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

Préhension par interconnexion : des mouvements de fermeture robustes à partir de gabarits d'objets grossiers

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

Des chercheurs ont détaillé, dans un article publié sur arXiv (2609.19228, septembre 2026), un planificateur de mouvement permettant à une main robotique dextre de saisir des objets sans modèle 3D précis de leur forme, taille ou position. Le système combine quatre principes : un gabarit grossier de l'objet, des types de préhension calqués sur la main humaine, une logique centrée sur l'objet, et des contacts glissants et compliants plutôt que des points de contact fixés à l'avance. Implémenté via un contrôle par modèle virtuel, il a été testé sur une main Shadow Dexterous Hand. Sans aucun retour sensoriel, les mouvements de fermeture ont toléré des erreurs de taille d'environ 1 cm et des erreurs de position de plusieurs centimètres et de dizaines de degrés, une marge plus large qu'un planificateur concurrent piloté par apprentissage sur données dans 25 des 27 conditions testées. Le système a saisi 82,5% d'un panel de 80 objets du quotidien et a fonctionné correctement dans un pipeline entièrement autonome.

Ce résultat contredit une hypothèse répandue en robotique de préhension, selon laquelle la fiabilité d'une saisie dépend nécessairement d'une perception précise de l'objet ou d'une correction active pendant le mouvement. En montrant qu'une tolérance aux erreurs peut être intégrée directement dans la trajectoire de fermeture, sans capteur supplémentaire ni recalcul en temps réel, l'étude ouvre une voie potentiellement moins coûteuse pour les intégrateurs confrontés à des objets mal identifiés ou mal positionnés, un scénario courant en logistique, tri ou manipulation en environnement non structuré, susceptible de réduire la dépendance à des systèmes de vision 3D ou à des modèles CAO complets.

Les planificateurs de préhension classiques exigent des modèles d'objets fidèles ou des boucles de correction par retour sensoriel, sans que l'on sache clairement jusqu'où une simple trajectoire de fermeture peut absorber seule ces incertitudes ; c'est cette question que l'étude tranche, en comparant explicitement son approche à un planificateur de référence entraîné sur données. Les auteurs indiquent vouloir poursuivre ces travaux en associant leur planificateur à un contrôle par retour adaptatif sur la main physique, afin de combiner robustesse intrinsèque du mouvement et correction active, une étape vers une manipulation fiable en environnement incertain.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Architecture de contrôle pour la préhension sûre d'objets fragiles avec une pince à positionnement grossier
1arXiv cs.RO 

Architecture de contrôle pour la préhension sûre d'objets fragiles avec une pince à positionnement grossier

Une équipe de recherche a publié le 14 septembre 2026 sur arXiv (identifiant 2609.12737) une nouvelle architecture de contrôle destinée à la préhension sûre d'objets fragiles par des pinces robotiques à commande de position "grossière", c'est-à-dire dépourvues de capteurs de force intégrés sophistiqués. La méthode combine une estimation de contact force/couple fondée sur la géométrie de l'objet avec un contrôleur d'admittance adaptatif : le système calcule en continu la force de contact nécessaire pour maintenir une prise stable sur un objet aux propriétés inconnues, sans capteur tactile dédié. Les auteurs ont testé leur algorithme sur des objets variés en taille, forme, rigidité et poids. Les résultats rapportés montrent une absence de glissement et l'application d'une force minimale suffisante pour éviter toute déformation excessive de l'objet saisi. L'abstract ne précise ni le bras robotique utilisé, ni de métriques chiffrées de type charge utile, degrés de liberté ou temps de cycle, ni de nom d'entreprise ou de laboratoire : il s'agit d'un article de recherche déposé en preprint, non encore validé par relecture par les pairs. L'enjeu pratique pour les intégrateurs industriels est réel : la majorité des pinces robotiques déployées en usine ou en logistique restent des systèmes à commande de position simples, sans capteurs force/couple coûteux aux doigts. Une méthode qui reconstitue le retour de force par géométrie plutôt que par capteur dédié pourrait rendre la préhension adaptative accessible sur du matériel bas coût existant, un enjeu pour la manipulation d'objets fragiles en logistique, agroalimentaire, électronique ou pour les mains de robots humanoïdes. Cela reste toutefois une preuve de concept en laboratoire, pas une solution commercialisée ni déployée en production. Ce travail s'inscrit dans la lignée des recherches sur la préhension compliante, qui cherchent à reproduire le réflexe humain d'ajustement de force en temps réel, un axe distinct des approches concurrentes reposant sur des capteurs tactiles matriciels ou des politiques apprises de type VLA entraînées sur de larges jeux de données. L'abstract ne mentionne aucun pilote industriel, partenariat ni calendrier de déploiement : les prochaines étapes, non précisées par les auteurs, porteraient vraisemblablement sur une validation à plus grande échelle et sur des plateformes robotiques réelles.

