RecherchearXiv cs.RO 11 septembre 2026

GeoTrussRover : le calcul morphologique piloté par des primitives de contact sémantique

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un groupe de chercheurs en robotique a présenté GeoTrussRover, un robot mobile combinant une base à roues et une structure à géométrie variable (variable-geometry truss, VGT) actionnée électriquement, capable de changer de forme pour franchir des obstacles qu'un châssis rigide ne pourrait pas négocier. Décrite dans un preprint déposé sur arXiv le 11 septembre 2026 (arXiv:2609.11361, non encore relu par les pairs), l'étude résout une traversée de référence et en extrait quatre primitives dites "contact-sémantiques", qui codent la coordination entre les 21 membres de la structure porteuse. Une méthode de projection sous contraintes physiques adapte ensuite ces primitives à de nouvelles hauteurs de marche sans tout recalculer : si chaque phase du mouvement reste faisable, aucune replanification complète n'est nécessaire ; si une seule phase viole les nouvelles contraintes, seule celle-ci est recalculée, avant qu'un programme quadratique global ne suive le mouvement adapté et corrige les écarts des membres et des roues. Pour un transfert de 0,10 m à 0,075 m de hauteur de marche, la méthode réduit de 63,7 % le nombre d'évaluations de la fonction objectif par rapport à un recalcul complet. L'analyse de faisabilité couvre des hauteurs de marche de 0,10 à 0,46 m, soit 1,08 à 4,97 rayons de roue, cette borne haute frôlant la limite théorique de faisabilité ; sur le prototype électrique réel, le franchissement démontré plafonne à 2,11 rayons de roue.

Cet écart entre la limite théorique (4,97 rayons de roue) et la performance physique démontrée (2,11) illustre un problème classique en robotique reconfigurable : l'analyse de faisabilité surestime souvent ce qu'un prototype réel peut accomplir. L'intérêt pour les intégrateurs et concepteurs de robots mobiles industriels tient surtout à la réduction de 63,7 % du coût de calcul lors de l'adaptation à un nouvel obstacle, qui rend plus réaliste l'embarquement de structures hyper-redondantes gérant elles-mêmes leur planification de contact, sans recalcul complet de trajectoire à chaque changement de terrain, un enjeu concret pour des AMR ou des robots d'inspection à ressources de calcul limitées. L'approche défend aussi une alternative aux politiques apprises de bout en bout (type VLA) pour la locomotion en terrain accidenté : une représentation compacte, bâtie sur des primitives de contact réutilisables plutôt que sur un réseau entraîné, capable de généraliser à des hauteurs d'obstacle inédites tant que la topologie de contact reste la même.

Les structures à géométrie variable sont étudiées depuis plusieurs années comme moyen de doter un robot mobile de capacités de franchissement sans multiplier les actionneurs dédiés aux jambes ou aux roues ; GeoTrussRover s'inscrit dans cette lignée en couplant explicitement la structure porteuse à une base roulante, ce qui crée le problème de coordination à haute dimension, entre 21 membres, que l'article cherche à réduire à un petit nombre de primitives réutilisables. Le résumé ne cite ni concurrent nommé ni laboratoire d'origine, et le travail reste à ce stade une publication de recherche non validée par les pairs plutôt qu'un produit ou un déploiement industriel : aucun calendrier de commercialisation, de pilote ou de partenariat n'est mentionné. Les suites logiques, bien que non détaillées dans le résumé, consisteraient à étendre l'analyse de faisabilité à d'autres topologies de contact et à réduire l'écart entre le franchissement théorique et celui réellement démontré sur le prototype électrique.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

ForeTac : guidage prédictif par le contact pour les politiques génératives de robots

