Préhension orientable et réactive grâce à une conception modulaire à interface trois points

Un article publié sur arXiv (référence 2609.24896v1) présente une architecture modulaire de préhension dextre organisée autour d'une interface à trois points, qui relie planification géométrique globale et contrôle local du contact. À partir de la géométrie de l'objet et de commandes en langage optionnelles, le système échantillonne des triplets de points de contact dans une carte de chaleur d'affordance de prise précalculée, puis un contrôleur réactif basé sur un modèle suit l'objet, évite les collisions et guide la main vers ces points. Dans les derniers centimètres avant le contact, une politique entraînée par apprentissage par renforcement affine et stabilise la prise en n'utilisant que le retour proprioceptif des articulations des doigts et ses actions récentes, sans image, sans géométrie de l'objet ni points cibles, ce qui permet à une seule politique d'être partagée entre tous les objets et configurations de main. Les auteurs valident l'approche en simulation face à des références de type squeeze et bout en bout, puis sur un robot physique avec deux objets vus à l'entraînement et un objet inédit.

Pour l'industrie robotique, l'intérêt tient à la séparation entre décision géométrique, qui détermine où saisir, et contrôle réactif local, qui gère la stabilisation fine, ce qui évite de devoir entraîner une politique bout en bout massive comme le font les approches vision-langage-action. Une politique RL compacte, aveugle à la forme exacte de l'objet et capable de corriger les erreurs de perception et d'approche, suggère une voie pour réduire les besoins en données des intégrateurs travaillant sur des mains et bras robotiques. La validation reste toutefois restreinte à trois objets en conditions réelles, ce qui en fait une démonstration de principe plutôt qu'une preuve de robustesse à l'échelle d'un déploiement industriel.

Ce travail s'inscrit dans la lignée des recherches qui cherchent à combiner contrôle classique basé modèle et apprentissage par renforcement, plutôt que de miser uniquement sur des politiques bout en bout entraînées sur de vastes jeux de démonstrations ou sur du RL pur pour le transfert sim-to-réel. Le résumé ne mentionne ni affiliation industrielle, ni partenaire, ni date de déploiement. Les prochaines étapes attendues portent sur l'extension à davantage d'objets, de morphologies de main et de scénarios réels, afin de confirmer au-delà du laboratoire la généralisation observée en simulation.