RecherchearXiv cs.RO 25 septembre 2026

Modélisation par séries de Fourier des erreurs de transmission des réducteurs cycloïdaux selon charge, vitesse et température

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent un modèle des erreurs de transmission des réducteurs cycloïdaux équipant les articulations de robots industriels, construit à partir d'une série de Fourier dont l'amplitude et la phase sont exprimées comme des fonctions polynomiales des trois principaux facteurs d'influence : le couple de charge, la vitesse et la température. Les mesures ont été réalisées sur un banc d'essai représentant une articulation robotique unique. L'analyse des données a permis de relier les fréquences harmoniques observées aux propriétés mécaniques internes du réducteur cycloïdal, ces fréquences servant ensuite à identifier les paramètres du modèle polynomial. Comparé à des mesures de validation indépendantes, le modèle obtenu affiche une erreur quadratique moyenne de 0,026 milliradian en moyenne, un résultat que les auteurs jugent suffisant pour une exploitation en commande.

Cette précision importe parce que les robots industriels classiques sont aujourd'hui rarement employés pour des tâches d'usinage, leur précision de trajectoire étant limitée avant tout par la compliance et les erreurs de transmission des chaînes d'entraînement au niveau des articulations. Les réducteurs à onde de déformation (strain wave gears) ont déjà fait l'objet de nombreuses études sur ce type d'erreur, mais les réducteurs cycloïdaux, pourtant très répandus dans les articulations dimensionnées pour des charges moyennes à lourdes, restaient jusqu'ici peu documentés sur ce plan. Disposer d'un modèle prédictif fiable ouvre la voie à une compensation en boucle ouverte (feedforward) de ces erreurs, ce qui pourrait rapprocher la précision de robots industriels standards de celle de machines-outils dédiées, et élargir leur usage à des opérations de fraisage, perçage ou ébavurage aujourd'hui réservées à des équipements spécialisés, sans changement matériel côté intégrateur.

L'étude s'inscrit dans un travail plus large de caractérisation des chaînes cinématiques robotiques, où les réducteurs à onde de déformation et les réducteurs cycloïdaux constituent les deux familles technologiques dominantes, la seconde étant privilégiée pour les charges plus élevées. En s'appuyant sur une analyse harmonique reliant erreurs mesurées et géométrie interne du réducteur, les auteurs comblent un manque de modélisation identifié par rapport aux travaux existants sur les onde de déformation. Publié sur arXiv fin septembre 2026, l'article se limite pour l'instant à un banc d'essai reproduisant une seule articulation ; il ne présente pas encore de validation sur un bras robotique complet en conditions industrielles, ce qui constitue l'étape logique suivante avant une éventuelle intégration en commande dans des robots commerciaux.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

SoFFT : transformée de Fourier spatiale pour la modélisation des robots souples continus

Une équipe de chercheurs a proposé SoFFT (Spatial Fourier Transform for Soft Robots), une méthode de modélisation des robots souples continus basée sur l'application de la transformée de Fourier à la courbe centrale du robot, appelée "backbone", décrite comme un signal spatial et temporel. Publiée sur arXiv en février 2025 (identifiant 2502.17347), l'approche s'ancre dans la théorie des tiges de Cosserat, le cadre formel dominant pour modéliser ce type de structure, et a été validée à la fois par simulation numérique et sur un prototype physique réel. Les auteurs rapportent une réduction du nombre de degrés de liberté (DOF) effectifs nécessaires à la représentation fidèle de la déformation, sans toutefois quantifier précisément cette réduction dans le résumé disponible, ce qui rend difficile toute comparaison directe avec les méthodes existantes. L'enjeu central est que les robots souples continus, constitués de matériaux flexibles comme des élastomères ou des tubes en silicone, possèdent théoriquement une infinité de degrés de liberté, rendant leur modélisation et leur contrôle en temps réel computationnellement très coûteux. En traitant le backbone comme un signal, SoFFT ne conserve que ses composantes fréquentielles dominantes, compactant la description sans sacrifier la précision. Autre point notable : la méthode unifie et justifie formellement plusieurs heuristiques de modélisation déjà répandues dans la littérature, leur offrant un fondement théorique solide. Pour les équipes travaillant sur des cathéters robotiques, des bras endoscopiques ou des manipulateurs à actionnement pneumatique, cette réduction de modèle ouvre des perspectives pour des contrôleurs embarqués plus légers, potentiellement compatibles avec des architectures temps réel contraintes. La théorie des tiges de Cosserat s'est imposée dans la robotique souple depuis les années 2010, mais la complexité computationnelle des modèles haute-fidélité reste un frein au déploiement industriel. Plusieurs groupes concurrents, notamment à l'ETH Zurich, au MIT et à l'Université de Bristol, explorent des alternatives comme les réseaux de neurones physiques (physics-informed neural networks) ou les modèles réduits par analyse modale. SoFFT se positionne à l'intersection du formalisme analytique et de l'apprentissage piloté par les données, grâce à sa composante expérimentale permettant d'ajuster le modèle à partir de mesures réelles. Les suites logiques seraient l'intégration dans une boucle de contrôle fermée et la validation sur des architectures multi-segments, configurations courantes dans les applications médicales et d'inspection industrielle.

