Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Algorithme antagoniste basé sur la théorie des jeux pour la synthèse de préhension dextérique
RecherchearXiv cs.RO 

Algorithme antagoniste basé sur la théorie des jeux pour la synthèse de préhension dextérique

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

Une équipe de chercheurs propose un nouvel algorithme de synthèse de prise pour mains robotiques multi-doigts, détaillé dans une version mise à jour d'un article publié sur arXiv (2511.05809v2). La méthode formule le calcul de la configuration de la main comme un jeu à deux joueurs adversarial : un premier agent contrôle le robot pour générer une prise faisable, tandis qu'un second agent contrôle l'objet et cherche activement à s'échapper de cette prise. En simulation, sur plusieurs plateformes robotiques et types d'objets, l'approche atteint un taux de réussite de 75,78 %, soit jusqu'à 19,61 points de plus que la meilleure méthode de référence existante. Le seul fait d'introduire la formulation en jeu à deux joueurs améliore le taux de réussite de 27,40 % par rapport à une version équivalente sans ce mécanisme adversarial. Le calcul d'une configuration de prise prend entre 0,28 et 1,04 seconde selon la plateforme robotique utilisée. En conditions réelles, la méthode atteint 85,0 % de réussite sur la main ShadowHand et 87,5 % sur la main LeapHand.

L'enjeu dépassé ici est celui de la fiabilité des prises dexterous, un goulot d'étranglement connu pour les mains multi-doigts : la plupart des approches existantes optimisent la résistance à un seul torseur de force appliqué à l'objet, sans anticiper que celui-ci puisse activement chercher à s'échapper sous l'effet de perturbations. En modélisant explicitement ce mouvement adversarial, la méthode comble une partie de l'écart entre démonstrations en simulation et robustesse réelle, un problème récurrent pour les intégrateurs qui déploient des mains robotiques en logistique ou en manipulation industrielle. Le temps de génération inférieur à 1,1 seconde la rend compatible avec un usage quasi temps réel, un critère décisif pour toute adoption industrielle au-delà du laboratoire.

Historiquement, la synthèse de prise s'appuyait sur des critères de fermeture de force statiques, sans modéliser la dynamique d'échappement de l'objet. Les tests ont été menés sur deux plateformes matérielles distinctes, ShadowHand et LeapHand, cette dernière étant une main dexterous à bas coût largement utilisée en recherche académique, ce qui suggère une volonté de valider la généralisation de l'approche au-delà d'un seul matériel avant d'envisager un déploiement plus large.

Dans nos dossiers

arXiv cs.RO

À lire aussi

GraspADMM : améliorer la synthèse de prises dextériques par optimisation ADMM
1arXiv cs.RO 

GraspADMM : améliorer la synthèse de prises dextériques par optimisation ADMM

Une équipe de recherche en robotique a publié GraspADMM, un nouveau framework de synthèse de préhension dextre destiné aux mains robotiques multi-doigts, dans un article mis à jour sur arXiv (2603.13832v2). Le problème visé est bien connu du secteur : générer des prises diversifiées, cinématiquement valides (contact main-objet sans pénétration) et dynamiquement stables (forces de contact multiples sécurisées) reste difficile à réunir simultanément. Le framework précédent de référence, Dexonomy, garantissait une bonne diversité via un échantillonnage dense et affinait la faisabilité cinématique par un raffinement basé simulateur, mais ses points de contact fixes limitaient l'atteignabilité de la main et empêchaient d'optimiser les métriques de stabilité dynamique. À l'inverse, les optimiseurs purement basés gradient maximisent la stabilité mais s'appuient sur des approximations de contact simplifiées qui provoquent des pénétrations physiques irréalistes. GraspADMM formule l'étape de raffinement via la méthode ADMM (Alternating Direction Method of Multipliers), en découplant les points de contact cibles sur l'objet des positions de contact réelles sur la main, permettant d'alterner entre optimisation des cibles pour la stabilité dynamique et ajustement de la pose de la main pour les atteindre sans violer les contraintes de collision. Pour l'industrie robotique et les équipes de manipulation dextre, ce travail s'attaque directement à un compromis récurrent entre plausibilité physique et performance métrique, un point sensible pour tout intégrateur travaillant sur la préhension multi-doigts (mains robotiques de type Shadow Hand, Allegro ou équivalents). Les auteurs rapportent une amélioration absolue de près de 15% du taux de succès de préhension en synthèse "type-unaware", et environ 100% d'amélioration relative en synthèse "type-aware" par rapport aux meilleures méthodes existantes, avec un maintien de la plausibilité physique même en conditions de friction extrêmement basse. Ces gains, s'ils se confirment en dehors du cadre simulé de l'étude, seraient significatifs pour les pipelines d'apprentissage de préhension qui dépendent de données de démonstration synthétiques de haute qualité, un goulot d'étranglement connu pour l'entraînement de politiques de manipulation. Ce travail s'inscrit dans la lignée des méthodes de synthèse de grasp par optimisation, en cherchant explicitement à combiner les forces de deux approches concurrentes : l'échantillonnage dense façon Dexonomy et l'optimisation par gradient. Il s'agit ici d'une publication de recherche académique (soumission "replace" sur arXiv, donc une version révisée) et non d'un produit ou d'un système déployé chez un intégrateur ; les auteurs mentionnent des expériences extensives en simulation comme preuve de concept, sans indication de déploiement matériel réel ni de partenariat industriel à ce stade.

