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

ProxiDex : une politique de proximité guidée par la dynamique pour la manipulation dextérique

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

Des chercheurs ont publié le 16 septembre 2026 sur arXiv (2609.16586) ProxiDex, un framework de manipulation dextre multi-doigts qui traite la proximité main-objet comme un état d'interaction. Le système reconstruit des nuages de points de la zone de contact et convertit les distances géométriques en indices de proximité, une représentation indépendante du matériel, utilisée aussi comme retour immersif en téléopération VR ; un modèle couplé avant-arrière prédit les états latents futurs à partir des actions et en déduit les variations de proximité, afin de stabiliser la politique quand la main masque la caméra. En simulation et en conditions réelles, sur des objets standards, inédits et sous perturbation, les auteurs rapportent des gains de taux de réussite et de robustesse face à des méthodes de référence, sans publier de chiffres précis dans le résumé.

L'enjeu visé est l'incertitude de contact, un point faible connu des politiques de manipulation dextre : la caméra est occultée par la main pendant la préhension, et les capteurs tactiles imposent des modalités propres à chaque matériel ainsi qu'un calibrage coûteux qui freine le transfert d'une plateforme à une autre. En proposant une représentation géométrique agnostique au matériel, ProxiDex vise à réduire cette dépendance tout en gardant un signal utile quand la vision faiblit, un enjeu direct pour les intégrateurs devant faire tourner la même politique sur des mains robotiques différentes. Il s'agit toutefois d'une contribution académique sur arXiv, sans partenaire industriel ni déploiement sur robot commercial mentionné, ce qui invite à la prudence avant toute extrapolation vers un produit.

Ce travail s'inscrit dans un fil de recherche actif sur les politiques apprises pour mains robotiques multi-doigts, partagé entre approches purement visuelles, pénalisées par les occlusions, et approches tactiles, qui exigent des capteurs dédiés et un réglage par plateforme ; ProxiDex se positionne comme une alternative fondée sur la géométrie de proximité plutôt que sur le contact physique mesuré. Le résumé ne précise ni affiliation institutionnelle ni calendrier de suite, les auteurs renvoyant vers le site proxidex.github.io pour des visualisations complémentaires. La prochaine étape attendue reste l'évaluation par les pairs et une éventuelle reprise du principe dans des politiques génériques de manipulation, où la robustesse au contact demeure un verrou pratique pour un déploiement industriel.

Dans nos dossiers

arXiv cs.RO

À lire aussi

MPC échantillonnée guidée par primitives pour la manipulation dextérique multi-doigts
1arXiv cs.RO 

MPC échantillonnée guidée par primitives pour la manipulation dextérique multi-doigts

Un article publié sur arXiv (référence 2609.14868v1, catégorie "new") présente un framework de contrôle prédictif à échantillonnage (MPC) guidé par des primitives pour la manipulation dextre multi-doigts. Les méthodes MPC à échantillonnage évitent de calculer des gradients à travers une dynamique de contact complexe, mais explorer directement un espace articulaire de haute dimension est inefficace et rend les performances très dépendantes de la distribution d'échantillonnage choisie. La solution proposée biaise cet échantillonnage avec des primitives de manipulation de basse dimension, qui encodent des mouvements coordonnés des doigts, tout en optimisant en parallèle des résidus au niveau articulaire pour adapter ces mouvements à la configuration main-objet en cours. Des contraintes de trajectoire liées à la tâche rejettent les essais infaisables pendant la simulation, ce qui améliore l'usage du budget de calcul. Le système a été testé sur une main robotique Allegro physique, main à quatre doigts et 16 degrés de liberté conçue par Wonik Robotics, synchronisée avec un jumeau numérique sous MuJoCo. Les tests d'ablation montrent que primitive et résidu sont tous deux indispensables pour une rotation continue fiable d'un objet dans la main, qu'augmenter seul le budget d'échantillonnage ne compense pas leur absence, et que les contraintes de trajectoire améliorent nettement le taux de réussite. Ce travail s'attaque à un point de blocage connu de la manipulation dextre industrielle : la réorientation continue d'objets en main reste l'une des tâches les plus difficiles à automatiser de façon fiable, bien plus que la préhension parallèle classique. En combinant primitives et optimisation temps réel, l'approche propose un compromis entre politiques entièrement apprises, coûteuses à entraîner, et MPC purement basé modèle, peu efficace en haute dimension. Fait notable pour un article de recherche, la validation se fait sur du matériel physique et pas seulement en simulation, avec une primitive extraite d'un seul objet qui généralise à des tailles différentes malgré des écarts de modèle, un signal encourageant pour les intégrateurs travaillant sur l'assemblage fin ou la manipulation d'objets variés. La portée reste toutefois circonscrite à une main Allegro en laboratoire, loin d'un déploiement humanoïde complet. Le travail s'inscrit dans la lignée des approches MPC à échantillonnage type MPPI et des méthodes hybrides combinant primitives apprises et optimisation en ligne, un axe de recherche actif face aux limites du pur apprentissage par renforcement pour la dextérité fine. Les primitives utilisées proviennent à la fois d'une politique entraînée en simulation et de données de capture de mouvement de main humaine, ce qui relie ce travail aux efforts de transfert de compétences humaines vers des mains robotiques. Le framework démontre aussi des capacités de préhension, de réorientation et de tâches coordonnées bras-main de type atteindre-saisir-transporter. L'abstract ne précise ni calendrier ni partenaire industriel, ce qui situe clairement ce travail au stade de la recherche académique plutôt que du produit prêt à déployer.

