Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Estimation en ligne du matériau pour une politique de diffusion conditionnée dans la mise en forme d'objets linéaires déformables
RecherchearXiv cs.RO 

Estimation en ligne du matériau pour une politique de diffusion conditionnée dans la mise en forme d'objets linéaires déformables

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

Une équipe de recherche publie sur arXiv (2609.12634v1) une méthode pour façonner des objets linéaires déformables, câbles, cordes ou tuyaux, dont le comportement varie selon la rigidité et l'élasticité du matériau. Le système associe une politique de diffusion à un label de matériau estimé en ligne pendant la manipulation par un réseau récurrent, qui analyse en continu des images multi-vues et les états articulaires du robot. Les auteurs ont collecté 480 démonstrations réelles couvrant quatre matériaux et trois tâches de placement en rainure. Une politique conditionnée seulement par la tâche atteint 45,8% de réussite; avec le label de matériau exact, elle grimpe à 60,0%; la méthode proposée, sans connaissance préalable du matériau, atteint 60,8%, un niveau équivalent au label exact.

Ce résultat répond à un verrou concret de l'apprentissage par imitation appliqué aux objets déformables: une politique unique doit produire des gestes différents pour un même objectif de forme selon le matériau saisi, sans que celui-ci soit connu à l'avance. Pour les intégrateurs confrontés à du routage de câbles, de l'assemblage de faisceaux électriques ou de la pose de joints en rainure sur des lignes mêlant plusieurs matériaux, cela ouvre la voie à des politiques qui s'adaptent sans étiquetage manuel ni reprogrammation entre lots. Le travail illustre aussi les limites persistantes du domaine: un taux de succès plafonné autour de 60%, loin d'une fiabilité industrielle, et un échec marqué lié à la confusion entre deux matériaux proches, signe que l'estimation en ligne reste fragile face à des textures similaires.

Ce travail s'inscrit dans la lignée des politiques de diffusion conditionnées, devenues courantes en apprentissage par imitation robotique, où l'enjeu est de généraliser au-delà des conditions vues à l'entraînement sans multiplier les politiques spécialisées par objet. Publié comme préprint arXiv sans affiliation industrielle mise en avant, il s'agit d'une contribution académique et non d'un produit commercialisé. Les auteurs comparent leur approche à des politiques spécialistes par matériau et à une politique conditionnée par label exact, et pointent la confusion inter-matériaux comme piste de travail future, sans pilote industriel ni calendrier de déploiement annoncés à ce stade.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Pointer, frapper : manipulation dynamique d'objets linéaires déformables conditionnée par la direction
1arXiv cs.RO 

Pointer, frapper : manipulation dynamique d'objets linéaires déformables conditionnée par la direction