RecherchePaper
1 source
Web2Grasp : apprendre la préhension fonctionnelle à partir d'images web d'interactions main-objet
2arXiv cs.RO 

Web2Grasp : apprendre la préhension fonctionnelle à partir d'images web d'interactions main-objet

Des chercheurs ont présenté sur arXiv (réf. 2505.05517) Web2Grasp, une méthode qui permet à des mains robotiques multi-doigts d'apprendre des saisies fonctionnelles à partir d'images web montrant des interactions main-objet humaines (HOI, hand-object interaction). Un modèle de reconstruction 3D pré-entraîné extrait des maillages HOI depuis des images RGB brutes ; un filtrage géométrique couplé à une simulation physique dans IsaacGym élimine ensuite les saisies infaisables et ne conserve que celles résistant à une perturbation externe. En simulation, le système atteint 75,8 % de réussite sur des objets tirés du dataset web et généralise à des objets non vus lors de l'entraînement. En conditions réelles, testé sur les mains robotiques LEAP Hand et Inspire Hand, il affiche 77,5 % de réussite sur 12 objets incluant des géométries difficiles : seringue, flacon spray, couteau et pince longue (tongs). L'enjeu dépasse la simple prise en main : le "functional grasping" signifie que le robot saisit l'objet comme un humain l'utiliserait (couteau par le manche, spray par le corps), contrairement aux "power grasps" génériques qui dominent encore la littérature de manipulation robotique. La quasi-totalité des approches existantes nécessite des démonstrations en domaine spécifique, coûteuses à collecter objet par objet ; Web2Grasp court-circuite ce goulot en exploitant les images web comme supervision faible à coût quasi nul. Les 77,5 % en conditions réelles sur des formes atypiques sont encourageants, mais les conditions exactes d'évaluation (orientation initiale, variabilité d'éclairage, nombre d'essais par objet) ne sont pas précisées dans le résumé, ce qui invite à consulter le papier complet avant toute conclusion sur la robustesse industrielle. La préhension fonctionnelle reste un problème ouvert : les datasets annotés manuellement comme DexYCB ou ContactPose sont onéreux à produire à grande échelle. L'exploitation d'interactions "in the wild" s'inscrit dans la tendance des VLA (vision-language-action models) comme Pi-0 ou OpenVLA, qui cherchent à réduire la dépendance aux démonstrations robotiques coûteuses. Web2Grasp s'oppose directement à des approches comme DexGraspNet ou UniDexGrasp, ainsi qu'aux pipelines basés sur la téléopération (travaux Dex-Pilot, Apple Research), en supprimant entièrement le besoin de démonstrations effectuées sur robot. La suite logique serait l'intégration dans des pipelines de manipulation complets (pick-and-place, assemblage orienté tâche) ; le site projet actif à web2grasp.github.io indique que les développements se poursuivent.

RecherchePaper
1 source
Préhension sous-marine robuste d'objets inclinés avec une pince passive adaptative étanche
3arXiv cs.RO 

Préhension sous-marine robuste d'objets inclinés avec une pince passive adaptative étanche

Des chercheurs présentent une pince robotique passive, étanche et adaptative, conçue pour saisir de manière fiable des objets du quotidien inclinés ou asymétriques en milieu immergé, un scénario typique des cuisines domestiques où la présence d'eau réduit fortement le frottement entre la pince et l'objet. Décrite dans un article publié sur arXiv (référence 2609.12927v1), la conception combine deux niveaux d'adaptabilité : une articulation rotative passive qui permet un auto-alignement global sur les surfaces en pente, et des coussinets à raideur variable, eux aussi passifs, qui assurent une adaptation locale à la forme de la surface saisie. L'ensemble du mécanisme est entièrement étanche. Les auteurs ont testé le dispositif sur des objets cylindriques et coniques variés, à la fois en conditions sèches et sous l'eau, en le comparant à deux références plus simples, une pince à coussinets rigides et une pince à articulation fixe. Les résultats montrent une meilleure capacité de maintien et une robustesse de préhension supérieure à ces deux baselines, sans qu'un chiffre de charge maximale, de temps de cycle ou de taux de réussite précis ne soit communiqué dans le résumé disponible. Cette avancée cible un angle mort réel de la robotique de préhension : la plupart des systèmes actuels, qu'ils soient pilotés par des politiques d'apprentissage ou par des mécanismes rigides classiques, sont conçus et validés en environnement sec, alors que la manipulation sous l'eau ou sur surfaces mouillées, vaisselle dans un évier, objets glissants en cuisine, reste un cas d'usage mal couvert malgré son importance pour la robotique domestique et l'automatisation en environnement humide. Pour les intégrateurs travaillant sur des applications en milieu immergé ou à forte présence d'eau, agroalimentaire, nettoyage industriel, inspection sous-marine légère, l'intérêt de cette approche est qu'elle mise sur l'adaptabilité mécanique passive plutôt que sur du contrôle actif complexe ou des capteurs additionnels, ce qui réduit potentiellement coût et fragilité du système. Le travail s'inscrit dans une lignée de recherche en préhension adaptative passive, qui cherche depuis plusieurs années à combiner la simplicité mécanique des pinces parallèles avec la tolérance aux formes irrégulières habituellement réservée aux mains sous-actionnées plus complexes. Il se positionne comme une contribution amont, de type article de recherche récemment soumis, et non comme un produit commercialisé ou un déploiement industriel annoncé. Aucun partenaire industriel, calendrier de transfert technologique ni acteur français ou européen n'est mentionné dans le résumé ; les prochaines étapes probables, selon les pratiques habituelles du domaine, porteraient sur l'élargissement à des géométries d'objets plus complexes et sur une validation en conditions réelles au-delà du banc d'essai en laboratoire.

