RecherchearXiv cs.RO 22 septembre 2026

InsertAnything : insertion de précision par contact, transférable de la simulation à la réalité

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche a publié en septembre 2026 sur arXiv (2609.24511) InsertAnything, un système d'apprentissage par renforcement pour l'insertion robotique de précision entraîné entièrement en simulation, sans démonstration réelle ni réglage fin après déploiement. La politique combine la pose cible de la pièce avec un retour de force tridimensionnel compact capté au bout des doigts du préhenseur, ce qui lui permet de rechercher l'alignement et de corriger sa trajectoire même quand la position estimée du trou est erronée ; une récompense « gated » découplée coordonne les phases d'alignement et d'insertion, tandis qu'un lissage du signal de force et des écarts-types indépendants de l'état stabilisent l'apprentissage. Les politiques obtenues réalisent des insertions réelles sur des jeux nominaux allant jusqu'à 0,02 mm, tout en réduisant les forces de contact maximales en cas d'erreur de positionnement du trou. Le système décroche le premier score parfait, 20 sur 20, au benchmark peg-in-hole de ManipulationNet sous son protocole « Human-in-the-Loop », avec des mouvements d'insertion entièrement autonomes ; une politique unique, entraînée uniquement sur une tâche hexagonale simulée, atteint par ailleurs un taux de réussite de 95 % sur huit tâches d'insertion réelles jamais vues à l'entraînement. Le code, les scripts d'expérimentation, les assets de simulation et les checkpoints entraînés sont publiés en open source sur le site du projet.

L'insertion de précision à fort contact reste un goulot d'étranglement de l'assemblage robotique industriel : les faibles jeux mécaniques rendent la tâche très sensible aux erreurs d'alignement et sujette au blocage, et chaque nouvelle géométrie de pièce exigeait jusqu'ici une collecte de données réelles ou un réentraînement dédié. En montrant qu'une politique unique formée en simulation sur une seule géométrie se généralise à huit tâches inédites et à des jeux jusqu'à 0,02 mm sans aucune donnée réelle, ces résultats s'attaquent directement à l'écart classique entre simulation et réalité qui freine le déploiement industriel des politiques apprises. Pour les intégrateurs, cela ouvre potentiellement une voie pour réduire le temps de mise en service lors d'un changement de référence de pièce, un enjeu central en électronique et en assemblage mécanique de précision. Le résultat reste cependant un score de benchmark en environnement de recherche, pas un déploiement industriel documenté, et le protocole « Human-in-the-Loop » du test autorise normalement une intervention humaine que le système n'a ici pas eu besoin de solliciter.

Le travail s'inscrit dans la lignée des recherches combinant apprentissage par renforcement et retour de force pour résoudre le « peg-in-hole », un banc d'essai classique de la manipulation robotique fine, aux côtés d'approches plus généralistes de type vision-langage-action. Aucun industriel n'est associé à la publication, qui reste à ce stade un preprint arXiv sans mention de laboratoire ni de partenaire dans le résumé et non encore validé par les pairs, mais la mise en open source des scripts de simulation et d'expérimentation, des assets et des checkpoints doit permettre une reproduction indépendante des résultats, sans qu'un calendrier de pilote industriel ou de transfert commercial ne soit pour l'instant annoncé.

Dans nos dossiers

IA physique & VLA Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

ContactDP : politique de diffusion guidée par le contact pour les tâches d'insertion de précision

Une équipe de recherche présente ContactDP (Contact-Guided Diffusion Policy), une politique de diffusion conçue pour l'insertion de connecteurs à tolérances serrées, dans un preprint publié sur arXiv (2609.23800v1). Le système fusionne trois flux de perception en temps réel : une caméra RGB montée au poignet pour l'alignement global, des capteurs tactiles au bout des doigts et des mesures de force-couple au poignet, afin d'inférer l'état de contact et de générer des corrections de trajectoire temporellement cohérentes pendant l'insertion. Cette politique apprise pilote un contrôleur hybride position-force en boucle basse, qui assure une interaction compliante lors du contact physique avec le connecteur. Les auteurs l'ont testée sur une série de tâches d'insertion de connecteurs de qualité industrielle, en faisant varier la géométrie des pièces, les conditions de préhension et le désalignement initial de la pince. Le résultat annoncé est un gain net de performance, de fiabilité et de capacité de généralisation par rapport aux politiques de diffusion qui ne s'appuient que sur la vision. Cette approche s'attaque à un point de friction classique de la manipulation fine en robotique : dès que la pince entre en contact avec la pièce, l'occlusion visuelle et l'ambiguïté du contact rendent l'image seule insuffisante pour corriger la trajectoire, ce qui explique une partie de l'écart persistant entre les démonstrations en laboratoire et la fiabilité requise en ligne d'assemblage. En montrant qu'ajouter du tactile et de la force-couple à une politique de diffusion améliore nettement la robustesse sur des connecteurs aux géométries variées, les auteurs apportent un argument concret pour les intégrateurs qui cherchent à automatiser des tâches d'assemblage électronique ou de câblage, un segment où les robots à apprentissage visuel seul échouent encore souvent en production. Le travail s'inscrit dans la lignée des politiques de diffusion pour la manipulation robotique, une famille de méthodes popularisée ces dernières années comme alternative aux politiques de clonage comportemental classiques, et vise spécifiquement le sous-problème de l'insertion contact-rich plutôt que la manipulation générale à la manière des modèles VLA de type Pi-0 ou GR00T. L'abstract ne précise ni l'affiliation des auteurs ni de calendrier de transfert vers un produit industriel : il s'agit à ce stade d'un résultat de recherche évalué en conditions contrôlées, sans déploiement commercial annoncé.

