RechercheHackaday Robots Hacks 19 septembre 2026

Apprendre à une main robotique à marcher

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs de l'ETH Zurich (Suisse) ont présenté une main robotique capable de marcher sur ses propres doigts, un projet dévoilé fin septembre 2026 et dont la sortie coïncide, de façon fortuite selon les auteurs, avec Halloween. L'équipe est partie d'une main robotique disponible dans le commerce, qu'elle a équipée d'une batterie et d'un Raspberry Pi Zero 2 W, puis pilotée via un réseau de neurones entraîné par apprentissage par renforcement dans un simulateur avant transfert sur le matériel réel. La main compte vingt articulations, quatre par doigt, et le réseau calcule en continu le prochain état articulaire à partir des mouvements précédents, de l'état courant de la main et de l'objectif fixé. Cette approche s'est révélée plus rapide qu'un modèle de locomotion quadrupède simplement adapté. Le système a appris à avancer en ligne droite, tourner, se relever après une chute (21 réussites sur 25 essais, en moins de vingt secondes) et taper sur un clavier, bien que l'absence de caméra empêche la main d'accomplir cette dernière tâche de façon autonome. Elle a franchi quatorze surfaces différentes, du tapis en caoutchouc au gravier et à l'herbe, et a réussi à pousser de petits objets vers des cibles désignées.

Ce résultat illustre concrètement que l'apprentissage par renforcement, combiné à une simulation puis un transfert vers le réel, fonctionne aussi pour de la locomotion sur des géométries inhabituelles comme des doigts, et pas seulement pour des pattes de robots quadrupèdes ou humanoïdes. Pour les intégrateurs et chercheurs en robotique, cela ouvre une piste vers des effecteurs modulaires et autonomes: une main ou un préhenseur pourrait se détacher d'un bras robotique pour aller chercher un objet hors de portée, puis revenir se fixer. Les auteurs restent toutefois transparents sur les limites: une dérive systématique vers la droite due à la géométrie de la main nécessite une correction constante, et le clavier ne peut être actionné sans supervision externe puisqu'aucune caméra embarquée ne guide les frappes.

Ce travail s'inscrit dans la tradition de l'ETH Zurich en robotique de locomotion, l'institut étant déjà connu pour ses robots quadrupèdes ANYmal, dont les techniques de marche ont ici inspiré les comparaisons de performance. Il rejoint aussi une longue série de projets amateurs et académiques de mains robotiques bricolées documentés ces dernières années. Il s'agit pour l'instant d'une démonstration de recherche, sans partenaire industriel ni feuille de route de commercialisation annoncée, mais les auteurs évoquent explicitement l'intégration future de cette autonomie de déplacement à des bras robotiques plus larges.

Impact France/UE

L'ETH Zurich, institution européenne reconnue en robotique de locomotion (ANYmal), renforce la réputation de la recherche européenne sur le sim-to-real, mais ce projet reste une démonstration académique sans partenaire industriel ni impact direct sur l'industrie ou la réglementation française ou européenne.

À lire aussi

1arXiv cs.RO

T$^2$Mem : apprendre une mémoire au moment du test pour la robotique

Des chercheurs présentent sur arXiv T²Mem, un cadre qui donne une mémoire à une politique vision-langage-action (VLA) pré-entraînée qui n'en avait pas. La méthode repose sur l'entraînement au moment du test (test-time training). Le système ne retraite pas tout l'historique à chaque décision. Il encode les observations passées dans des « poids rapides » compacts, mis à jour en ligne par apprentissage auto-supervisé. Une interface ancrée dans les observations extrait l'information vision-langage qui alimente la mémoire, puis renvoie le contexte récupéré à l'action expert de la politique. L'entraînement alterne entre mémoire et politique, chacune restant figée pendant l'optimisation de l'autre. Sur les 16 tâches du benchmark RoboMME, le taux de succès moyen passe de 17,93 % à 56,83 % par rapport à la politique de base. T²Mem dépasse aussi les méthodes à mémoire récurrente rapportées dans ce benchmark. Les auteurs annoncent une inférence au moins trois fois plus rapide que les méthodes explicites, mesurée par profilage contrôlé. Ce travail s'attaque à une faiblesse structurelle des VLA. Ils décident surtout à partir de l'observation courante, alors que de nombreuses tâches de manipulation dépendent d'informations qui ne sont plus visibles, comme un objet masqué ou une étape déjà exécutée. Point notable : la mémoire est apprise à partir des seules démonstrations d'actions, sans modèle de raisonnement externe ni annotations dédiées. Cela réduit le coût de données et la complexité d'intégration. Le gain de latence compte pour les boucles de contrôle temps réel. Plusieurs réserves s'imposent. Il s'agit d'un préprint évalué sur benchmark, et le résumé ne mentionne ni validation sur robot physique ni déploiement. L'accélération est mesurée par les auteurs eux-mêmes. Enfin, 56,83 % de réussite moyenne reste loin d'une fiabilité industrielle. Le contexte est celui de politiques généralistes qui ont progressé en dextérité mais restent largement sans état. Les approches de mémoire existantes reposent sur des historiques explicites, des modules de raisonnement externes ou des mémoires récurrentes, d'où la comparaison menée ici avec ces dernières. Le résumé ne nomme pas la politique de base utilisée, ce qui limite pour l'instant la lecture de la portée du gain. Un site projet est annoncé. Les prochaines étapes à surveiller sont la reproduction sur d'autres politiques de base, les essais sur robots réels et une éventuelle reprise du principe dans les modèles de fondation robotiques commerciaux.

