Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

TRACE : traçage interactif bidirectionnel de câbles monochromes dans un environnement encombré

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

Des chercheurs ont présenté TRACE (Two-way Routing And Cable Estimation), un système de perception interactive pour tracer l'état de câbles déformables monochromes enchevêtrés, décrit dans un article publié sur arXiv (2609.29103v1) fin septembre 2026. Le système combine un traçage bidirectionnel des câbles avec deux primitives interactives, Divergence Push et Cluster Dilation, qui lèvent activement les ambiguïtés dues aux occlusions, chevauchements et croisements. Sur 110 expériences physiques incluant jusqu'à 4 câbles et 40 croisements, TRACE porte la part de longueur de câble correctement tracée d'environ 60%, score de la meilleure méthode antérieure HANDLOOM 2.0, à environ 90%, devançant aussi RT-DLO et deux modèles multimodaux généralistes, Nano Banana Pro et ChatGPT 5.2. Le calcul prend en moyenne 0,4 seconde par câble sur une station équipée d'un GPU NVIDIA GeForce RTX 4090.

L'enjeu est concret pour les data centers, l'industrie manufacturière, le BTP, le domicile et la chirurgie, où le désenchevêtrement fiable des câbles conditionne la sécurité et l'efficacité des opérations robotisées. Pour les intégrateurs, le saut de 60% à 90% de longueur correctement tracée n'est pas cosmétique : en dessous d'un certain seuil, un bras robotique ne peut pas planifier une saisie sans risque d'erreur en cascade. Le fait que TRACE devance des modèles généralistes comme ChatGPT 5.2 ou Nano Banana Pro est révélateur : il montre que les grands modèles multimodaux restent en retrait face à des méthodes géométriques et interactives spécialisées sur ce type de perception fine, contredisant l'idée que les VLM généralistes suffiraient déjà à résoudre ce problème industriel.

TRACE s'inscrit dans la lignée des travaux sur l'estimation d'état des objets linéaires déformables (DLO), où HANDLOOM, sa version 2.0 et RT-DLO servent de références de comparaison. Le papier reste à ce stade une contribution académique publiée sur arXiv, sans produit commercial ni déploiement industriel annoncé ; un site dédié, trace-paper.github.io, propose des ressources complémentaires. Aucun acteur français ou européen du type Wandercraft, Exotec, Pollen Robotics ou Enchanted Tools n'intervient dans ce travail, qui semble issu d'un laboratoire de recherche en robotique. Les suites attendues sont la publication du code et des données, puis d'éventuels essais d'intégration sur des plateformes robotiques réelles pour la manipulation de câbles.

Dans nos dossiers

WandercraftEnchanted Tools — MirokaïPollen Robotics — ReachyExotec

À lire aussi

Le toucher, quand compte-t-il vraiment ? L'écart vision-interaction dans la préhension dextérique en environnement encombré
1arXiv cs.RO 

Le toucher, quand compte-t-il vraiment ? L'écart vision-interaction dans la préhension dextérique en environnement encombré

Une étude publiée en préimpression sur arXiv (2609.24068v1) évalue en conditions réelles si le toucher améliore la préhension robotique dextre en environnement encombré, au-delà de la seule vision. Sur un système doté de capteurs de force au poignet et par doigt ainsi que de taxels tactiles répartis sur les bouts des doigts, testé sur cinq configurations de scène de table, les chercheurs ont comparé, démonstrations, observations visuelles, espace d'action et contrôle en conformité restant identiques, quatre politiques : vision seule, force seule, tactile seule et combinée, avec des références de représentation et de fusion. La politique combinée réussit 24 essais sur 25, contre 14 sur 25 pour la vision seule. Dans les trois scènes les plus confinées, l'écart se creuse encore : 15 succès sur 15 contre seulement 6 sur 15. Les analyses par ablation montrent que le retour de force et le retour tactile sont complémentaires plutôt que redondants. Le résultat interroge un présupposé répandu dans l'industrie de la manipulation robotique : que les modèles vision-langage-action, entraînés surtout sur des flux visuels, suffiraient à généraliser la préhension fine sans capteurs tactiles dédiés. L'étude montre l'inverse, et surtout que l'écart se creuse précisément quand l'occlusion et le contact rendent la géométrie visuelle insuffisante pour juger la qualité d'une prise. Le retour d'interaction permet de rejeter plus tôt un contact inadéquat, de reprendre la prise avant de soulever l'objet, et d'obtenir des saisies plus stables. Pour les intégrateurs qui déploient bras ou mains robotiques en tri, bin picking ou assemblage dense, le signal est concret : la caméra seule ne referme pas l'écart entre démonstration en laboratoire et fiabilité en production, et l'instrumentation tactile devient un critère technique de sélection, pas un simple ajout. L'abstract ne précise ni laboratoire ni entreprise, signe d'une contribution académique et non d'une annonce produit ; les auteurs revendiquent la première étude en conditions réelles à combiner et évaluer séparément force et tactile pour une préhension dextre ciblée en environnement encombré, mais le travail n'a pas encore été relu par les pairs. Il s'inscrit dans un contexte où la génération actuelle de politiques génératives de manipulation, telles Pi-0, GR00T N2 ou Helix, mise surtout sur la vision et le langage au détriment du contact physique. Les auteurs proposent leurs cinq scènes encombrées comme protocole de référence pour déterminer quand une politique apprise a réellement besoin de perception d'interaction ; le site du projet documente les essais sans mentionner de pilote industriel ni de calendrier de déploiement.

