RecherchearXiv cs.RO 22 septembre 2026

Saisie octopode : préhension et fixation distribuées avec un bras souple à vitesse limitée

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article publié sur arXiv le 22 septembre 2026 (arXiv:2609.22926v1), intitulé "Embodied Snap", présente un contrôleur inspiré du poulpe pour bras robotique souple à ventouse passive. Le problème visé : les actionneurs à réducteur limitent la vitesse de contact nécessaire à l'accroche, sans qu'un meilleur suivi de trajectoire suffise à compenser ce manque. La solution sépare une phase lente de mise en tension des tendons (préchargement servo-commandé) d'une phase rapide de relâchement élastique. Une politique apprise, partagée par les trois sections du bras, décide où, comment et quand charger puis relâcher le tendon et le mou. Résultats obtenus : un taux d'accroche de 73 % (± 4) sur 400 cibles simulées inédites avec une tolérance latérale de 5 cm, des vitesses en bout de bras de 1,56 à 1,64 m/s (au moins 108 % de plus qu'un relâchement direct par tendon), et sur 18 essais matériels en boucle ouverte répartis sur six placements, 17 essais dépassent le seuil de 1 m/s requis pour l'accroche et neuf permettent de récupérer effectivement l'objet, avec succès sur cinq des six placements testés.

Cette division entre préparation apprise et exécution mécanique passive s'attaque à un verrou connu de la robotique souple : des actionneurs légers et sûrs, adaptés à la cohabitation homme-robot ou aux usages sous-marins et spatiaux, sont souvent trop lents pour des tâches dynamiques comme la capture par ventouse. Plutôt que d'ajouter des moteurs plus puissants, donc plus lourds et coûteux, l'équipe montre qu'un mécanisme de stockage puis décharge d'énergie élastique, piloté par une politique compacte, comble cet écart, avec une convergence atteinte en seulement 17 % du budget d'évaluation nécessaire à un contrôleur centralisé de référence. L'écart simulation-réel reste toutefois visible : sur le matériel réel, seule la moitié des essais aboutit à une récupération effective de l'objet, contre un taux nettement supérieur en simulation.

Le travail relève de la robotique bio-inspirée, qui étudie l'organisation distribuée des bras du poulpe sans chercher à répliquer son système nerveux. Signalé comme nouvelle soumission sur arXiv, ce preprint n'a pas encore été relu par les pairs, et les essais matériels restent des tests en boucle ouverte menés sur un prototype de laboratoire, sans lien annoncé avec un système commercial. Il s'inscrit aux côtés des recherches sur les actionneurs à câbles et tendons et sur les grippers à ventouse utilisés en logistique ou en exploration spatiale. Aucun calendrier de suite, partenariat industriel ou intégration à une plateforme robotique complète n'est mentionné à ce stade : il s'agit d'une preuve de concept de contrôle testée sur un bras isolé, pas d'un produit destiné à un déploiement.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprendre à percevoir et manipuler par interaction distribuée du bras dans un robot souple

Publié début septembre sur arXiv (2608.30773), un article de recherche décrit un cadre d'« intelligence physique » pour la manipulation robotique par contact distribué, sans caméra. Le système s'appuie sur un bras hybride rigide-souple dont la seule source de perception est un réseau de capteurs inertiels (IMU) intégrés dans sa structure compliante. Une politique de contrôle dotée de mémoire, entraînée de bout en bout par apprentissage par renforcement, combine une exploration pré-entraînée, une optimisation conjointe exploration-saisie et une adaptation sim-to-real en deux étapes pour inférer position, forme et prise d'un objet à partir du seul historique des contacts. Résultat : le bras identifie et saisit à l'aveugle des objets variés en coordonnant exploration, détection du contact, localisation et enveloppement stable. Cette approche va à contre-courant de la tendance dominante en robotique humanoïde et industrielle, où la perception visuelle et les modèles vision-langage-action (VLA) comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure concentrent l'essentiel des investissements. En résolvant un problème d'observabilité partielle par le seul toucher distribué, l'étude ouvre une piste complémentaire pour les cas où la caméra échoue (occlusion, poussière, faible luminosité, objets transparents ou déformables), un enjeu concret pour les intégrateurs de préhenseurs souples et d'AMR en logistique. Elle illustre aussi qu'un apprentissage bout en bout mémorisant l'historique tactile, plutôt qu'un simple asservissement réactif, peut transformer un contact brut en information exploitable, sans capteur de force dédié coûteux. Le travail s'inspire de la biologie, notamment de la trompe de l'éléphant et des bras de la pieuvre, capables de combiner exploration sensorielle et manipulation grâce à de vastes surfaces de contact compliantes, un principe que la robotique souple cherche depuis des années à traduire mécaniquement puis, ici, algorithmiquement. Le prototype testé reste un bras hybride de laboratoire, à distinguer des architectures rigides et pilotées par vision des grands acteurs humanoïdes actuels, de Figure AI (Helix) à Nvidia (GR00T N2) en passant par Physical Intelligence (Pi-0) ou Tesla (Optimus). Il s'agit à ce stade d'une publication de recherche arXiv, sans partenariat industriel ni calendrier de commercialisation annoncés, présentée par ses auteurs comme une preuve de principe appelée à s'étendre vers des tâches de manipulation plus complexes.

