RecherchearXiv cs.RO 23 septembre 2026

MicroPush : simulateur léger pour la poussée et l'assemblage microrobotiques par transfert simulation-réel

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont mis en ligne la version 2 d'un article arXiv (2602.23607) présentant MicroPush, un simulateur léger dédié a la manipulation microrobotique par poussée et a l'assemblage, conçu pour des microrobots roulants a actionnement magnétique. L'outil combine une dynamique planaire suramortie, une actionnation de roulement calibrée, une gestion de contact d'ordre réduit, des corrections d'interaction a courte portée et un flux de fond optionnel, avec des interfaces communes pour la planification, la commande basée sur modèle, l'apprentissage par renforcement, la visualisation interactive et l'évaluation sans rendu graphique. En mode sans rendu, il atteint 37 fois la vitesse temps réel avec 100 particules passives simulées simultanément. Les auteurs ont ensuite teste un transfert de politique zero shot du simulateur vers le réel : une politique hybride Residual RL MPC, entraînée entièrement dans MicroPush puis figée sans aucun réglage sur le système physique, a été déployée sur un microrobot magnétique de 20 micromètres charge de pousser une particule de silice de taille comparable le long d'une trajectoire en huit, avec une erreur médiane de 1,91 micromètre et une erreur au 95e percentile de 4,65 micromètres. La même architecture a ensuite réalisé, toujours sans reentrainement réel, des assemblages séquentiels en ligne, en triangle, puis un hexagone de six particules.

L'intérêt pour le secteur tient a l'échelle physique concernée : a taille microscopique, la dynamique est dominée par les forces visqueuses et le mouvement brownien, un régime très différent de celui des robots mobiles ou humanoïdes, ou la plupart des simulateurs existants ne transfèrent pas correctement. En montrant qu'un modèle délibérément simplifie et d'ordre réduit, plutôt qu'une simulation fluide haute fidélité couteuse, suffit a un transfert zero shot fiable, les auteurs répondent directement au problème central de la microrobotique par apprentissage : les essais physiques y sont lents, couteux et peu reproductibles, ce qui bloquait jusqu'ici l'entrainement a grande échelle par RL. Pour les laboratoires de micro assemblage, de MEMS ou de manipulation en vue de délivrance ciblée de médicaments, cela ouvre une voie d'entrainement rapide et peu couteuse avant déploiement réel.

Ce travail reste un article de recherche et un outil de benchmark, pas un produit commercial ni un déploiement industriel : il s'inscrit dans la lignée des travaux sur les microrobots magnétiques roulants pour l'assemblage de précision, domaine ou peu d'acteurs disposent d'un pipeline sim-to-real valide expérimentalement plutôt que démontre en simulation seule. Les auteurs ne mentionnent pas de partenaire industriel ni de calendrier de diffusion ; les suites logiques évoquées implicitement par leurs résultats concernent le passage a des essaims plus nombreux, a d'autres modes d'actionnement, et a des taches d'assemblage plus complexes que l'hexagone a six particules démontre ici.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv 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

2arXiv cs.RO

RoboFin3D : une plateforme de transfert simulation-réel pour la finition robotisée de surfaces