Des chercheurs présentent ForeTac, un cadre de guidage prédictif du contact pour les politiques génératives de manipulation robotique, décrit dans la version 2 d'un preprint arXiv (2610.18118). Le système fonctionne en boucle représenter, prédire, évaluer, guider. Il encode l'état tactile courant, prédit des trajectoires tactiles latentes futures conditionnées par des séquences d'actions candidates, puis note chaque trajectoire avec un objectif de qualité de contact appris sur des interactions physiques réussies et échouées. À l'inférence, les gradients de cet objectif sont rétropropagés à travers le prédicteur tactile pour corriger la génération d'actions avant leur exécution, tous les paramètres du modèle restant gelés. Les tests portent sur quatre tâches réelles : essuyage de surfaces planes et courbes, passage de carte et saisie d'objets fragiles, avec des politiques de diffusion et de flow-matching. Face à une Diffusion Policy purement visuelle, le taux de réussite moyen passe de 36,3 % à 71,3 %, et le taux de réussite du contact de 20,0 % à 66,3 %. Des gains sont aussi rapportés avec la politique de flow-matching. L'enjeu tient à une limite connue de la manipulation riche en contacts : deux actions qui paraissent également plausibles à la caméra peuvent produire des contacts très différents, et un contrôle réactif fondé sur le retour tactile courant intervient souvent trop tard, une fois la pression excessive ou le glissement déjà en cours. Anticiper le résultat tactile avant d'agir déplace la correction en amont. L'approche est aussi peu intrusive : le guidage s'ajoute à des politiques existantes sans réentraînement, ce qui intéresse les intégrateurs qui disposent déjà de politiques visuelles et cherchent à fiabiliser des opérations délicates comme le polissage, l'essuyage, la manipulation de produits fragiles ou l'insertion. Les analyses d'ablation soutiennent l'utilité de la représentation tactile apprise, de l'anticipation conditionnée par l'action et du guidage par gradient à la génération, et les trajectoires latentes prédites conservent l'ordre de qualité de contact. Il faut toutefois rester prudent : quatre tâches de laboratoire, un nombre d'essais non précisé dans le résumé et des scores de référence assez bas ne disent rien de la robustesse en production. Le coût de calcul du guidage par gradient à chaque pas n'est pas non plus chiffré. Ce travail s'inscrit dans la montée des politiques génératives, diffusion et flow-matching, devenues standard en apprentissage par imitation, et dans l'intérêt croissant pour le tactile comme complément de la vision, jusque-là surtout utilisé de façon réactive ou intégré directement à l'entraînement. ForeTac suit une logique de guidage à l'inférence proche de celle des modèles de diffusion avec fonction d'évaluation, appliquée ici au contact. Il reste à voir si la méthode se généralise à d'autres capteurs tactiles, à des modèles vision-langage-action plus larges et à des cadences de contrôle industrielles. Une page de projet est annoncée sur foretac.github.io, mais aucun déploiement industriel ni calendrier de pilote n'est mentionné à ce stade.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

SPECTRA : primitives de mouvement spectrales conditionnées par le contexte pour la généralisation des compétences robotiques