RecherchePaper

1 source

2arXiv cs.RO

Manipulation non préhensile orientée saisie par apprentissage d'un champ de préhensibilité

Une équipe de chercheurs a publié le 30 juin 2026 un preprint (arXiv:2606.30474) présentant une nouvelle approche de la manipulation non-préhensile orientée vers la saisie robotique. La manipulation non-préhensile désigne l'ensemble des techniques qui repositionnent un objet sans le saisir directement (poussée, glissement, basculement), typiquement utilisées comme étape préparatoire avant une prise ferme. L'innovation centrale est un "champ de saisissabilité" (graspability field) : au lieu de cibler une pose précise prédéfinie, le système apprend à mesurer, pour chaque configuration de l'objet, dans quelle mesure cette configuration est propice à une saisie réussie. Cette mesure scalaire dense sert de signal d'apprentissage pour un algorithme de renforcement (RL), et détermine automatiquement quand arrêter la phase de manipulation pour passer à la prise. Les expériences ont été conduites à la fois en simulation et sur un robot physique réel, confirmant que la politique apprise reconfigure fiablement les objets en états saisissables sans planificateur externe ni condition d'arrêt définie manuellement. L'intérêt industriel de cette approche réside dans l'élimination d'une contrainte longtemps considérée comme incontournable : la nécessité de spécifier a priori une pose cible pour l'objet. En pratique, un intégrateur robotique sait qu'un objet doit être saisi, mais pas toujours dans quelle orientation exacte. En reformulant le problème comme optimisation d'un objectif de saisissabilité, les auteurs obtiennent un pipeline fermé piloté par une seule politique, sans recours à un planificateur de mouvement séparé. La corrélation mesurée entre la distance de saisissabilité prédite et le taux de succès de saisie réelle est un résultat notable : elle indique que la représentation apprise capture effectivement la faisabilité de la prise, et pas seulement un comportement émergent de la simulation. La manipulation non-préhensile est un domaine de recherche classique en robotique, mais le couplage direct avec un objectif de saisissabilité apprend est une contribution plus récente, rendue possible par la maturité des méthodes RL appliquées à la manipulation. Ce travail s'inscrit dans une tendance plus large qui cherche à réduire le fossé simulation-réalité (sim-to-real gap) pour des tâches de manipulation fine, aux côtés d'approches comme les politiques de diffusion ou les architectures vision-langage-action (VLA). Aucune entreprise partenaire ni timeline de déploiement n'est mentionnée dans ce preprint purement académique. Les suites logiques incluent l'intégration de ce champ de saisissabilité dans des pipelines de manipulation industrielle multi-étapes et son couplage avec des modèles de fondation capables de raisonner sur des catégories d'objets variées.

RecherchePaper

1 source

3arXiv 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

4arXiv cs.RO

VLBiMan++ : repousse les limites de généralisation de la manipulation bimanuelle en un seul essai ancrée vision-langage

Publié en septembre 2026 sur arXiv (2609.14310), VLBiMan++ est un framework de manipulation bimanuelle robotique qui généralise une tâche apprise à partir d'une seule démonstration humaine, sans réentraînement de politique. Le système décompose cette démonstration en compétences réutilisables et les adapte géométriquement à de nouvelles configurations grâce à un ancrage vision-langage. Les auteurs étendent la généralisation selon cinq axes : les tâches, via des compositions à horizon long ; les objets, en couvrant des catégories inconnues et des formes articulées ou déformables ; les scènes, avec encombrement, occlusion et interférences dynamiques ; l'embodiment, sur des plateformes bimanuelles hétérogènes ; et le déploiement, lors d'exécutions en boucle fermée prolongées soumises à des perturbations répétées. Deux mécanismes soutiennent cet élargissement, une adaptation consciente de l'état de l'objet et une optimisation légère de trajectoire, allant au-delà des simples variations de pose rigide à 6 degrés de liberté (DoF). Des expériences réelles, dont le protocole précis n'est pas détaillé dans le résumé, indiquent un taux de succès élevé maintenu sur ces scénarios plus complexes. L'enjeu dépasse la prouesse technique : la télé-opération massive pour collecter des démonstrations, puis le réentraînement à chaque nouvel objet, scène ou robot, restent le principal poste de coût des déploiements de manipulation bimanuelle. En montrant qu'une démonstration unique peut être décomposée puis réadaptée sans reprise d'apprentissage, VLBiMan++ s'attaque à l'écart classique entre démonstrations impressionnantes en laboratoire et robustesse réelle, un point sensible face aux modèles vision-langage-action (VLA) comme GR00T N2, Pi-0 ou Helix, qui s'appuient sur de vastes corpus de démonstrations téléopérées. Pour les intégrateurs et décideurs industriels, l'intérêt est avant tout économique : réduire la dépendance aux données à grande échelle rendrait la manipulation bimanuelle générique accessible à des lignes de production plus petites, sans les budgets de collecte des grands laboratoires. VLBiMan++ prolonge un précédent framework, VLBiMan, qui avait déjà démontré la transférabilité d'une compétence unique mais sur un périmètre plus restreint ; la nouveauté est le passage d'une preuve de concept isolée à un cadre systématique couvrant tâches, objets, scènes, embodiments et durée de déploiement. Le travail se positionne face à l'écosystème des modèles fondation pour la robotique généraliste porté par des acteurs comme Physical Intelligence, NVIDIA ou Figure AI, mais mise sur l'apprentissage one-shot plutôt que sur l'entraînement massif. Publié sans affiliation commerciale précisée dans le résumé, VLBiMan++ reste à ce stade une contribution académique validée par des expériences en laboratoire, sans pilote industriel ni calendrier de déploiement annoncés.

RecherchePaper

1 source