RecherchePaper
1 source
ContactExplorer : exploration guidée par contacts pour la manipulation dextérique polyvalente
2arXiv cs.RO 

ContactExplorer : exploration guidée par contacts pour la manipulation dextérique polyvalente

Des chercheurs ont publié sur arXiv (identifiant 2603.10971v2) ContactExplorer, une méthode d'exploration par apprentissage par renforcement conçue pour les tâches de manipulation dextère avec des mains robotiques multi-doigts. Le principe central est de représenter le contact comme l'intersection géométrique entre les points de surface d'un objet et les points-clés de la main, ce qui permet au système de découvrir automatiquement quels doigts interagissent avec quelles régions d'un objet. ContactExplorer maintient un compteur de contacts conditionné sur des états d'objet discrétisés obtenus via des codes de hachage appris (hash codes), traçant la fréquence à laquelle chaque doigt explore chaque région de surface. Ce compteur est exploité selon deux mécanismes complémentaires : une récompense de couverture de contact basée sur le décompte, qui pousse l'agent vers des patterns de contact inédits, et une récompense d'atteinte à base d'énergie (energy-based reaching reward), qui guide la main vers les zones encore sous-explorées. L'intérêt de cette approche réside dans un problème structurel de la manipulation dextère : contrairement à la navigation ou à la locomotion, où l'exploration par nouveauté d'état suffit souvent, la manipulation physique fine exige des interactions contact riches et stables, que les signaux de nouveauté classiques gèrent mal (instabilité du signal de contact, inefficacité des signaux de distance, dépendance aux a priori spécifiques à la tâche). Les résultats expérimentaux sur un ensemble diversifié de tâches montrent que ContactExplorer améliore substantiellement l'efficacité d'échantillonnage et les taux de succès par rapport aux méthodes d'exploration existantes. Surtout, les patterns de contact appris en simulation se transfèrent de manière robuste au monde réel, ce qui est une validation non triviale du sim-to-real dans un domaine où ce gap reste un obstacle majeur. Ce travail s'inscrit dans un effort de recherche plus large visant à rendre l'exploration en RL agnostique aux tâches pour la manipulation dextère, un domaine où des équipes comme DeepMind (OpenAI Dactyl, 2019), Stanford, CMU et Berkeley ont accumulé des travaux fondateurs. ContactExplorer se distingue par son absence de priors spécifiques à la tâche, un point fort pour la généralisation. Publié sous forme de preprint arXiv (version 2, donc révisé), le travail n'a pas encore franchi le stade de la revue par les pairs ; une page projet est disponible à contact-explorer.github.io, mais aucun déploiement industriel ni partenariat commercial n'est annoncé à ce stade.

RecherchePaper
1 source
DexMani : guidage de la manipulabilité dérivé de l'humain pour la rotation dextérique
3arXiv cs.RO 

DexMani : guidage de la manipulabilité dérivé de l'humain pour la rotation dextérique