RecherchePaper

1 source

2Hackaday Robots Hacks

Construire une main robotique habile et peu coûteuse

Le créateur [Vittorio Lumare] a mis au point la « Yeah Hand », une main robotique à bas coût, majoritairement imprimée en 3D et animée par cinq servomoteurs. Comme une main humaine, elle ne loge aucun actionneur dans les doigts : le mouvement passe par des tendons en fil de pêche, guidés dans des gaines Bowden en PTFE qui réduisent la friction et limitent l'échauffement des moteurs. Lors des essais, la main a enchaîné 800 cycles d'ouverture et de fermeture sans approcher de la surchauffe. Elle peut soulever jusqu'à 8 kg et exerce une force de préhension maximale de 5 kg. Les doigts portent des inserts en silicone sur leur face interne pour tenir les objets lisses, et les pouces sont dotés d'ongles pour saisir les objets fins. Deux versions existent : une version robotique, livrée avec plusieurs brides de fixation et un pilote ROS, et une version de prothèse expérimentale, qui diffère surtout par le montage. Pour la piloter, Lumare a aussi construit un gant équipé de capteurs de flexion qui reproduit la position de sa propre main. Ce projet n'a rien d'une rupture technologique, mais il montre où se situe le vrai verrou de la main robotique : la dextérité plus que la force. Peu de tâches exigent l'ensemble des performances de la main humaine, à la fois précise, sensible et robuste. Une architecture à cinq moteurs déportés, des tendons bon marché et des pièces imprimées permettent déjà de couvrir une large gamme de préhensions pour un coût de nomenclature très inférieur à celui des mains dextres industrielles. Les chiffres annoncés restent toutefois à relativiser : 800 cycles représentent un test d'endurance modeste, loin des millions de cycles attendus en environnement industriel, et rien n'est dit sur l'usure des tendons en fil de pêche, la dérive de tension ou la perception tactile. Le pilote ROS est en revanche un atout concret pour les laboratoires et les intégrateurs qui veulent prototyper sans passer par des systèmes propriétaires. Le projet s'inscrit dans une vague de mains open source et abordables, destinée à un public de makers, d'universités et de développeurs de prothèses, par opposition aux mains à actionnement direct embarquées dans les humanoïdes commerciaux, plus complexes et plus coûteuses. La Yeah Hand reste un projet individuel, sans produit commercialisé ni calendrier de déploiement annoncé, et son passage à une version prothétique n'est présenté que comme expérimental. La suite dépendra de la publication de données plus détaillées sur la durabilité et la répétabilité, ainsi que de l'adoption par la communauté ROS.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Mem4Act : apprendre une mémoire latente efficace pour la manipulation robotique à long horizon

