Aller au contenu principal
Empaquetage dense automatique d'objets irréguliers adapté à la pince
RecherchearXiv cs.RO 

Empaquetage dense automatique d'objets irréguliers adapté à la pince

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

Publiée le 21 septembre 2026 sur arXiv (2609.22062v1), l'étude « Gripper-Aware Automatic Dense Packing of Irregular Objects » présente un pipeline en boucle fermée pour l'emballage dense automatique d'objets irréguliers, testé sur un bras Franka Emika Panda. L'optimiseur modélise l'objet et la pince comme un seul corps composite en arbres de sphères, et recherche la meilleure pose sur cinq degrés de liberté via un algorithme CMA-ES exécuté sur GPU, la hauteur de dépose étant déduite du relief mesuré du conteneur. Une descente surveillée par capteur de force s'arrête au premier contact, puis une poussée de consolidation referme le jeu latéral résiduel, le conteneur étant reperçu entre chaque dépose pour éviter toute dérive accumulée. Validé sur des objets imprimés en 3D aux formes plates, courbes et concaves ainsi que sur un sous-ensemble d'objets YCB, le système est évalué par une étude d'ablation mesurant l'apport de chaque composant sur la réussite, la densité atteinte et le coût de calcul.

Le résultat comble un angle mort classique du packing robotique : les travaux antérieurs traitent souvent l'objet comme un corps rigide isolé, réduisent la pince à un simple test de faisabilité après coup, et ignorent les erreurs de perception et de contact qui s'accumulent en conditions réelles. En intégrant le gripper dès l'optimisation et en fermant la boucle par retour de force, les auteurs réduisent l'écart entre démonstration simulée et exécution réelle, un enjeu central pour tout intégrateur logistique visant l'automatisation du remplissage dense de bacs avec des objets non standardisés. Le benchmark contre une méthode de minimisation de heightmap, représentative des approches antérieures, offre un point de comparaison quantifié plutôt qu'une simple annonce marketing.

Le travail s'inscrit dans la recherche en manipulation robotique pour la logistique d'entrepôt, où le remplissage dense reste largement non résolu malgré des années de travaux en simulation. À la différence des pipelines qui traitent la pince comme un simple filtre de faisabilité ajouté en fin de chaîne, cette contribution se distingue par sa validation matérielle complète sur un Franka Emika Panda, plateforme académique de référence. Il s'agit d'un preprint arXiv non encore revu par les pairs, sans industrialisation, partenariat ni calendrier de déploiement annoncés à ce stade. Les extensions naturelles porteraient sur une plus grande diversité d'objets, des cadences de production plus élevées et des grippers industriels multi-doigts, au-delà du bras Panda utilisé pour cette preuve de concept.

Impact France/UE

Le système est valide sur un bras Franka Emika, fabricant européen de robotique, mais aucun déploiement, partenariat ou impact réglementaire n'est annonce en France ou en UE.

À lire aussi

Améliorer automatiquement la physique de simulation des objets articulés
1arXiv cs.RO 

Améliorer automatiquement la physique de simulation des objets articulés

Une thèse publiée sur arXiv en mai 2026 (identifiant 2605.19136) propose une méthode automatisée pour corriger les propriétés physiques des objets articulés destinés aux simulateurs de robotique. L'approche introduit le concept d'"interaction-readiness", qui caractérise la capacité d'un objet à être simulé de façon fiable lors de tâches de manipulation. Le constat de départ est précis : les grands datasets 3D existants, comme PartNet-Mobility ou Objaverse, fournissent des représentations géométriques et cinématiques riches, mais omettent les paramètres physiques indispensables à une simulation stable (masse, friction, amortissement, limites d'articulations), contraignant les équipes à un travail manuel coûteux. La méthode proposée fusionne des informations géométriques, visuelles et sémantiques dans une boucle itérative avec le simulateur, qui affine ces propriétés automatiquement jusqu'à atteindre une cohérence physique suffisante pour des tâches de manipulation. L'enjeu est concret pour les équipes qui entraînent des politiques de contrôle robotique par apprentissage en simulation. Les expériences conduites sur des objets articulés variés montrent que la qualité des assets influe directement sur la stabilité de la simulation, le comportement lors des interactions, et les performances des politiques apprises, validant empiriquement ce que beaucoup d'équipes observaient sans pouvoir le quantifier. Construire manuellement un objet simulation-ready (tiroir, porte, boîte à couvercle) représente un effort d'ingénierie significatif qui freine la diversification des scénarios d'entraînement. Une pipeline automatisée réutilisant des assets géométriques existants pour y injecter des propriétés physiques réalistes pourrait débloquer la mise à l'échelle des données de simulation, un goulot d'étranglement reconnu dans la course aux VLA (Vision-Language-Action models) et aux politiques de manipulation généralistes. Cette problématique s'inscrit dans un effort collectif pour réduire le sim-to-real gap, domaine où NVIDIA (Isaac Lab) et Google DeepMind (MuJoCo) investissent massivement via la domain randomization et la génération procédurale d'environnements. Le cadre d'évaluation proposé, qui décompose l'"interaction-readiness" en composantes mesurables, constitue aussi une contribution méthodologique indépendante, potentiellement utile comme benchmark pour comparer des pipelines de génération d'assets. Aucune affiliation industrielle n'est précisée dans le préprint, et la méthode n'a pas encore été validée à l'échelle industrielle ; les prochaines étapes naturelles iraient vers des applications de bin-picking ou d'assemblage, où les objets articulés restent un défi ouvert pour les intégrateurs.

