi-0 ou GR00T, mais par une voie fondée sur la simulation plutôt que sur les données de téléopération. La mention « v3 » indique que le papier a été révisé plusieurs fois. Les prochaines étapes à surveiller sont le passage à des tâches de contact plus exigeantes, des évaluations indépendantes et une éventuelle intégration sur des mains d'humanoïdes commerciales.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Régulation de force en temps réel pour la préhension dextérique de la main entière
3arXiv cs.RO 

Régulation de force en temps réel pour la préhension dextérique de la main entière

Une équipe de chercheurs publie le 25 septembre 2026 une prépublication sur arXiv (arXiv:2609.30082v1) décrivant un système de régulation de force en temps réel pour la préhension dextre impliquant l'ensemble de la main robotique, et non les seuls bouts des doigts. Le problème ciblé est concret : une répartition de force calculée à l'avance échoue dès que l'objet bouge, que le modèle géométrique est imprécis, ou qu'une perturbation externe survient. La méthode estime géométriquement les points de contact sur tous les liens de la main à partir d'un modèle suivi de l'objet et de la proprioception, sans capteur tactile dédié à ces zones de contact. Elle recalcule en continu la distribution de force souhaitée sous contraintes de frottement, de limites d'actionneurs, et une contrainte de cohérence d'actionnement inspirée de l'analyse classique de force en membre entier. Ce contrôleur est couplé à un module d'atteinte réactive, permettant à la main de saisir un objet, de maintenir la prise sous perturbation, puis de re-saisir après une perte de contact. Des essais en simulation sans gravité montrent une meilleure rétention de prise que deux méthodes de référence, une allocation fixe et une exécution limitée aux bouts des doigts, sous perturbations contrôlées. Des tests réels sur un système bras-main à 27 degrés de liberté confirment le maintien et la récupération de prise sous perturbations appliquées à la main par un opérateur humain, alors que les contacts évoluent sur toute la surface de la main. Ce travail s'attaque à un verrou classique de la manipulation dextre : la plupart des mains robotiques reposent soit sur une planification de force figée avant contact, soit sur des réseaux de capteurs tactiles denses et coûteux répartis sur chaque phalange, ce qui alourdit le coût matériel et la calibration. Démontrer qu'une estimation géométrique des contacts suffit à maintenir une prise robuste, sans instrumentation tactile supplémentaire, ouvre une piste pour réduire le coût des mains à haut nombre de degrés de liberté, un enjeu direct pour les intégrateurs visant la manipulation fine en environnement non structuré. Pour les acteurs qui misent sur les modèles vision-langage-action pour piloter des mains humanoïdes, ce résultat rappelle que la couche bas niveau de contrôle de force reste un goulot d'étranglement séparé de la décision haut niveau : savoir quoi saisir ne garantit pas de tenir la prise quand l'objet glisse. Le papier s'inscrit dans la recherche en contrôle de force multi-doigts, un champ dominé jusqu'ici par la planification hors ligne ou par des architectures tactiles denses, ce qui explique le choix des auteurs de comparer leur méthode à ces deux approches plutôt qu'à un produit commercial. La validation sur une plateforme à 27 DoF situe l'expérimentation au niveau des systèmes de recherche avancés en manipulation dextre. Les auteurs mettent à disposition une page de projet avec des démonstrations vidéo, mais ne communiquent aucun calendrier de transfert industriel ni partenariat : il s'agit à ce stade d'une contribution académique en prépublication, non d'un produit déployé.

RecherchePaper
1 source
ReForce : apprentissage du retargeting sensible à la force pour la manipulation dextérique
4arXiv cs.RO 

ReForce : apprentissage du retargeting sensible à la force pour la manipulation dextérique

Une équipe de recherche a publié le 18 août 2026 sur arXiv (référence 2608.15560v1) une méthode baptisée ReForce, conçue pour la manipulation dextre par robot à partir de démonstrations humaines. Le problème visé est le suivant: les pipelines de retargeting (transfert des mouvements humains vers un bras ou une main robotique) restent aujourd'hui essentiellement cinématiques, c'est-à-dire qu'ils copient les trajectoires et postures sans tenir compte des forces de contact, alors que ce sont ces forces qui déterminent la réussite ou l'échec d'une prise en main. ReForce ajoute un résidu de force au-dessus du mouvement retargeté classiquement, calculé par un "force tracker" générique entraîné sur un grand volume d'interactions simulées. La méthode fonctionne en deux modes: téléopération en ligne avec retour de force, et traduction hors ligne de jeux de données de démonstration déjà enregistrés. Les tests, menés à la fois en simulation et sur du matériel réel, portent sur des tâches réputées difficiles car riches en contacts fins: la saisie d'un gobelet en papier et la manipulation de pinces (tongs). Les auteurs rapportent une erreur de suivi de force réduite et un engagement multi-doigts plus stable que les approches purement cinématiques. Pour l'industrie robotique, l'enjeu dépasse le simple gain de précision: la collecte de démonstrations humaines à grande échelle est devenue le principal levier pour entraîner des politiques de manipulation dextre, y compris pour les modèles vision-langage-action. Si le retargeting cinématique ignore la force, les données transmises aux modèles encodent des gestes visuellement corrects mais mécaniquement approximatifs, ce qui explique en partie pourquoi certaines démonstrations impressionnantes en vidéo échouent lors d'un déploiement réel sur objets fragiles, déformables ou glissants. En introduisant un modèle de force générique et transférable, ReForce propose une brique technique susceptible d'améliorer la qualité des jeux de données de téléopération en amont, plutôt que de complexifier uniquement le modèle final. Il s'agit d'une contribution académique en preprint, sans entreprise ni produit commercial associé, à distinguer des annonces de Physical Intelligence (Pi-0), NVIDIA (GR00T N2) ou Figure (Helix), qui portent sur des modèles de bout en bout déployés ou pilotés en conditions réelles. ReForce se positionne en amont de ces systèmes, sur la brique de collecte et de conversion de données de démonstration. L'abstract ne mentionne ni publication de code, ni jeu de données ouvert, ni calendrier de déploiement industriel: les deux tâches testées, prise de gobelet et manipulation de pinces, servent de preuve de concept plutôt que de benchmark étendu, la validation à plus grande échelle restant à faire.

RecherchePaper
1 source