Des chercheurs publient sur arXiv (2610.09573) une méthode de manipulation dynamique de cordes, cette fois conditionnée par la direction d'arrivée du bout de la corde. Jusqu'ici, les travaux sur les objets linéaires déformables (DLO) se contentaient de fixer comme objectif une position 3D que l'extrémité devait atteindre. Ici, une frappe en un seul balancement doit atteindre une position 3D précise avec une direction d'arrivée donnée, sur tout l'espace de travail et sur différentes cordes. L'équipe étend d'abord le simulateur DeformX avec accélération GPU, un solveur stable de tiges de Cosserat et un modèle aérodynamique à écoulement transverse. Le résultat, DeformX2.0, est plus de 20 000 fois plus rapide. Elle propose ensuite TRACE (Trace-rooted Adaptive Cross-Entropy), qui génère les données de frappe en initialisant chaque nouvelle cible à partir du balancement mémorisé dont la trajectoire de bout de corde passe le plus près. Son coût pénalise la flexion de la corde et les mouvements brusques de l'extrémité, afin de favoriser des gestes reproductibles. Une politique conditionnelle par flow matching, entraînée sur ces données, atteint 92,1 % de précision en simulation. Sur robot réel, la méthode RECAP (Residual Calibration Policy) ajuste les paramètres de corde et de banc du simulateur à partir de quelques balancements de calibration, puis corrige les actions par une politique résiduelle entraînée en simulation. Sur trois cordes, le taux de succès à 5 cm passe de 72 % à 87 % pour les objectifs de position. Pour les objectifs incluant la direction, le succès à 10 cm et 10° passe de 50 % à 79 %. L'intérêt tient moins à la tâche, plutôt académique, qu'à la méthodologie. Les auteurs traitent un cas où l'absence de démonstrations humaines et la difficulté de modéliser la dynamique empêchent l'apprentissage par imitation. Ils montrent qu'une simulation très rapide, couplée à une recherche par optimisation puis à une distillation dans une politique générative, fournit des données exploitables. Le résultat contredit l'idée qu'un écart sim-to-real sur objet déformable exige forcément beaucoup de données réelles : quelques balancements de calibration suffisent à gagner 15 à 29 points. Les auteurs précisent aussi que cet écart ne vient pas seulement de la corde, mais aussi du robot et du banc d'essai, ce qui justifie une calibration conjointe. Il faut toutefois rester prudent. Le chiffre de 92,1 % est obtenu en simulation, et sur matériel réel un balancement sur cinq reste hors tolérance pour les objectifs directionnels (79 %). L'évaluation ne porte que sur trois cordes dans un montage de laboratoire. Rien n'indique de transfert vers des applications industrielles comme la manipulation de câbles ou de flexibles, même si la logique de contrôle de l'arrivée, et pas seulement de la destination, y est pertinente. Ce travail prolonge la lignée des simulateurs de DLO et des manipulations dynamiques de cordes, où l'objectif se limitait à la position du bout. L'apport principal est un pipeline reproductible plutôt qu'un nouveau matériel. Un gain de vitesse de plus de 20 000 fois sur DeformX rend l'optimisation massive de trajectoires praticable, et la calibration résiduelle pourrait être réutilisée sur d'autres objets déformables. Il s'agit d'une préimpression (version 1) sans évaluation par les pairs, sans annonce de code ni de pilote industriel. La suite logique serait d'élargir la diversité des objets, de passer à des mouvements multi-balancements et de tester des tâches de manipulation de câbles proches de la production. Les approches concurrentes, fondées sur l'apprentissage par renforcement ou la téléopération pour les tâches dynamiques, restent à comparer à cette méthode sur des bancs communs.

RecherchePaper
1 source
FolDeX : un benchmark en conditions réelles pour la manipulation robotique longue durée d'objets déformables
2arXiv cs.RO 

FolDeX : un benchmark en conditions réelles pour la manipulation robotique longue durée d'objets déformables