RecherchePaper
1 source
Apprentissage des affordances 3D pour l'insertion de lames en environnement encombré
2arXiv cs.RO 

Apprentissage des affordances 3D pour l'insertion de lames en environnement encombré

VulcanVoxel, un nouveau système de perception robotique présenté dans un article publié le 2 juillet sur arXiv (2607.02549), résout un problème concret de la logistique automatisée : comment une lame robotique doit-elle balayer des articles entassés dans des bacs en tissu pour créer un espace d'insertion, lors des opérations de stowing (rangement) en entrepôt. Plutôt que de prédire une pose unique pour la lame comme le font les approches classiques, le système reconstruit un champ d'occupation 3D voxel par voxel via un autoencodeur masqué, conditionné sur la géométrie de la scène. Entraîné sur 10 000 épisodes réels de rangement en entrepôt sans aucune annotation humaine, VulcanVoxel atteint un taux de couverture top-5 de 0,89, contre 0,71 pour la meilleure référence basée sur des poses SE(3). Une version distillée du modèle permet une inférence directe RGB vers voxel en seulement 30 millisecondes, contre 1,4 seconde pour l'approche voxel-à-voxel complète. Les chercheurs ont aussi publié un jeu de données d'épisodes réels d'insertion de lame, avec observations RGB-D et trajectoires de pose, disponible sur armbench.com. L'intérêt de ce travail dépasse le cas d'usage de la lame de stowing : il pointe une limite structurelle des méthodes actuelles d'apprentissage d'affordances, y compris les objectifs génératifs récents comme le flow matching. Ces méthodes, entraînées sur des données produites par une seule politique d'exécution, n'apprennent qu'une distribution unimodale et ne peuvent pas récupérer les alternatives géométriques équivalentes qui existent réellement dans une scène encombrée. En reformulant le problème dans l'espace plutôt que dans l'espace des poses, VulcanVoxel capture nativement cette multimodalité. Pour les intégrateurs et responsables d'automatisation d'entrepôt, le gain de vitesse (times 45 environ) est ce qui rend l'approche déployable en cadence de production réelle, là où le calcul voxel-à-voxel complet resterait trop lent. Le contexte de cette recherche est celui des systèmes de stowing en production qui génèrent, selon les auteurs, des millions d'épisodes de manipulation, un volume caractéristique des opérations d'automatisation logistique à grande échelle, comme celles qu'on associe généralement au jeu de données ArmBench. L'article positionne explicitement son approche contre les méthodes de pose SE(3) et les modèles génératifs unimodaux dominants dans le secteur, et la publication du jeu de données d'insertion de lame ouvre la voie à des comparaisons futures sur ce type de tâche de manipulation par affordances de volume libre, un sous-problème encore peu étudié comparé à la préhension classique.

RecherchePaper
1 source
HOTICE : transport d'objets en environnement encombré par un robot humanoïde en corps entier
3arXiv cs.RO 

HOTICE : transport d'objets en environnement encombré par un robot humanoïde en corps entier