Des chercheurs présentent RoboFin3D, une plateforme de simulation vers réel (sim-to-real) dédiée à la finition de surface robotisée, publiée sur arXiv sous la référence 2609.37560v1. Elle repose sur Isaac Sim, le simulateur de NVIDIA, et sur le moteur physique Newton, et reproduit les opérations de meulage et de ponçage avec une physique de contact. La géométrie de la pièce, qui change à mesure que la matière est enlevée, est représentée par un champ de distance signé (SDF). Celui-ci sert au calcul des contacts, à la mise à jour en direct et au rendu, sans maillage intermédiaire. Un second champ, dit de surface, modélise l'évolution progressive de l'aspect pendant le ponçage. Les auteurs ajoutent WeldGen, un module d'échantillonnage de cordons de soudure, qui génère des soudures sur 8 918 maillages de pièces réelles pour produire des assets variés. Les paramètres de simulation sont calibrés sur des essais physiques, et l'évaluation compare la fidélité du simulateur au monde réel. Côté perception, un fine-tuning de SAM2 avec des données uniquement simulées fait passer l'IoU (intersection sur union) de segmentation des zones non poncées de 77,15 % à 84,47 %. En combinant données synthétiques et réelles, il atteint 97,41 %. Il s'agit d'une publication de recherche, pas d'un produit commercialisé, et aucun déploiement industriel n'est mentionné. Le meulage et le ponçage sont parmi les tâches les plus difficiles à automatiser en robotique industrielle. Elles reposent sur un contact continu, une force contrôlée et une pièce dont la forme change pendant l'opération. Les essais physiques consomment des pièces et se reproduisent mal, ce qui freine la comparaison entre méthodes et l'entraînement de politiques apprises. Un simulateur qui met à jour la géométrie en temps réel et reste calibré sur des mesures réelles répond à ce blocage. Le résultat sur SAM2 montre aussi que la donnée synthétique seule apporte un gain net, environ 7 points d'IoU. Elle ne suffit toutefois pas, puisque l'écart avec les 97,41 % du mélange synthétique et réel reste important. Le sim-to-real n'est donc pas résolu pour cette tâche : la simulation sert surtout à réduire le besoin de données réelles annotées. Pour les intégrateurs, l'intérêt est de valider des trajectoires et des stratégies d'inspection avant de sacrifier des pièces. Les auteurs ne donnent ni temps de cycle ni comparaison directe avec des procédés industriels en production, et la fidélité n'est démontrée que sur leurs propres essais. Ce travail s'inscrit dans l'essor d'Isaac Sim et de Newton, moteur physique porté par l'écosystème NVIDIA, qui cherche à étendre la simulation à des tâches riches en contacts, au-delà de la manipulation d'objets rigides. La finition de surface reste un terrain occupé par des cellules robotisées sur mesure et par des opérateurs qualifiés, notamment en soudure, en carrosserie et en aéronautique. Les jeux de données synthétiques et la simulation calibrée sont l'une des voies pour entraîner les modèles vision-action sur ces procédés. La suite logique serait de tester des politiques de contrôle de force apprises en simulation puis transférées sur robot, et de valider la plateforme sur d'autres matériaux et abrasifs. Le papier ne mentionne ni code ouvert ni partenaire industriel.

RecherchePaper

1 source

3arXiv cs.RO

Re³Sim : générer des données de simulation photoréalistes en 3D par transfert réel-vers-simulation pour la manipulation robotique