Des chercheurs proposent SPECTRA (Spectral Movement Primitive, SMP), un framework d'apprentissage par imitation dans le domaine fréquentiel pour la manipulation robotique, décrit dans un article publié sur arXiv (2607.06978v1). Le principe consiste à représenter les démonstrations de trajectoire par des coefficients de Fourier tronqués sur horizon fini, plutôt que par des points temporels bruts. Une bande de fréquences basses, sélectionnée empiriquement, capture la géométrie dominante du mouvement, tandis que les harmoniques plus élevées, responsables d'une croissance disproportionnée des dérivées (vitesse, accélération, jerk), sont écartées. Un modèle GMM/GMR (mélange de gaussiennes avec régression) conditionné par le contexte et sensible au référentiel prédit les coefficients de la bande de tâche dans un repère canonique ; la trajectoire cartésienne obtenue est ensuite convertie en espace articulaire via cinématique inverse séquentielle. Un régulateur couplé en phase limite la progression temporelle demandée sans toucher aux coefficients spectraux, imposant ainsi les limites de vitesse et d'accélération articulaires tout en conservant le chemin de l'effecteur. Les auteurs valident l'approche sur plusieurs critères (reconstruction de la bande de tâche, robustesse à des démonstrations corrompues, généralisation hors distribution entre repères non vus, admissibilité dynamique en espace articulaire, préservation du chemin) et un déploiement réel sur un bras Franka Panda. Le problème que cible SPECTRA est concret pour tout intégrateur en apprentissage par imitation : les pipelines classiques apprennent une trajectoire en espace de tâche puis lui imposent après coup des limites d'exécution (filtrage, lissage, écrêtage, mise à l'échelle temporelle), ce qui déforme souvent le chemin de l'effecteur jugé critique pour la tâche, par exemple lors d'un versement, d'une insertion de pièce ou du suivi d'un contour précis. En couplant génération de trajectoire et régulation dynamique dès la conception, dans le domaine fréquentiel, SPECTRA évite cette distorsion a posteriori : les résultats rapportés montrent une réduction substantielle des violations dynamiques et du jerk, tout en préservant le chemin voulu pendant la régulation de phase. Pour la robotique industrielle, où les cycles de préhension et d'insertion tolèrent mal les à-coups mécaniques, cela offre une alternative aux primitives de mouvement dynamiques (DMP) classiques et aux méthodes de lissage a posteriori. Les primitives de mouvement existent depuis les Dynamic Movement Primitives (DMP), introduites il y a une vingtaine d'années et largement utilisées en apprentissage par imitation pour encoder des trajectoires robustes et reproductibles. SPECTRA s'en démarque en travaillant dans le domaine fréquentiel plutôt que temporel, et en couplant explicitement génération de tâche et contraintes d'exécution articulaire plutôt que de les traiter séparément. Le choix du Franka Panda comme plateforme de validation, un bras collaboratif conçu par l'allemand Franka Robotics (ex Franka Emika) très utilisé en recherche académique, ancre les travaux dans l'écosystème européen de manipulation robotique. L'article ne mentionne ni calendrier de transfert industriel ni partenariat commercial : il s'agit à ce stade d'une contribution de recherche évaluée en laboratoire, dont la suite logique serait une validation sur des tâches de manipulation plus complexes et une comparaison directe avec les approches DMP existantes.

UEImpact indirect: la validation s'appuie sur un bras Franka Panda, plateforme concue par l'allemand Franka Robotics, mais aucun partenariat, financement ou deploiement commercial en France/UE n'est mentionne.

RecherchePaper

1 source

3arXiv cs.RO

ContactDP : politique de diffusion guidée par le contact pour les tâches d'insertion de précision

Une équipe de recherche présente ContactDP (Contact-Guided Diffusion Policy), une politique de diffusion conçue pour l'insertion de connecteurs à tolérances serrées, dans un preprint publié sur arXiv (2609.23800v1). Le système fusionne trois flux de perception en temps réel : une caméra RGB montée au poignet pour l'alignement global, des capteurs tactiles au bout des doigts et des mesures de force-couple au poignet, afin d'inférer l'état de contact et de générer des corrections de trajectoire temporellement cohérentes pendant l'insertion. Cette politique apprise pilote un contrôleur hybride position-force en boucle basse, qui assure une interaction compliante lors du contact physique avec le connecteur. Les auteurs l'ont testée sur une série de tâches d'insertion de connecteurs de qualité industrielle, en faisant varier la géométrie des pièces, les conditions de préhension et le désalignement initial de la pince. Le résultat annoncé est un gain net de performance, de fiabilité et de capacité de généralisation par rapport aux politiques de diffusion qui ne s'appuient que sur la vision. Cette approche s'attaque à un point de friction classique de la manipulation fine en robotique : dès que la pince entre en contact avec la pièce, l'occlusion visuelle et l'ambiguïté du contact rendent l'image seule insuffisante pour corriger la trajectoire, ce qui explique une partie de l'écart persistant entre les démonstrations en laboratoire et la fiabilité requise en ligne d'assemblage. En montrant qu'ajouter du tactile et de la force-couple à une politique de diffusion améliore nettement la robustesse sur des connecteurs aux géométries variées, les auteurs apportent un argument concret pour les intégrateurs qui cherchent à automatiser des tâches d'assemblage électronique ou de câblage, un segment où les robots à apprentissage visuel seul échouent encore souvent en production. Le travail s'inscrit dans la lignée des politiques de diffusion pour la manipulation robotique, une famille de méthodes popularisée ces dernières années comme alternative aux politiques de clonage comportemental classiques, et vise spécifiquement le sous-problème de l'insertion contact-rich plutôt que la manipulation générale à la manière des modèles VLA de type Pi-0 ou GR00T. L'abstract ne précise ni l'affiliation des auteurs ni de calendrier de transfert vers un produit industriel : il s'agit à ce stade d'un résultat de recherche évalué en conditions contrôlées, sans déploiement commercial annoncé.