Des chercheurs présentent HOTICE, un framework d'apprentissage pour robots humanoïdes dédié au transport d'objets en environnement encombré, détaillé dans un preprint publié sur arXiv (2609.25363v1). Le système combine des « champs de potentiel découplés humanoïde-objet », qui calculent simultanément l'évitement de collision pour le corps du robot et pour l'objet porté, et une architecture de renforcement à deux agents séparant le contrôle du haut et du bas du corps tout en gardant une coordination globale via des observations et récompenses partagées. Pour généraliser à des scènes variées, les auteurs distillent plusieurs politiques enseignantes « privilégiées » en une seule politique étudiante déployable. HOTICE a été testé en simulation MuJoCo puis sur un robot Unitree G1 réel, transportant des objets de formes différentes à travers des obstacles ; le papier ne cite toutefois aucun chiffre de taux de réussite, de charge utile ou de temps de cycle, se limitant à des qualificatifs comme « efficace » et « robuste ». Le transport d'objets en espace contraint reste une capacité rare dans les démonstrations humanoïdes actuelles, la plupart des systèmes commerciaux comme Figure 03 ou Optimus Gen 3 étant montrés en environnement dégagé. En traitant simultanément l'évitement de collision du robot et de sa charge, HOTICE cible un problème concret pour les intégrateurs logistiques confrontés à des couloirs d'entrepôt ou des ateliers exigus. L'approche illustre aussi une alternative aux modèles vision-langage-action monolithiques comme Pi-0 ou GR00T N2 : découper la loco-manipulation en agents spécialisés coordonnés réduit l'espace d'action à apprendre et facilite, selon les auteurs, le transfert de la simulation vers un robot réel. HOTICE demeure un résultat de recherche en preprint, sans affiliation institutionnelle précisée ni partenariat industriel ou pilote commercial annoncé. Il s'inscrit dans une recherche active sur la loco-manipulation humanoïde, où plusieurs équipes explorent des architectures multi-agents pour coordonner bras et jambes, aux côtés de modèles généralistes comme Helix chez Figure AI ou GR00T N2 chez NVIDIA. Le choix du Unitree G1, plateforme chinoise largement adoptée par les laboratoires académiques pour son coût abordable, confirme son rôle de banc d'essai de référence pour ce type de travaux. Aucun calendrier de transfert vers un produit n'est mentionné ; les auteurs annoncent seulement la validation technique de leur méthode.

RecherchePaper
1 source
RetrDex : récupération efficace d'objets dans des environnements encombrés avec une main dextérique
4arXiv cs.RO 

RetrDex : récupération efficace d'objets dans des environnements encombrés avec une main dextérique

RetrDex est un framework de recherche publié sur arXiv (référence 2502.18423, troisième révision) dont l'objectif est d'apprendre à un système bras-main dextre à récupérer des objets enfouis sous un empilement d'autres objets. L'approche repose sur du reinforcement learning (RL) parallèle à grande échelle conduit en simulation, couplé à une représentation spatiale qui encode les patterns d'occlusion ainsi que les relations géométriques entre la cible, la main multi-doigts et les objets alentour. La politique résultante développe un répertoire de gestes, poussée, agitation et piquage (poking), pour dégager activement les obstacles avant ou pendant la saisie. Évalué sur 16 objets ménagers courants dans des configurations variées, le système affiche de bonnes performances sur des cibles vues en entraînement comme sur des cibles inédites. Un transfert zero-shot vers un robot réel multi-doigts est revendiqué, sans fine-tuning supplémentaire. La récupération d'objets en scène encombrée est un problème ouvert en manipulation robotique : les approches classiques décomposent la tâche en étapes séquentielles indépendantes (retirer les objets qui gênent un par un, puis saisir), ce qui génère des séquences longues et peu robustes aux variations. RetrDex intègre ces interactions physiques directement dans la politique de récupération, réduisant potentiellement le nombre de mouvements nécessaires. La revendication la plus notable reste le zero-shot sim-to-real sur une main dextre : ce type de transfert est notoirement difficile à cause de la complexité des contacts multi-doigts et du gap dynamique entre simulation et réalité physique. Si les résultats tiennent à l'examen approfondi, cela renforce la thèse que le RL massivement parallèle en simulation peut généraliser sur du matériel réel pour des tâches de manipulation en espace contraint, sans données réelles supplémentaires. Le papier s'inscrit dans une tendance forte : utiliser le RL en simulation à très grande échelle pour entraîner des politiques de manipulation dextre, une direction explorée par des équipes de Berkeley (DexGraspNet), Stanford et, côté industriel, par des acteurs comme Unitree ou Agility Robotics sur leurs propres mains multi-doigts. Les méthodes concurrentes récentes, graphes de relations de support ou planification séquentielle avec contraintes géométriques, adoptent des stratégies que RetrDex cherche à dépasser en termes d'efficacité. Soumis initialement en février 2025 et révisé jusqu'en 2026, le travail n'annonce pas de code open-source dans son résumé, ce qui limite les possibilités de réplication à court terme. Les suites naturelles seraient des tests sur objets déformables, une extension à des charges utiles plus importantes et une intégration dans une chaîne logistique ou un poste d'assemblage industriel réel.

RecherchePaper
1 source