RecherchePaper

1 source

2arXiv cs.RO

Assemblage précis à l'aveugle : insertion pièce-trou proprioceptive par transfert simulation-réel pour des pièces variées

Des chercheurs, dont Younghyo Park (projet « Blind Proprioceptive Assembly »), publient sur arXiv une étude qui teste si les seuls capteurs articulaires d'un robot suffisent pour l'assemblage de précision riche en contacts. Les politiques entraînées n'observent qu'un court historique de positions et de vitesses articulaires ainsi que leurs propres actions, sans vision, ni capteur d'effort, de couple ou tactile. Ni la pose de la pièce, ni celle du support ne sont connues, et la prise est fortement randomisée. Entraînées par apprentissage par renforcement entièrement en simulation, sur des pièces, des prises et des contacts variés, elles apprennent l'insertion de pion, l'engrènement d'engrenages et le vissage d'écrous. La politique d'insertion est transférée sans réglage (zero-shot) vers le réel et réussit 73 % des essais, avec des pions de formes et de tailles différentes. L'équipe publie aussi un générateur open source pour MuJoCo, qui construit de façon procédurale des milliers d'assemblages à partir de pièces convexes exactes, en conservant le jeu fonctionnel. Selon les auteurs, il est plus précis et plus rapide que la décomposition convexe ou que les collisions par champ de distance signée (SDF) de MuJoCo. L'intérêt tient au déplacement de la question. Les robots à pattes et les humanoïdes marchent déjà « à l'aveugle » grâce à la proprioception, mais avec des contacts larges et puissants. Ici, la même idée est appliquée à des tolérances millimétriques. Des comparaisons contrôlées en simulation avec des politiques visuelles équivalentes montrent que les politiques aveugles généralisent nettement mieux à des formes et tailles de pièces inédites, au prix d'une exécution plus lente. Pour un intégrateur, cela suggère qu'une partie de l'assemblage pourrait se passer de caméras ou de capteurs d'effort coûteux et fragiles, notamment en cas d'occlusion, de reflets ou de pièces variables. Il faut toutefois rester prudent. 73 % reste loin du taux exigé en production, qui dépasse en général 99 %. Le protocole se limite à la tâche de pion dans trou, les résultats réels portent sur un seul type de tâche, et la lenteur n'est pas chiffrée dans le résumé. Le transfert simulation-réel n'est démontré en réel que pour l'insertion, pas pour les engrenages ni le vissage. Ce travail s'inscrit dans une série de recherches sur l'insertion par apprentissage, qui ont longtemps privilégié le retour visuel ou tactile (capteurs de type GelSight, estimation d'effort au poignet) et la randomisation de domaine pour combler l'écart entre simulation et réel. Le goulot d'étranglement était la qualité des modèles de contact : générer de nombreux assemblages avec un jeu réaliste restait difficile, d'où l'apport du générateur publié. La suite logique serait de valider les politiques d'engrènement et de vissage sur du matériel réel, de combiner proprioception et vision pour regagner en vitesse, et de tester la robustesse sur des pièces industrielles. Il s'agit d'un préprint (v1), sans évaluation par les pairs ni déploiement industriel annoncé. Les vidéos et simulations interactives sont disponibles sur la page du projet.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Le contexte peut-il combler l'écart de réalité ? Transfert simulation-réel des politiques sensibles au contexte