FolDeX, benchmark présenté dans un article arXiv publié le 10 septembre 2026, évalue la manipulation robotique longue durée d'objets déformables à partir de données collectées exclusivement sur robots réels, avec le pliage de vêtements comme tâche principale. Le jeu de données compte plus de 2000 heures d'expérience physique, plus de 20 tâches et plus de 10 types de robots différents. Il s'organise autour de quatre axes : réutilisation des interventions humaines et des récupérations effectuées en déploiement, transfert de données entre tâches (du rigide au déformable, entre catégories de vêtements), réutilisation entre scènes avec éclairage, arrière-plan et agencement variables, et transfert entre plateformes robotiques. Une plateforme d'évaluation publique, hébergée sur ai.midea.com/#/fold-challenge par le groupe chinois Midea, permet de soumettre des politiques externes selon un protocole standardisé, avec objets tenus à l'écart de l'entraînement et initialisations contrôlées. Le projet cible l'écart bien connu entre simulation et monde réel dans l'IA incarnée : les modèles vision-langage-action et monde-action qui réussissent en simulation se dégradent souvent sur robot physique, en particulier sur des séquences longues et bimanuelles exigeant un suivi continu de l'état de l'objet. Les benchmarks existants couvrent surtout des tâches courtes sur objets rigides, laissant un vide pour juger la fiabilité réelle des politiques généralistes à grande échelle. En imposant un protocole externe avec objets et initialisations non divulgués à l'avance, FolDeX limite le risque de démonstrations sélectionnées, fréquentes dans les annonces du secteur humanoïde, et donne aux intégrateurs un moyen concret de vérifier si la manipulation fine tient hors des vidéos contrôlées. FolDeX s'inscrit dans la course actuelle à l'IA incarnée généraliste, aux côtés d'approches comme Figure 03 et Helix chez Figure AI, Optimus Gen 3 chez Tesla, la famille Pi-0 chez Physical Intelligence ou GR00T N2 chez Nvidia. Contrairement à ces annonces produits, il s'agit d'un outil de recherche ouvert, non d'un robot ou d'un modèle commercial livré. Son hébergement par Midea, groupe chinois de l'électroménager également actionnaire majoritaire de l'allemand Kuka dans la robotique industrielle, traduit l'intérêt croissant des fabricants asiatiques pour la manipulation d'objets souples, un enjeu clé pour le textile ou la logistique. La plateforme est déjà accessible pour des soumissions externes, sans calendrier de résultats ni classement encore communiqué.

UELe fabricant allemand Kuka, actionnaire majoritaire détenu par Midea, est indirectement associe a cette initiative qui pourrait intéresser les intégrateurs européens de robotique industrielle pour le textile et la logistique.

RecherchePaper
1 source
Estimation de force 3D pour la manipulation à deux bras d'objets linéaires déformables par graphes de facteurs
3arXiv cs.RO 

Estimation de force 3D pour la manipulation à deux bras d'objets linéaires déformables par graphes de facteurs

Des chercheurs proposent, dans un preprint publié sur arXiv (2610.35058), une méthode d'estimation des forces 3D appliquées à des objets linéaires déformables (DLO, pour Deformable Linear Objects), comme les câbles et les fils, manipulés par deux bras robotiques. La technique repose sur des graphes de facteurs, un cadre probabiliste où l'état du DLO et les données de capteurs sont reliés par des distributions conditionnelles. Elle permet d'estimer en même temps la norme, la direction et le point d'application d'une force 3D, tout en reconstruisant la forme de l'objet. Les tests, menés avec du bruit injecté dans les mesures, font suivre au DLO une trajectoire prescrite en présence de forces externes, que le système estime avec précision selon les auteurs. L'abstract ne fournit aucune valeur chiffrée d'erreur, de fréquence de calcul ou de matériel utilisé, et rien n'indique si les essais sont en simulation ou sur robot réel. L'intérêt est d'abord pratique pour l'industrie. Les DLO sont sous-actionnés : on ne contrôle directement que leurs extrémités, et leur finesse exclut en général les jauges de contrainte ou la lecture d'actionneurs le long de leur longueur. Or une estimation fiable du contact est nécessaire pour contrôler précisément le câble et manipuler en sécurité. Les auteurs choisissent de n'utiliser qu'un seul type d'information sensorielle, ce qui vise une technique générique, transposable à des tâches variées sans instrumenter l'objet. Pour un intégrateur travaillant sur le câblage de faisceaux, l'assemblage électrique ou la manipulation de tubes, c'est une piste vers des tâches bimanuelles plus robustes, avec détection de contact sans capteur dédié. Il faut toutefois rester prudent : il s'agit d'un résultat de laboratoire avec bruit synthétique, sans validation industrielle, ni comparaison chiffrée publiée dans le résumé avec les méthodes concurrentes. Ce travail s'inscrit dans une littérature abondante sur la manipulation de DLO, longtemps dominée par des modèles physiques, des approches basées sur l'apprentissage ou des capteurs tactiles et de force installés sur les préhenseurs. Les graphes de facteurs, déjà très répandus en SLAM et en estimation d'état robotique, offrent ici une alternative probabiliste qui gère explicitement l'incertitude des mesures. Le préprint n'est qu'à sa première version (v1) et n'a pas encore franchi, a priori, de relecture par les pairs. Les prochaines étapes naturelles seraient une validation sur plateforme bimanuelle réelle, des tests sur des câbles de rigidités différentes et une intégration dans des boucles de commande fermées, étapes que le résumé ne mentionne pas.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
MPC multimodale par optimisation bayésienne d'ensembles pour la manipulation dynamique d'objets linéaires déformables
4arXiv cs.RO 