UEImpact indirect : les équipes de recherche françaises et européennes (INRIA, CEA-List) travaillant sur la manipulation robotique et les politiques VLA pourraient exploiter cette pipeline pour réduire le coût d'ingénierie lié à la création d'assets simulation-ready.

RecherchePaper
1 source
De la vidéo au modèle : modélisation automatique des objets linéaires déformables
2arXiv cs.RO 

De la vidéo au modèle : modélisation automatique des objets linéaires déformables

Une équipe de chercheurs publie sur arXiv (octobre 2026) un cadre « vidéo-to-model » qui génère automatiquement le modèle de mouvement d'un fil de suture déformable à partir d'une simple vidéo. Le pipeline comporte trois étages. Un module de perception localise et suit le fil dans l'image, et produit une séquence ordonnée de nœuds le long du fil. Un réseau de neurones convolutif spatio-temporel analyse ensuite ce mouvement observé et estime les paramètres effectifs d'un modèle structuré de type CBF-CLF-QP. Ce modèle repose sur des fonctions de barrière de contrôle (CBF) et de Lyapunov (CLF), résolues sous forme de programme quadratique (QP). Il décrit le comportement d'une corde avec un nombre réduit de paramètres. Ces paramètres servent enfin à simuler le fil sous une vitesse d'aiguille choisie par l'utilisateur. Les auteurs affirment avoir testé le système sur des configurations de fil et des mouvements jamais vus à l'entraînement. Ils rapportent une reconstruction fiable du comportement et une erreur de suivi faible. L'abstract ne chiffre ni cette erreur, ni le nombre de fils testés, ni la nature des vidéos, simulées ou réelles. L'intérêt tient à un goulot d'étranglement bien connu de la manipulation d'objets linéaires déformables (câbles, fils, sutures). Leur simulation exige en général un réglage manuel de paramètres physiques (raideur, amortissement, frottement), long et peu transposable d'un matériau à l'autre. Estimer ces paramètres directement depuis la vidéo ouvre la voie à des jumeaux numériques calibrés automatiquement, utiles pour la chirurgie robotisée, la planification de suture et la génération de données de simulation. Cela concerne aussi le câblage industriel, où les harnais et câbles restent un cas difficile d'automatisation. Le choix d'un modèle structuré à peu de paramètres, plutôt que d'un réseau de bout en bout, va dans le sens d'une approche plus interprétable et plus contrôlable, qui limite l'écart sim-to-real. Les limites sont réelles : le résultat est présenté comme « un pas » vers la modélisation automatique, sans comparaison annoncée avec des méthodes de référence ni validation sur un robot en boucle fermée. Ces travaux s'inscrivent dans la robotique chirurgicale autonome, où la suture est une tâche emblématique (sur la lignée des démonstrations de type STAR) et où la dynamique du fil reste mal modélisée. Ils prolongent le modèle CBF-CLF-QP développé récemment, qui visait à simplifier la caractérisation du mouvement de cordes. Ils croisent aussi la recherche sur la simulation différentiable de matériaux déformables et l'identification de paramètres par apprentissage. Les prochaines étapes naturelles seraient une validation sur vidéos réelles de suture avec occlusions et reflets, une généralisation à d'autres matériaux et la fermeture de la boucle avec un contrôleur robotique. Aucun calendrier de déploiement ou partenaire industriel n'est mentionné à ce stade.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
AnnotateAnything : annotation automatique d'objets 3D pour la manipulation robotique
3arXiv cs.RO 

AnnotateAnything : annotation automatique d'objets 3D pour la manipulation robotique