Des chercheurs proposent Mem4Act, un cadre d'apprentissage d'une mémoire latente de taille fixe, optimisée pour la manipulation robotique à long horizon. Le travail, publié sur arXiv (2610.22323v1), part d'un constat : les approches existantes conservent soit les observations brutes, soit des tokens visuels compressés, soit des résumés en langage naturel. Les premières exposent la politique d'action à des historiques de plus en plus longs. Les autres risquent de perdre des informations temporelles, sémantiques ou perceptives utiles. Mem4Act s'appuie sur trois mécanismes. Une agrégation temporelle multi-granularité couvre efficacement l'historique. Deux supervisions complémentaires fixent le contenu de la mémoire : des questions-réponses pour l'état de la tâche, et la reconstruction de features DINO sur des images clés pour le détail perceptif. Enfin, un entraînement en deux étapes « mémoire d'abord » pousse la politique à s'appuyer réellement sur cette mémoire. Les taux de succès annoncés sont de 49,88 % sur RoboMME, 61,0 % sur RMBench et 81,5 % sur quatre tâches réelles, des résultats que les auteurs présentent comme l'état de l'art sur le contrôle dépendant de la mémoire. L'enjeu est concret pour les intégrateurs. Les politiques VLA actuelles décident surtout à partir de l'observation courante ou d'une courte fenêtre. Elles échouent donc dès qu'une tâche exige de se souvenir de ce qui a été fait ou vu plusieurs étapes plus tôt, comme un objet déplacé, un compteur d'actions ou un élément désormais caché. Une mémoire de taille bornée garde le coût d'inférence constant quelle que soit la durée de l'épisode, une contrainte décisive pour un déploiement embarqué. Les chiffres appellent toutefois de la prudence. Un score de 49,88 % sur RoboMME montre que ces benchmarks restent loin d'être résolus. Les 81,5 % sur quatre tâches réelles reposent sur un échantillon étroit, sans précision publique sur le matériel, le nombre d'essais ou la variabilité des scènes. L'écart entre benchmark et atelier reste donc à documenter. Les ablations indiquent que l'agrégation temporelle, la supervision complémentaire et l'entraînement mémoire d'abord contribuent chacun aux gains, ce qui suggère que le simple allongement du contexte ne suffit pas. Ce travail s'inscrit dans un champ de recherche qui s'est structuré autour de la mémoire pour les politiques robotiques. Il y a d'abord la conservation d'images passées ou de tokens compressés, puis les résumés en langage utilisés par des agents à base de modèles de langage. Les benchmarks dédiés comme RoboMME et RMBench servent désormais à comparer ces approches. Mem4Act se positionne face à ces deux familles en proposant une représentation apprise de bout en bout. L'article ne fournit pas de calendrier de déploiement ni de partenaire industriel. Il s'agit d'une préversion de recherche, sans produit ni pilote annoncé. La suite à surveiller : une validation sur davantage de plateformes et de tâches longues, une évaluation face aux grands modèles VLA du marché, et la publication éventuelle du code et des poids, qui permettrait une reproduction indépendante.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Apprendre d'une main stable : un agent faiblement supervisé pour l'assistance robotique sous microscopie

Des chercheurs proposent, dans une préversion arXiv (2601.20776v2), un cadre d'assistance robotique sous microscope fondé sur une supervision faible, qui associe une perception tenant compte de la calibration à un contrôle en admittance. Le système exploite des trajectoires de «mise en route» réutilisables pour en extraire de l'information spatiale implicite. Il obtient ainsi une perception résolue en profondeur, sans repères fiduciaires externes ni annotation manuelle de la profondeur image par image, et sans l'étiquetage 2D fastidieux des approches d'automatisation classiques. En caractérisant les résidus des modèles d'observation et de calibration, les auteurs établissent un budget d'erreur dans l'espace de la tâche à partir de ces enregistrements. Dans leurs conditions de laboratoire, l'erreur latérale empirique est d'environ 49 µm. L'erreur axiale, estimée de façon volontairement prudente, atteint environ 291 µm lors de grands déplacements dans le plan. Une étude intra-sujets portant sur 8 participants montre une baisse de 77,1 % de la charge de travail globale mesurée par le NASA-TLX, par rapport à une assistance «steady-hand» simple. Pour la micromanipulation, le principal intérêt est de réduire le coût d'instrumentation et de données. Les systèmes guidés par microscope exigent d'ordinaire des marqueurs, des calibrations lourdes ou des annotations de profondeur coûteuses, ce qui freine leur transfert hors du laboratoire. Réutiliser des trajectoires de mise en route abaisse cette barrière et pourrait intéresser les intégrateurs de postes de chirurgie assistée, d'injection cellulaire ou d'assemblage de précision. Il faut toutefois relativiser les résultats. L'erreur axiale de 291 µm reste grande pour de nombreuses tâches cellulaires ou microchirurgicales, et les auteurs eux-mêmes limitent leurs conclusions aux «conditions de laboratoire évaluées». Un échantillon de 8 utilisateurs rend le chiffre de 77,1 % indicatif plutôt que probant. Il s'agit en outre d'une mesure subjective, comparée à une base de référence minimale, et non à un système de pointe. Enfin, ce travail n'apporte ni produit ni déploiement, seulement une démonstration en boucle fermée. Ces travaux prolongent plusieurs années de recherche sur les robots «steady-hand», nés pour filtrer les tremblements du geste humain en chirurgie oculaire et en microchirurgie. Leur contrôle en admittance fait réagir le robot à la force appliquée par l'opérateur. Le défi persistant était la perception métrique en 3D sous un microscope à profondeur de champ très faible, sans capteurs supplémentaires. Les auteurs y répondent par un apprentissage faiblement supervisé, dans un mouvement plus large vers la réduction de l'annotation dans la robotique médicale et de laboratoire. Cette version 2 remplace une version antérieure, et l'article ne précise ni validation clinique, ni calendrier, ni partenaire industriel. Les prochaines étapes naturelles seraient de réduire l'erreur axiale, de tester sur des échantillons biologiques réels et d'élargir le panel d'utilisateurs, y compris des opérateurs expérimentés.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source