Le sim-to-real transfer, c'est-à-dire le passage d'une politique de contrôle entraînée en simulation vers un robot réel, reste l'un des obstacles majeurs de l'apprentissage par renforcement (RL) en robotique. Une équipe de recherche propose dans cet article (arXiv:2511.04249, version révisée) d'intégrer un module d'estimation du contexte, c'est-à-dire une estimation des paramètres dynamiques de l'environnement, directement dans le pipeline d'entraînement basé sur la Domain Randomization (DR). Les chercheurs comparent plusieurs stratégies de supervision de cet estimateur de contexte, considérées comme état de l'art, et évaluent les politiques résultantes sur deux terrains : un benchmark de contrôle standard en simulation, et une tâche réelle de poussée d'objet (pushing) exécutée avec un bras robotique Franka Emika Panda. L'enjeu dépasse la seule prouesse technique : la Domain Randomization, qui consiste à exposer la politique à une large gamme de dynamiques aléatoires pendant l'entraînement pour la rendre robuste, améliore le transfert vers le réel mais dégrade souvent les performances, car la politique doit rester valable pour tous les cas randomisés plutôt que de s'optimiser pour un seul. En conditionnant la politique sur une estimation du contexte plutôt qu'en l'entraînant à l'ignorer, les auteurs cherchent à réconcilier robustesse et performance, un compromis central pour quiconque déploie du RL sur du matériel réel en usine ou en logistique. Les résultats montrent que les politiques context-aware surpassent systématiquement la baseline context-agnostic sur tous les scénarios testés, ce qui confirme l'intérêt de cette approche, mais sans stratégie de supervision universelle : le choix optimal dépend de la tâche. Ce travail s'inscrit dans une lignée de recherches visant à combler l'écart de réalité (reality gap) qui limite le RL appliqué à la robotique depuis plusieurs années, la DR classique restant la référence malgré ses limites connues. En publiant une version révisée sur arXiv, les auteurs affinent une méthode déjà proposée plutôt que d'annoncer un nouveau système. La validation reste à ce stade circonscrite à une tâche de manipulation simple sur un seul bras robotique commercial ; l'étape suivante consisterait à tester la généralisation de cette approche sur des tâches plus complexes et des plateformes variées avant d'envisager une adoption industrielle.

RecherchePaper

1 source

4arXiv cs.RO

Insertion robuste d'objets par robot souple à contact adaptatif et récupération d'erreur

Des chercheurs d'Omron-SINICX ont publié sur arXiv (réf. 2509.17666) une méthode d'insertion robotique robuste combinant un poignet souple à compliance passive et un modèle vision-langage (VLM) pré-entraîné pour la récupération automatique des échecs. La tâche est structurée en formations de contact séquentielles : chaque étape contraint progressivement les degrés de liberté de la pièce insérée en exploitant la déformation mécanique du poignet pour absorber les chocs, sans capteur de force ni boucle de contrôle haute fréquence. Le VLM analyse les images et poses terminales après chaque tentative, identifie le mode d'échec et sélectionne une stratégie de récupération, la compliance passive rendant les relances répétées intrinsèquement sûres. En simulation, la méthode atteint 83 % de succès face à des incertitudes de préhension jusqu'à 5°, des erreurs de positionnement du logement jusqu'à 20 mm, une friction multipliée par cinq, et des géométries de tenons inédites (carré, rectangulaire). L'approche a aussi été validée sur robot réel, sans métriques chiffrées publiées pour cette phase. L'enjeu opérationnel est direct : l'insertion peg-in-hole reste l'une des tâches de manipulation les plus sensibles aux variations de pose et de friction, exigeant aujourd'hui soit un outillage mécanique dédié (gabarits, guides), soit des capteurs force-couple onéreux avec tuning manuel par référence pièce. La compliance passive supprime le besoin de capteur de force, tandis que le VLM élimine le réentraînement du contrôleur à chaque nouvelle géométrie. Ce couplage mécanique-raisonnement visuel réduit le coût de mise en oeuvre et augmente la résilience aux variations de contexte. Le taux de 83 % en simulation reste néanmoins un indicateur partiel, et l'absence de chiffres publiés pour le robot réel limite les conclusions industrielles directes. Omron est un acteur historique de l'automatisation industrielle japonaise, fabricant de PLCs, capteurs et robots collaboratifs. Son laboratoire SINICX travaille sur la robotique apprenante depuis plusieurs années. La tâche d'insertion est étudiée en robotique depuis les années 1980, mais sa robustesse aux variations de contexte reste un sujet de recherche actif. Les approches concurrentes s'appuient sur le contrôle en force (ABB, FANUC, Universal Robots) ou sur des méthodes d'imitation learning et de modèles VLA. La page projet est accessible publiquement ; aucun pilote industriel ni déploiement commercial n'est annoncé à ce stade.

UELes intégrateurs et équipementiers européens (automobile, électronique) confrontés aux limites des insertions peg-in-hole pourraient à terme bénéficier de cette approche pour réduire le coût de mise en œuvre, mais aucun déploiement ni partenariat européen n'est annoncé.

RecherchePaper

1 source