RecherchePaper

1 source

4arXiv cs.RO

DiffMorphGrasp : un cadre de diffusion conditionné par la morphologie de la main pour générer des saisies inter-morphologies

DiffMorphGrasp, présenté dans une nouvelle version (v2) d'un preprint arXiv, est un cadre de génération de prises dexterous par diffusion, conçu pour fonctionner sur des mains robotiques de morphologies différentes. Les auteurs revendiquent le premier modèle de diffusion qui injecte explicitement la morphologie de la main dans le processus génératif. Les prises issues de mains variées sont d'abord projetées dans une pose de main de référence, ce qui crée un espace commun d'apprentissage. La génération est ensuite conditionnée en continu par deux éléments: la cinématique de la main, encodée sous forme de graphes dérivés de sa configuration, et la géométrie de l'objet. Une fonction de perte calcule en outre des erreurs au niveau des articulations sur la structure cinématique pour contraindre les prises générées pendant l'entraînement. L'équipe a construit un nouveau benchmark pour comparer la génération de prises entre mains de morphologies différentes, et affirme une forte généralisation zéro-shot à des mains jamais vues. Le résumé ne donne aucun chiffre précis, comme le taux de réussite, le nombre de mains testées ou les degrés de liberté (DOF) couverts. L'enjeu est pratique pour les intégrateurs et les décideurs industriels. Les mains robotiques se différencient par leur nombre de doigts, leurs DOF et leur coût, selon la tâche et le budget. Or une politique de saisie apprise sur une main doit aujourd'hui être refaite pour une autre, ce qui freine la réutilisation des données et des modèles. Si le zéro-shot tient en conditions réelles, un même générateur de prises pourrait servir plusieurs mains, ce qui réduirait le coût d'adaptation lors d'un changement de matériel ou d'un déploiement multi-sites. Il faut toutefois rester prudent. Les résultats annoncés viennent d'un benchmark conçu par les auteurs, et l'extrait disponible ne précise pas s'ils ont été validés sur des robots physiques. Le fossé entre génération de prises en simulation et exécution fiable en cellule de production reste donc ouvert. C'est le point que les équipes d'ingénierie devront vérifier avant toute intégration. Ce travail s'inscrit dans la recherche sur le transfert entre morphologies (cross-embodiment), devenue centrale avec les modèles généralistes de type VLA (vision-langage-action) et les politiques entraînées sur plusieurs robots. Pour la saisie dexterous, les approches antérieures reposaient souvent sur des représentations propres à une main, ou sur des retargetings qui perdent en qualité quand la cinématique diverge. Les modèles de diffusion se sont imposés pour produire des prises variées, et DiffMorphGrasp les combine avec un encodage de la structure de la main. Les prochaines étapes à suivre sont la publication du code et du benchmark via la page projet, la validation sur du matériel réel, puis la comparaison avec d'autres méthodes cross-embodiment sur des bases communes. Aucun pilote industriel ni calendrier de commercialisation n'est annoncé: il s'agit pour l'instant d'une contribution de recherche.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source