RecherchePaper

1 source

2arXiv cs.RO

Détection du glissement et classification des matériaux par transformeurs spatiotemporels sur capteur visuo-tactile à éclairage uniforme

Des chercheurs présentent, dans un article déposé sur arXiv (référence 2608.24162v1), un nouveau capteur visuo-tactile à éclairage RGB uniforme personnalisé, associé à un framework de perception unifié pour la détection de glissement en manipulation robotique. Le capteur assure une reconstruction de profondeur sub-millimétrique et a servi à constituer un jeu de données multi-tâches portant sur 15 objets, avec génération synchronisée de données de profondeur pour chaque échantillon. Côté algorithme, l'équipe a développé un réseau TimeSformer à double tête pour traiter les signaux spatiotemporels de glissement dynamique. Sur des objets jamais vus à l'entraînement, le système atteint 95,5% de précision pour prédire l'état de contact (3 classes) et 91,5% pour classifier finement la direction du glissement (8 classes). Un second module, basé sur un backbone ResNet-50 et dédié à la reconnaissance statique de matériaux, atteint 98,8% de précision sur les 15 catégories d'objets testées. Cette approche comble une lacune concrète des jeux de données de glissement existants, généralement limités à une classification binaire glissement ou non, sans indication de direction. Pour un préhenseur robotique, connaître la direction du glissement, et pas seulement sa présence, permet d'ajuster en temps réel la force de préhension ou la trajectoire, un enjeu clé pour manipuler des objets fragiles ou de formes irrégulières. L'éclairage uniforme corrige aussi un défaut classique des capteurs tactiles à base de caméra, où zones d'ombre et surexposition dégradent la reconstruction de profondeur et donc la fiabilité des signaux exploités par les modèles. Pour les intégrateurs de mains et de préhenseurs adaptatifs, cette perception fine du glissement combinée à une reconnaissance de matériau en temps réel ouvre la voie à des stratégies de regrasping plus robustes, sans capteur de force dédié supplémentaire. Le travail s'inscrit dans la lignée des capteurs tactiles visuo-based, où une caméra interne observe la déformation d'une membrane élastique, une famille d'approches déjà répandue en recherche mais dont les jeux de données publics restaient jusqu'ici peu granulaires sur le glissement. En combinant matériel (éclairage uniforme, profondeur sub-millimétrique) et logiciel (TimeSformer, ResNet-50), les auteurs présentent leur système comme une base de référence multi-modale pour de futurs travaux de manipulation robotique complexe, plutôt que comme un produit prêt à déployer. L'article, publié en pré-print sur arXiv fin août 2026, ne mentionne ni intégration sur une main ou un bras robotique commercial, ni partenariat industriel; sa portée reste à confirmer par des essais en conditions réelles au-delà du laboratoire et des 15 objets testés.