MPC multimodale par optimisation bayésienne d'ensembles pour la manipulation dynamique d'objets linéaires déformables

Des chercheurs présentent BM2PC (Bayesian Multimodal MPC), un cadre de commande prédictive par modèle (MPC) destiné à la manipulation dynamique d'objets linéaires déformables (DLO), comme des cordes ou des câbles. Le travail, publié sur arXiv (2610.31852), s'appuie sur le formalisme du « control-as-inférence » et traite la planification multimodale comme un problème d'optimisation d'ensemble. Celui-ci équilibre qualité de commande et diversité des comportements. Une mise à jour incrémentale maintient plusieurs modes de commande prometteurs pour un surcoût de calcul limité. Pour le déploiement réel, un modèle de dynamique d'exécution prédit le mouvement effectif de l'effecteur et compense l'écart entre commande et exécution lors des gestes rapides. Les tests portent sur le suivi de trajectoire de corde et l'évitement d'obstacles, en simulation et sur matériel, ainsi que sur le rejet de perturbations en simulation uniquement. Sur les trajectoires inédites, BM2PC généralise mieux qu'une référence par apprentissage, sans entraînement de politique spécifique ni réglage fin. Sur la tâche la plus longue en conditions réelles, l'erreur quadratique moyenne (RMSE) baisse de 44,0 %. En évitement d'obstacles, les performances sont comparables à celles des MPC multimodaux existants, avec un temps de planification réduit de 29 % à 66 %. L'intérêt tient à l'association de deux difficultés rarement traitées ensemble. Les DLO sont sous-actionnés, de grande dimension et répondent avec retard à la commande. Leur manipulation dynamique admet souvent plusieurs solutions valides autour d'un obstacle, ce qui piège les planificateurs à mode unique. Le fait de garder plusieurs hypothèses sans alourdir le calcul compte pour la temps réel. Le résultat contredit aussi, pour ce cas, l'idée qu'il faut une politique apprise de bout en bout pour être agile : une approche à base de modèle généralise sans réentraînement. Pour un intégrateur, les applications possibles sont le câblage de faisceaux, la manipulation de tuyaux ou de câbles en atelier, où les variations de géométrie rendent les politiques apprises fragiles. Les réserves sont claires : il s'agit de résultats académiques, sans chiffres de cadence, de taux de réussite industriel ni d'intégration dans une cellule de production. La comparaison porte sur une seule référence apprise, et la perturbation n'est validée qu'en simulation. Le contexte est celui d'une manipulation d'objets déformables longtemps dominée par des modèles lents ou par l'apprentissage par imitation et par renforcement, coûteux en données et peu transférables. Les MPC par échantillonnage, de type MPPI, ont gagné du terrain grâce au calcul parallèle sur GPU, mais restent généralement unimodaux. Les méthodes multimodales existantes, auxquelles BM2PC se compare, paient cette diversité en temps de calcul. Les auteurs publient l'implémentation de base et des vidéos sur GitHub (Longyouyuan/BM2PC), ce qui permet une reproduction indépendante. Les suites logiques seraient des tests sur des objets plus variés, avec contacts et auto-collisions, puis une confrontation avec les politiques généralistes de type VLA, qui visent le même terrain de la manipulation d'objets déformables.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source