RecherchePaper
1 source
AGILE : reconstruction des interactions main-objet à partir de vidéo par génération à base d'agents
4arXiv cs.RO 

AGILE : reconstruction des interactions main-objet à partir de vidéo par génération à base d'agents

Une équipe de chercheurs a présenté AGILE (arXiv:2602.04672v3), un framework de reconstruction d'interactions dynamiques main-objet à partir de vidéos monoculaires, ciblant deux applications majeures : la collecte de données pour la manipulation dextère en robotique et la création de jumeaux numériques pour la simulation et la réalité virtuelle. La méthode s'attaque à deux verrous techniques qui paralysent les approches existantes : d'une part, le rendu neuronal classique produit sous forte occultation des géométries fragmentées, inutilisables directement en simulation physique ; d'autre part, l'initialisation par Structure-from-Motion (SfM) est notoriellement fragile sur des vidéos captées en conditions réelles. AGILE bascule du paradigme de reconstruction vers ce que les auteurs appellent une "génération agentique" : un Vision-Language Model (VLM) pilote un modèle génératif pour synthétiser un mesh objet complet, fermé (watertight) et texturé haute fidélité, sans dépendre du contenu vidéo occulté. Une stratégie dite "anchor-and-track" initialise la pose de l'objet sur une unique frame d'interaction via un modèle fondation, puis propage cette pose temporellement en exploitant la similarité visuelle entre l'asset généré et les frames vidéo. Une optimisation finale dite contact-aware intègre des contraintes sémantiques, géométriques et de stabilité d'interaction pour garantir la plausibilité physique. Sur les benchmarks HO3D, DexYCB et ARCTIC, AGILE surpasse les baselines en précision géométrique globale. L'intérêt industriel de cette approche réside dans la production d'assets directement exploitables en simulation, une propriété validée par les auteurs via du retargeting real-to-sim pour des applications robotiques. C'est précisément le point de friction qui freinait l'adoption des pipelines de reconstruction vidéo dans les boucles d'entraînement de politiques de manipulation : les meshes obtenus par NeRF ou reconstruction multi-vues classique nécessitaient un travail de remaillage manuel avant d'être injectables dans un moteur physique comme MuJoCo ou Isaac Sim. En contournant le SfM, AGILE devient également utilisable sur des données de terrain non contrôlées, ce qui ouvre la voie à la collecte passive de démos humaines à grande échelle, un prérequis pour les approches VLA (Vision-Language-Action) qui peinent encore à obtenir suffisamment de trajectoires dextères annotées. Le problème de la reconstruction main-objet est étudié depuis plusieurs années, avec des datasets de référence comme HO-3D (2020) et DexYCB (2021), et des méthodes basées sur les modèles paramétriques MANO pour la main. L'originalité d'AGILE est de déporter la reconstruction de l'objet vers une génération guidée, plutôt que de l'estimer directement depuis le signal vidéo dégradé. Les concurrents directs sont les méthodes NeRF-based adaptées aux scènes dynamiques (D-NeRF, HO-NeRF) et les pipelines SfM+MVS classiques, tous sensibles aux occultations. Du côté des acteurs industriels, cette direction intéresse directement les équipes travaillant sur la télé-opération et l'imitation learning pour bras robotiques dextères, notamment chez Dexterous Robotics, Physical Intelligence (Pi) ou les labos académiques proches de Figure et Apptronik. Le projet dispose d'une page dédiée (agile-hoi.github.io) ; aucun code ni dataset supplémentaire n'est annoncé à ce stade.

RecherchePaper
1 source