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

Adaptation des dérivées de la dynamique du corps rigide pour les modèles à chaîne fermée par intégration de contraintes

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

Un article publié sur arXiv (2609.21024v1) étend un algorithme existant de calcul des dérivées du premier ordre de la dynamique des corps rigides aux systèmes à chaînes cinématiques fermées modélisés par "constraint embedding" (intégration de contraintes), une technique qui représente des boucles mécaniques fermées, comme les transmissions à quatre barres, sans passer par un lagrangien complet. Les méthodes de dérivées existantes supposaient les effets de vitesse articulaire localement invariants par rapport à la configuration du système ; les auteurs suppriment cette hypothèse et en dérivent une version généralisée, applicable à davantage de types d'articulations. Ils comparent des modèles robotiques classiques à articulations pivots (pin-joint) à des modèles d'actionnement plus complets, incluant des corps rigides supplémentaires comme les rotors moteurs.

Ce travail comble une lacune méthodologique pour deux usages centraux en robotique moderne, le contrôle prédictif par modèle (MPC) et la simulation différentiable, en particulier pour les humanoïdes et les bras manipulateurs dotés de sous-mécanismes d'actionnement complexes. Les résultats montrent que les termes supplémentaires introduits ont un impact de calcul limité quand seule la cinématique d'actionnement est modélisée, mais deviennent plus coûteux dès que des corps rigides additionnels ou des boucles non locales entrent en jeu. Pour les intégrateurs et les équipes de contrôle, une modélisation plus fidèle des sous-mécanismes reste donc praticable dans la plupart des cas courants, ouvrant la voie à des commandes prédictives plus précises sans sacrifier le temps réel.

La contribution s'inscrit dans la lignée des algorithmes classiques de dynamique des corps rigides, utilisés en robotique pour calculer rapidement couples, forces de contact et leurs dérivées, des briques essentielles pour l'apprentissage par renforcement, la simulation et le contrôle optimal. Il ne s'agit pas d'une annonce produit ni d'un déploiement sur un robot précis, mais d'une avancée algorithmique destinée aux bibliothèques de dynamique déjà utilisées en recherche et dans l'industrie. Les auteurs visent une adoption plus large de modèles de sous-mécanismes d'actionnement à contraintes intégrées dans les futurs systèmes de contrôle prédictif et de simulation différentiable, sans annoncer de calendrier d'intégration logicielle précis.

Dans nos dossiers

arXiv cs.RO

À lire aussi

PhysCoRe : modèles du monde résiduels corrigés par la physique pour la dynamique déformable adaptée aux matériaux
1arXiv cs.RO 

PhysCoRe : modèles du monde résiduels corrigés par la physique pour la dynamique déformable adaptée aux matériaux

Voici l'article traduit et résumé. Une équipe de recherche présente PhysCoRe, un modèle physique hybride destiné à prédire le comportement d'objets déformables manipulés par un robot, un problème resté longtemps non résolu en robotique. Le système combine un simulateur différentiable de type Material Point Method (MPM) avec deux réseaux de neurones feed-forward complémentaires. Le premier module, baptisé Material from Motion (MfM), déduit l'élasticité de chaque particule de l'objet à partir d'observations visuelles, ce qui ancre le simulateur dans la physique réelle propre à chaque objet plutôt que dans des paramètres génériques. Le second module, Residual from Dynamics (RfD), apprend l'écart entre les prédictions du simulateur analytique et la réalité observée, et corrige les biais systématiques que le modèle physique pur ne peut pas capturer. Sur des séquences réelles de manipulation d'objets déformables, PhysCoRe dépasse les méthodes de référence de l'état de l'art en précision de prédiction. Cette approche s'attaque directement à un compromis classique du secteur de la robotique de manipulation : les méthodes d'optimisation par objet, qui calibrent les paramètres matériaux au cas par cas, sont lentes et ne généralisent pas d'un objet à l'autre, tandis que les modèles appris de bout en bout extrapolent mal et violent souvent des contraintes physiques élémentaires (conservation de la masse, cohérence géométrique). En couplant simulation physique et correction résiduelle apprise, PhysCoRe vise un entre-deux praticable pour des tâches comme le pliage de tissu, la manipulation de câbles ou l'emballage d'objets mous, autant d'opérations encore mal maîtrisées en logistique et en assemblage industriel. Point notable pour les intégrateurs : le système permet une identification de matériau en ligne sur des objets jamais vus, le module MfM s'adaptant à partir d'un nombre limité d'interactions, et sa confiance prédictive orientant l'exploration robotique vers les zones où l'estimation reste la moins fiable, un signal utile pour guider l'apprentissage actif plutôt que l'exploration aléatoire. Le travail s'inscrit dans une lignée de recherche qui cherche à réconcilier simulateurs physiques différentiables et apprentissage profond, une piste explorée notamment autour des méthodes MPM depuis plusieurs années pour modéliser des matériaux mous, granulaires ou élastiques. Il se positionne face aux approches purement data-driven de prédiction de dynamique déformable, ainsi qu'aux pipelines classiques d'optimisation de paramètres matériaux par essais successifs. Publié comme prépublication arXiv (2607.20653), l'article ne mentionne pas de déploiement industriel ni de partenariat commercial à ce stade ; il s'agit d'un résultat de recherche validé sur des séquences de manipulation réelles en laboratoire, dont la suite logique serait une évaluation sur des tâches de manipulation plus longues et des objets plus variés.