RecherchePaper
1 source
De la préhension à la dextérité : pré-entraînement à grande échelle pour la manipulation dextérique
2arXiv cs.RO 

De la préhension à la dextérité : pré-entraînement à grande échelle pour la manipulation dextérique

Des chercheurs publient sur arXiv un nouveau papier intitulé "From Grasps to Dexterity: Large-Scale Grasp Pretraining for Dexterous Manipulation", qui s'attaque à un problème precis de la manipulation dextre robotique: utiliser un simple geste de préhension pour ensuite manipuler un outil articulé (actionner une gâchette, tourner une molette, ouvrir une pince) plutôt que de simplement le saisir et le poser. L'équipe construit un jeu de données de 355 000 trajectoires à partir d'annotations de préhension dextre à grande échelle, utilisé pour préentraîner un contrôleur bas niveau conditionné par objectif, lui-même piloté par un module haut niveau qui prédit les sous-objectifs de la main. Ce contrôleur est ensuite affiné sur des démonstrations spécifiques à chaque tâche. Pour évaluer l'approche, les auteurs introduisent DexCraft, un banc d'essai en simulation comportant six tâches d'usage d'outils articulés nécessitant une coordination fine des doigts. En conditions réelles, la méthode améliore le taux de réussite complet des tâches de 33,3 points de pourcentage par rapport à la référence DP3, et dépasse aussi les politiques de diffusion entraînées de bout en bout ainsi que les architectures hiérarchiques entraînées depuis zéro. L'intérêt pour l'industrie tient au fait que la plupart des grands jeux de données de préhension dextre existants n'avaient jusqu'ici servi qu'à générer des prises ou à faire du pick-and-place, une tâche relativement simple comparée à l'usage fonctionnel d'un outil, qui exige de maintenir le contact tout en actionnant une pièce mobile. Démontrer qu'un préentraînement sur des données de grasping generalise à ce type de manipulation contact-riche est un signal utile pour les équipes qui travaillent sur des mains robotiques multi-doigts, notamment dans le contexte des humanoïdes où la dextérité fine reste un goulot d'étranglement bien plus limitant que la locomotion. Cela va dans le sens d'une hypothèse défendue par plusieurs laboratoires: les grands corpus de démonstration, même génériques, peuvent servir de socle de préentraînement réutilisable plutôt que d'être collectés tâche par tâche. Ce travail s'inscrit dans la lignée des approches hiérarchiques d'apprentissage par imitation combinant planification haut niveau et contrôle bas niveau, un courant de recherche actif face aux politiques de diffusion de bout en bout comme DP3, utilisées ici comme référence de comparaison. Il s'agit à ce stade d'un résultat académique publié sur arXiv, testé en simulation via DexCraft et validé par des expériences réelles limitées, et non d'un système déployé commercialement. Les auteurs mettent à disposition des vidéos de démonstration sur leur page de projet, mais aucune date de mise en open source du code ni de partenariat industriel n'est mentionnée dans le résumé.

RecherchePaper
1 source
Formulation sur les groupes de Lie pour les algorithmes de dynamique récursive d'ordre supérieur des robots à base flottante
3arXiv cs.RO 

Formulation sur les groupes de Lie pour les algorithmes de dynamique récursive d'ordre supérieur des robots à base flottante