Des chercheurs ont publié sur arXiv le 17 juin 2026 un framework baptisé AnnotateAnything (arXiv:2606.17446) pour annoter automatiquement des assets 3D bruts et les rendre exploitables dans des pipelines d'entraînement robotique. Le système convertit des modèles 3D passifs en assets "manipulation-ready" enrichis de labels sémantiques, physiques et interactifs sans intervention humaine, en s'appuyant sur deux pipelines complémentaires : un module de raisonnement visio-linguistique (VLM) infère les sémantiques d'objet et les contraintes d'interaction ; un second pipeline de physique, massivement parallèle, ancre ces priors dans la géométrie de chaque asset pour générer automatiquement poses de préhension, contacts dextres, waypoints d'articulation, directions d'insertion, affordances de suspension et cibles de navigation. Un système de collecte de données de simulation asynchrone s'appuie ensuite sur ces annotations pour couvrir objets, tâches et morphologies robotiques variés. L'enjeu est central : les assets 3D bruts ne contenant que de la géométrie, annoter manuellement des bibliothèques à l'échelle reste coûteux et non scalable. AnnotateAnything automatise cette étape en combinant priors sémantiques VLM et optimisation géométrique pour produire des labels physiques exécutables. Les auteurs rapportent des gains en efficacité d'annotation, en efficacité de collecte et en taux de réussite de tâches face aux pipelines existants, des résultats à prendre avec précaution puisque les benchmarks comparatifs sont ceux des auteurs eux-mêmes. Le support natif du VQA robotique et du fine-tuning d'instructions visuelles ouvre une intégration directe dans des pipelines VLA (Vision-Language-Action), paradigme dominant pour l'apprentissage de politiques généralisables à l'échelle. Ce travail s'inscrit dans une vague de recherche sur la scalabilité des données synthétiques, aux côtés de MimicGen (NVIDIA), RoboGen ou UniSim, tous ciblant la réduction du sim-to-real gap par voie simulée. La pénurie d'annotations structurées dans les assets 3D existants est un problème documenté depuis plusieurs années, faute d'alternative viable aux approches manuelles. AnnotateAnything se positionne comme infrastructure de données en amont de tout pipeline de simulation, sans cibler un robot ou un déploiement industriel précis. Les auteurs annoncent la publication du code complet, des annotations et d'un benchmark, un engagement qui, s'il est tenu, pourrait en faire une ressource partagée par la communauté ; aucun partenaire industriel ni déploiement terrain n'est mentionné à ce stade.

RechercheActu
1 source
IORA : immobilisation d'objets irréguliers avec un actionnement restreint
4arXiv cs.RO 

IORA : immobilisation d'objets irréguliers avec un actionnement restreint

Une équipe de recherche publie sur arXiv (version 1, octobre 2026) IORA, un cadre de synthèse de prises conçu pour immobiliser des objets de forme irrégulière avec des mains à faible nombre de degrés de liberté (DOF) et à actionnement couplé, où un même moteur commande plusieurs articulations. La méthode représente les zones de surface locales de la main et de l'objet sous forme de graphes, puis cherche des appariements cinématiquement réalisables entre les deux. Elle affine ensuite la pose du poignet et l'état des moteurs pour garantir la faisabilité géométrique des contacts, et valide chaque prise par des simulations physiques. Une recherche locale optionnelle, guidée par la tâche, explore des configurations voisines et retient celle qui répond à la condition fixée. Les auteurs annoncent un taux de réussite élevé et une bonne résistance aux perturbations sur des objets variés, ainsi que des essais réels dans un scénario de cuisine. Le résumé ne donne aucun chiffre, ni modèle de main, ni baseline comparée. L'apport tient à un changement de point de vue. La plupart des méthodes de synthèse de prise dextre supposent des mains très actionnées évoluant en espace libre, et leurs topologies de contact sont souvent inatteignables pour des mains simples et peu coûteuses. IORA traite la surface d'appui (plan de travail, poêle, planche) comme une source de force de contact exploitable, et non comme une simple contrainte géométrique. Pour un intégrateur, cela ouvre la voie à des tâches d'immobilisation avec du matériel moins complexe, donc moins cher et plus robuste. Il faut toutefois rester prudent: sans métriques publiées ni comparaison nommée, la formule « succès élevé » reste invérifiable, et une démonstration en cuisine en laboratoire ne dit rien de la fiabilité en exploitation. Ce travail s'inscrit dans la littérature de la préhension dextre, dominée par des mains à nombreux DOF, et en parallèle des modèles vision-langage-action comme Pi-0, qui apprennent des politiques de bout en bout plutôt que de calculer explicitement des contacts. IORA relève d'une approche par recherche et validation physique, plus interprétable, qui pourrait servir de générateur de données ou de complément à ces politiques. Il s'agit d'un résultat académique: aucune entreprise, aucun pilote ni calendrier de déploiement n'est annoncé. Les prochaines étapes à surveiller sont la publication du code, des comparaisons chiffrées avec des méthodes existantes et la validation sur d'autres mains et d'autres tâches.

RecherchePaper
1 source