RecherchePaper
1 source
ACID : cohérence des actions par dynamique inverse pour la planification avec des modèles du monde
2arXiv cs.RO 

ACID : cohérence des actions par dynamique inverse pour la planification avec des modèles du monde

ACID (Action Consistency via Inverse Dynamics), présenté dans un article arXiv publié début juillet 2026 (arXiv:2607.02403v1), s'attaque à un défaut connu de la planification par modèles du monde conditionnés par l'action, une méthode largement utilisée en contrôle robotique. Le problème identifié par les auteurs : le coût de planification standard ne juge une trajectoire candidate qu'à l'aune de la proximité entre l'état terminal prédit et l'objectif, sans vérifier si les transitions intermédiaires sont réalisables. Résultat, une trajectoire peut sembler cohérente sur le papier tout en divergeant fortement une fois exécutée dans l'environnement réel. ACID introduit un principe de "cohérence d'action cyclique" : à chaque étape, un modèle de dynamique inverse tente de retrouver, à partir de la transition prédite, l'action qui l'a produite ; l'écart entre cette action reconstruite et l'action réelle est intégré au coût de planification via une pondération adaptative invariante à l'échelle. Les auteurs valident la méthode sur quatre modèles du monde différents et six tâches couvrant la manipulation d'objets rigides et déformables, le contrôle de systèmes articulés et la navigation visuelle, avec un gain systématique en qualité de planification. L'apport principal n'est pas seulement la précision, mais l'efficacité : ACID atteint une exactitude comparable aux méthodes de référence tout en réduisant substantiellement le budget de calcul nécessaire à la planification. C'est un point sensible pour l'embarqué robotique, où le temps de cycle et la puissance de calcul disponible contraignent directement le déploiement temps réel. Le papier touche aussi à un débat plus large dans le secteur : la fiabilité des modèles du monde utilisés pour anticiper les conséquences d'une action avant de l'exécuter, un maillon critique face aux erreurs qui s'accumulent le long d'une trajectoire prédite. Cette approche s'inscrit dans la lignée des travaux sur la planification par modèle prédictif (MPC) couplée à des dynamiques apprises, une alternative aux architectures vision-langage-action de bout en bout comme Pi-0, GR00T N2 ou Helix, qui n'exposent pas de mécanisme de vérification explicite des trajectoires intermédiaires. Publié en preprint, ACID n'a pas encore fait l'objet d'une revue par les pairs ni d'une validation sur robot physique au-delà des bancs de test utilisés dans l'étude ; la suite logique serait une évaluation en conditions réelles et une comparaison directe avec les méthodes de planification par diffusion, autre piste active du domaine.

RecherchePaper
1 source
Contrôle adaptatif de précision basé sur un modèle pour la poussée planaire sur table en dynamique incertaine
3arXiv cs.RO 

Contrôle adaptatif de précision basé sur un modèle pour la poussée planaire sur table en dynamique incertaine