Cette annonce arrive du côté recherche académique plutôt que de l'industrie commerciale : une équipe présente RE³SIM, un système de simulation photoréaliste en 3D destiné à combler l'écart entre entraînement simulé et déploiement réel en robotique manipulatrice. Publié sur arXiv (version 4, remplaçant une précédente), le papier décrit un pipeline qui reconstruit fidèlement des scènes réelles grâce à des techniques avancées de reconstruction 3D et de rendu neuronal, permettant un rendu en temps réel de caméras virtuelles multi-angles au sein d'un simulateur physique. En s'appuyant sur des informations privilégiées pour générer efficacement des démonstrations expertes en simulation, puis en entraînant des politiques robotiques par apprentissage par imitation, les chercheurs rapportent un taux de réussite moyen supérieur à 58% en transfert "zero-shot" vers le réel, c'est-à-dire sans aucune donnée réelle utilisée pour l'entraînement, uniquement des données simulées. Ils ont aussi constitué un jeu de données de simulation à grande échelle pour tester la généralisation des politiques apprises sur des objets variés. Le résultat compte parce qu'il s'attaque directement à l'un des goulots d'étranglement les plus coûteux du secteur : la collecte de données réelles pour entraîner des robots manipulateurs, qui exige des opérateurs qualifiés et du matériel onéreux. Si le fossé sim-to-real (géométrique et visuel) peut être réduit de manière fiable grâce à des reconstructions photoréalistes plutôt qu'à des environnements simulés génériques, cela change la donne pour les intégrateurs et les équipes de R&D qui cherchent à multiplier les scénarios d'entraînement sans multiplier les essais physiques. Un taux de 58% en zero-shot reste toutefois modeste comparé aux standards de fiabilité industrielle, et mérite d'être lu comme une preuve de concept académique plutôt qu'une solution prête à l'emploi pour la production. RE³SIM s'inscrit dans la lignée des travaux récents sur les politiques vision-langage-action (VLA) et les pipelines d'apprentissage par imitation, un axe de recherche également poursuivi par des acteurs comme Physical Intelligence (Pi-0) ou NVIDIA (GR00T). La démarche real-to-sim-to-real, où l'on capture d'abord le monde réel avant de simuler dessus, distingue cette approche des simulateurs purement synthétiques et pourrait influencer les futurs outils de génération de données pour l'entraînement de robots. Le code et des démonstrations sont disponibles sur le site du projet (re3sim.github.io), signe que l'équipe cherche une adoption élargie par la communauté robotique plutôt qu'une simple publication isolée.

RecherchePaper

1 source

4arXiv cs.RO

HyperSim : un cadre complet de transfert simulation-réel pour la manipulation robotique robuste

Des chercheurs ont publié sur arXiv (arXiv:2605.26638) HyperSim, un framework bout-en-bout conçu pour transférer des politiques de manipulation robotique de la simulation vers le monde réel. La méthode repose sur trois piliers : la synthèse d'environnements haute fidélité visuelle, la génération de trajectoires adversariales, et un co-entraînement mixte simulation/réel. Validée sur 400 exécutions de tâches en conditions réelles, HyperSim atteint des taux de succès sim-to-real de 80 % avec le modèle ACT et 95 % avec π₀ (le modèle VLA de Physical Intelligence). Les politiques entraînées avec des trajectoires adversariales affichent par ailleurs un taux de complétion supérieur de 35 % sous perturbations physiques dynamiques, par rapport aux baselines sans ce module. Ces résultats adressent directement l'un des verrous les plus cités dans le déploiement de robots manipulateurs industriels : le sim-to-real gap, c'est-à-dire la dégradation de performance entre une politique entraînée en simulation et son comportement réel. Un taux de 95 % avec π₀ sur des tâches de manipulation représente un niveau de robustesse rarement publié à cette échelle d'évaluation (400 runs, trois métriques granulaires). Pour les intégrateurs et les équipes R&D, cela valide concrètement l'hypothèse que la donnée synthétique, lorsqu'elle est correctement augmentée et diversifiée, peut substituer en grande partie la collecte physique coûteuse. À noter cependant : l'article ne détaille pas les types de tâches ni les objets testés, ce qui limite l'interprétation de la généralité des résultats. La problématique sim-to-real est au cœur des efforts de plusieurs équipes concurrentes : Google DeepMind (avec RoboVerse et ses pipelines de données synthétiques), Physical Intelligence (dont le modèle π₀ est justement l'un des deux benchmarks utilisés ici), et des laboratoires académiques comme Stanford et CMU. HyperSim se distingue par son approche intégrée plutôt que modulaire, cherchant à traiter simultanément le gap visuel et le gap dynamique. La prochaine étape naturelle, non précisée dans le preprint, serait de tester la généralisation à des plateformes humanoïdes ou des scénarios multi-objet en environnement non structuré.

UELes laboratoires européens en manipulation robotique (CEA-List, INRIA) pourraient intégrer ce framework pour réduire leur dépendance aux démonstrations physiques coûteuses, sans implication institutionnelle directe.

RecherchePaper

1 source