Des chercheurs ont publié en mai 2026 sur arXiv (réf. 2605.06498) une formulation unifiée basée sur les groupes de Lie permettant de calculer les dérivées temporelles d'ordre supérieur des principaux algorithmes de dynamique pour robots à base flottante. Les méthodes couvertes incluent l'algorithme de Newton-Euler récursif, l'inertie du corps articulé (ABI) et la dynamique hybride, dans un cadre où la base évolue sur SE(3) et le mécanisme attaché est une arborescence cinématique ouverte de configuration sur T^n1 x R^n2. Appliqués à un manipulateur aérien à 12 degrés de liberté (DoF), les algorithmes produisent des expressions analytiques closes pour la dynamique directe et inverse géométrique ainsi que leurs premières dérivées temporelles, avec des simulations numériques validant la méthode jusqu'au 5e ordre de dérivation. L'apport central de ce travail est d'ordre computationnel : les auteurs montrent que le coût de calcul de leurs récursions scale quadratiquement avec l'ordre de dérivation, là où la différentiation automatique (AD) mise en oeuvre via des frameworks courants comme JAX, PyTorch ou CasADi exhibe un scaling exponentiel. Pour les équipes travaillant en commande prédictive (MPC) ou en optimisation de trajectoire pour robots articulés à base libre (drones manipulateurs, humanoïdes sans appui fixe), cette différence de scaling devient critique dès le 3e ou 4e ordre. Les auteurs identifient également une matrice de Coriolis admissible satisfaisant la propriété de passivité, garantie importante pour la synthèse de lois de commande stables, et établissent que le tenseur d'inertie articulé reste invariant à travers toutes les dérivées temporelles, résultat géométriquement non trivial. Ce papier s'inscrit dans une tradition de dynamique spatiale initiée par Featherstone et prolongée notamment par la librairie Pinocchio, développée au LAAS-CNRS (équipe Gepetto, Toulouse), qui implémente déjà des dérivées du premier et second ordre via représentation de Lie. Cette contribution étend explicitement ce cadre aux ordres arbitraires, ouvrant des perspectives pour les méthodes de shooting multiple d'ordre élevé et les approches de sensibilité paramétrique en co-optimisation robot/contrôleur. Les applications directes visées concernent la planification de mouvement pour drones à bras articulés, un segment en croissance rapide dans la logistique et l'inspection industrielle, ainsi que potentiellement les humanoïdes à base flottante dont la dynamique est formellement identique.

UECette contribution étend directement le cadre de la bibliothèque Pinocchio, développée par l'équipe Gepetto du LAAS-CNRS (Toulouse), renforçant le leadership de la recherche française en dynamique robotique différentiable et ouvrant des perspectives concrètes pour les équipes R&D européennes travaillant sur le MPC et l'optimisation de trajectoire pour humanoïdes et drones manipulateurs.

RecherchePaper
1 source
HUGS : synthèse unifiée de préhension dextérique guidée par des priors humains, à travers modes et échelles
4arXiv cs.RO 

HUGS : synthèse unifiée de préhension dextérique guidée par des priors humains, à travers modes et échelles

Le laboratoire à l'origine de ce travail de recherche présente HUGS (Human-prior-guided Unified Dexterous Grasp Synthesis), une méthode qui unifie la synthèse de prises dextres robotiques à travers différentes échelles d'objets et différents modes de contact, de la pince à deux doigts à la prise bimanuelle. Plutôt que de recopier directement des démonstrations humaines, le système apprend un a priori conditionné par l'objet à partir d'un jeu de données compact de 1,8K prises collectées sur 304 objets réels, couvrant une large gamme de tailles et de modes de contact. Cet a priori guide ensuite une optimisation qui privilégie la fermeture de force (force-closure), en proposant de façon adaptative les modes de contact et les initialisations de poignet les plus pertinents. Résultat concret : les chercheurs ont synthétisé 3,2 millions de prises robotiques réparties sur 157 000 scènes, avec des objets dont la demi-diagonale varie de 2 à 30 centimètres, allant d'une vis à un grand carton. Cette approche s'attaque à un problème récurrent en robotique dextre : les méthodes existantes s'appuient sur des contacts attendus et des heuristiques d'initialisation conçues manuellement, ce qui limite soit le taux de réussite, soit la diversité des prises générées. En démontrant que des modèles entraînés sur ce jeu de données synthétique choisissent de façon autonome le mode de contact adapté à chaque objet dans le monde réel, HUGS apporte un élément de preuve supplémentaire que l'apprentissage à partir de données synthétiques à grande échelle peut réduire l'écart entre simulation et réalité, un point de friction classique pour les intégrateurs qui cherchent à déployer des mains robotiques polyvalentes en entrepôt ou en usine. Ce travail s'inscrit dans une tendance plus large de la recherche en manipulation robotique, où la génération de données synthétiques massives sert à contourner la rareté des démonstrations humaines réelles, coûteuses à collecter à cette échelle. En s'appuyant sur des préférences de préhension humaines plutôt que sur un simple retargeting geste par geste, les auteurs se positionnent face aux approches purement heuristiques ou purement basées sur l'imitation. Les prochaines étapes attendues concernent le passage à l'échelle sur des mains robotiques physiques variées et l'intégration de ces prises synthétiques dans des pipelines d'apprentissage bout-en-bout pour la manipulation générale.

RecherchePaper
1 source