Une équipe de chercheurs a publié une nouvelle version (v2) d'un article sur arXiv (2510.03768) décrivant un système de contrôle pour la manipulation par poussée non préhensile sur table, c'est-à-dire déplacer un objet en le poussant plutôt qu'en le saisissant avec une pince. Le système combine un modèle de dynamique appris, bâti sur une architecture récurrente GRU enrichie de couches non linéaires, avec un contrôleur MPPI (Model Predictive Path Integral), une méthode d'optimisation par échantillonnage. L'entraînement se fait entièrement en simulation, avec randomisation de domaine pour faciliter le transfert vers le réel. Les auteurs valident l'approche en simulation puis sur un bras robotique Franka Panda équipé d'un suivi sans marqueurs. Les résultats montrent des taux de réussite élevés pour le positionnement de précision sous des seuils stricts, ainsi que de bonnes performances en suivi de trajectoire, évitement d'obstacles, changement de côté de poussée et longueurs de poussée variables. L'apport principal tient à la polyvalence : un seul modèle appris couvre plusieurs tâches simplement en changeant la fonction objectif du contrôleur, sans réentraînement. Cela contraste avec la majorité des travaux antérieurs sur la poussée pilotée par les données, généralement limités à une capacité étroite (changement de côté, précision ou entraînement mono-tâche) et devant être réentraînés pour chaque nouvel objectif. Pour des équipes travaillant sur la manipulation non préhensile en industrie, réarrangement d'objets, alignement de pièces, tri sans préhenseur dédié, ce résultat suggère qu'un modèle de dynamique unique peut remplacer plusieurs politiques spécialisées, réduisant le coût d'ingénierie. Le transfert sim-to-réel réussi, sans données réelles pour l'entraînement, confirme aussi la viabilité de cette approche pour un déploiement rapide sur du nouveau matériel. Le travail s'inscrit dans la lignée des méthodes de poussée pilotées par les données, apparues en réaction aux limites des approches analytiques classiques, trop dépendantes d'une modélisation manuelle précise de la friction et des contacts. Le système reste pour l'instant restreint à un seul type d'objet : les auteurs indiquent l'étendre via des longueurs de poussée plus variées et un contrôleur équilibré réduisant le nombre d'étapes pour les objectifs à horizon long. Aucun calendrier de déploiement industriel n'est mentionné ; il s'agit à ce stade d'une contribution de recherche académique, sans acteur français ou européen identifié dans le texte.

RecherchePaper
1 source
DIDO : distiller la dynamique centrée sur l'interaction en débruitage à une étape pour les modèles d'action du monde
4arXiv cs.RO 

DIDO : distiller la dynamique centrée sur l'interaction en débruitage à une étape pour les modèles d'action du monde

Une équipe de recherche publie DIDO (arXiv 2609.15570, septembre 2026), une méthode de distillation pour les World Action Models (WAM), ces systèmes qui utilisent des modèles de génération vidéo pour prédire la dynamique visuelle future et piloter la manipulation robotique. Le problème de départ est la latence : le débruitage itératif de ces modèles vidéo est incompatible avec un contrôle en boucle fermée. Les auteurs montrent empiriquement que le contenu visuel converge à des vitesses différentes durant le débruitage : le fond statique de la scène se forme dès les premières étapes, tandis que la pince du robot et l'objet manipulé restent flous, leur dynamique d'interaction n'émergeant que lors des étapes suivantes. Tronquer naïvement un modèle multi-étapes à une seule étape préserve donc la structure de la scène mais perd l'information d'interaction, la plus critique pour la manipulation. DIDO combine une distillation par appariement de distribution avec un guidage centré sur l'interaction : des tokens de raisonnement visuel supervisés par boîtes englobantes modélisent la pince, l'objet et leur interaction, et les représentations de l'objet cible sont alignées, sur plusieurs couches, avec les caractéristiques d'un encodeur DINOv3 préentraîné. Résultat : 99,0% de réussite sur LIBERO, 76,6% sur LIBERO-Plus et 92,0% sur RoboTwin, en une seule étape de débruitage. Pour les intégrateurs et chercheurs en robotique, l'enjeu est concret : les modèles vidéo-génératifs produisent des prédictions visuelles de qualité, mais leur coût de calcul itératif les rend souvent inadaptés au temps réel. En ramenant le débruitage à une seule étape sans sacrifier la dynamique gripper-objet, DIDO s'attaque à un des obstacles qui séparent les démonstrations de manipulation en simulation d'un déploiement réactif. Le travail met aussi en garde contre la distillation naïve des WAM : réduire le nombre d'étapes sans traitement spécifique dégrade précisément l'information la plus utile à la tâche. DIDO s'inscrit dans la lignée des World Action Models, qui détournent des générateurs vidéo pour servir de moteur de prédiction à des politiques de manipulation, en s'appuyant sur des encodeurs visuels auto-supervisés comme DINOv3 de Meta, utilisé ici comme signal d'enseignement. Les résultats restent validés sur des benchmarks de simulation standards du secteur (LIBERO, LIBERO-Plus, RoboTwin), complétés par des essais réels sur des tâches longues et des scénarios de généralisation. Aucun partenariat industriel ni date de disponibilité n'est mentionné : il s'agit à ce stade d'une publication de recherche, pas d'un produit livré.

RecherchePaper
1 source