La rotation dextre d'objets est un problème séquentiel de contacts où chaque prise, chaque relâchement et chaque nouveau contact doit à la fois produire le mouvement voulu et préparer la main pour la suite de la rotation. Un nouveau papier arXiv (2608.00554, publié le 4 août 2026) présente DexMani, un framework qui s'attaque à ce problème autrement que les méthodes d'apprentissage par renforcement classiques, lesquelles découvrent ces patterns de mouvement par essai-erreur sur une morphologie de main donnée, sans modéliser explicitement comment chaque transition de contact affecte la capacité de la main à poursuivre la rotation. DexMani transfère des démonstrations humaines sous forme d'une évolution de la manipulabilité conditionnée par les contacts, c'est-à-dire une modélisation de la façon dont les transitions de contact réussies chez l'humain élargissent ou referment les directions de rotation disponibles pour la main. Ce prior sert ensuite à guider l'apprentissage par renforcement en aval. Testé sur trois mains robotiques aux cinématiques différentes (Shadow Hand, Allegro Hand, XHand), DexMani obtient le meilleur taux de succès dans tous les scénarios évalués, sur des objets vus comme non vus à l'entraînement, et atteint 57,5% de succès moyen sur la main LEAP, devançant les méthodes de référence tout en produisant des mouvements de rotation plus fluides. L'enjeu dépasse la simple prouesse académique: la manipulation dextre reste l'un des goulots d'étranglement majeurs pour les mains robotiques multi-doigts, que ce soit en robotique humanoïde ou en préhension industrielle fine. Le fait qu'un même prior de manipulabilité, dérivé de démonstrations humaines, se transfère efficacement à des embodiments mécaniquement différents (nombre de doigts, degrés de liberté, configurations de contact actif) suggère une piste pour réduire le réentraînement spécifique à chaque main, un frein connu à l'industrialisation de la préhension robotisée. Cela renforce aussi l'idée que les données de démonstration humaine, déjà centrales dans les approches VLA (vision-langage-action) pour la manipulation grossière, ont aussi une valeur pour les tâches de dextérité fine où la seule imitation de trajectoire échoue généralement. Le travail s'inscrit dans la lignée des recherches en RL pour la manipulation dextre multi-doigts, un champ dominé ces dernières années par des benchmarks sur Shadow Hand et Allegro Hand, avec l'apparition récente de mains moins coûteuses comme XHand et LEAP Hand comme bancs d'essai. Il s'agit ici d'un résultat de recherche publié sur arXiv, sans déploiement industriel annoncé; le site du projet (dexmani.github.io) devrait permettre de suivre la publication du code et des démonstrations vidéo dans les prochains mois.

RecherchePaper
1 source
AffordTrajDP : apprentissage dynamique de politiques visuomotrices guidées par affordance pour la manipulation robotique
4arXiv cs.RO 

AffordTrajDP : apprentissage dynamique de politiques visuomotrices guidées par affordance pour la manipulation robotique

Des chercheurs proposent AffordTrajDP, un nouveau framework d'apprentissage par imitation guidé par affordances pour la manipulation robotique, publié en préprint sur arXiv début août 2026. Contrairement aux approches classiques qui figent un point de contact statique entre l'effecteur et l'objet cible, ce système construit une trajectoire d'affordance dynamique : à partir d'une observation RGB-D, un point d'ancrage est propagé dans le temps en suivant la pose SE(3) de l'objet, ce qui donne une guidance cohérente tout au long du geste plutôt qu'une simple instruction figée en début de tâche. Sur le benchmark simulé ManiSkill3, la méthode atteint un taux de réussite moyen de 70,0 %, soit jusqu'à 17,8 points de mieux que les meilleures méthodes concurrentes. Des essais en conditions réelles ont été menés sur des bras robotiques Galaxea A1 et UR7e, sur six tâches de précision (empilement de cubes, prise de gobelet, insertion d'adaptateur, anneau sur tige, dépôt en bol, insertion USB), avec des tests sur objets vus et non vus pour le bras Galaxea A1. L'enjeu dépasse la simple performance chiffrée : les affordances statiques dérivent souvent après le contact initial, surtout dans les tâches de précision ou quand la position de l'objet varie légèrement, un problème classique de fossé entre démonstration en labo et robustesse en conditions réelles. En rendant la guidance sensible à l'état de l'objet plutôt qu'à un point fixe défini à l'avance, AffordTrajDP s'attaque directement à ce goulot d'étranglement, un signal pertinent pour les intégrateurs qui cherchent des politiques visuo-motrices capables de tolérer le désordre réel d'un poste de production ou d'entrepôt, plutôt que des démonstrations calibrées en environnement contrôlé. Le travail s'inscrit dans la lignée des méthodes d'apprentissage par imitation guidées par affordances, qui cherchent à compresser la perception visuelle en contraintes géométriques exploitables pour réduire les besoins en données d'entraînement. Les auteurs présentent des ablations pour isoler la contribution de chaque composant du système. À ce stade, il s'agit d'un résultat de recherche en préprint, non d'un produit commercial ni d'un déploiement industriel annoncé.

RecherchePaper
1 source