RecherchePaper

1 source

3arXiv cs.RO

Opérateurs neuronaux pour la modélisation par substitution de l'espace de conception des robots continus à actionnement par tendons

Des chercheurs ont soumis sur arXiv (identifiant 2605.19104, mai 2026) un cadre de modélisation par apprentissage d'opérateurs pour les robots continus actionnés par tendons. Le problème adressé est fondamental : les modèles physiques classiques issus de la mécanique des poutres de Cosserat sont trop coûteux en calcul pour le contrôle temps réel, tandis que les approches d'apprentissage automatique existantes se spécialisent sur un design de robot précis et ne transfèrent pas. La contribution propose de reformuler le problème comme un apprentissage d'opérateurs, une famille de méthodes qui apprend des mappings entre espaces fonctionnels plutôt qu'entre vecteurs fixes. Un modèle unique ingère conjointement les paramètres de conception du robot (géométrie des segments, propriétés mécaniques) et les entrées d'actionnement par tendons, et prédit la configuration résultante. Quatre architectures sont présentées : deux variantes de Deep Operator Networks (DeepONets) et deux variantes de Fourier Neural Operators (FNOs), toutes entraînées sur des données de simulation. L'enjeu industriel est la généralisation inter-designs en espace de conception. Pour un OEM ou un intégrateur en robotique chirurgicale, évaluer des milliers de variantes mécaniques sans relancer de simulations physiques complètes représente un gain de cycle de design considérable. Les auteurs décrivent une "bonne précision" et des temps d'inférence compatibles avec le contrôle embarqué, sans donner d'erreurs quantitatives dans l'abstract. Point de vigilance éditorial : l'entraînement est réalisé exclusivement sur données simulées, et aucune validation hardware n'est rapportée. Les robots continus à tendons sont particulièrement exposés au sim-to-real gap, notamment les frottements de câbles, l'hystérésis, et les déformations non modélisées sous charge. Les robots continus occupent une niche stratégique en endoscopie robotisée et inspection en espace confiné, avec des acteurs commerciaux comme Intuitive Surgical (Da Vinci), Auris Health (Monarch, racheté par J\&J) et Medtronic. Côté recherche académique, les groupes travaillant sur la modélisation apprise pour robots déformables incluent Imperial College London, ETH Zürich et plusieurs labos nord-américains. Ce preprint reste une contribution théorique et computationnelle : aucun déploiement, aucun partenariat industriel ni timeline de validation physique ne sont mentionnés. La prochaine étape naturelle, et le vrai test de la méthode, sera la validation sur banc d'essai avec des prototypes réels aux designs variés.

UEImpact indirect et lointain : des groupes européens comme Imperial College London et ETH Zürich travaillent sur des problématiques voisines, mais ce preprint sans validation hardware ni partenariat industriel n'a pas d'effet immédiat sur la France ou l'industrie robotique de l'UE.

RecherchePaper

1 source

4arXiv cs.RO

Quadrupèdes : repousser la limite de vitesse via modélisation affinée des actionneurs et une planification adaptative

Des chercheurs ont repoussé la limite de vitesse connue pour un robot quadrupède avec BlackPanther2 (BP2), une plateforme de 36,5 kg, en atteignant 13,2 m/s sur tapis roulant et 11,65 m/s en extérieur, un résultat présenté comme un nouveau record mondial pour la locomotion quadrupède (arXiv:2609.13289, publié le 13 septembre 2026). La performance repose sur deux apports techniques combinés dans un même framework d'apprentissage : un modèle d'actionneur affiné qui capture explicitement le couplage tension-vitesse à haute vitesse et la saturation magnétique, pour représenter plus fidèlement l'enveloppe couple-vitesse réelle des moteurs, et un entraînement par renforcement structuré en curriculum à deux étapes avec un mécanisme d'ordonnancement adaptatif des commandes (Adaptive Command Scheduling, ACS) qui stabilise l'apprentissage sur une large plage de vitesses cibles. Cette avancée s'attaque directement à un problème connu du secteur : la plupart des méthodes de contrôle appris négligent les non-linéarités et les contraintes physiques des actionneurs pendant l'entraînement en simulation, ce qui crée un écart sim-to-real important dès que les mouvements deviennent très dynamiques, et peut conduire la politique apprise à exploiter des comportements non physiques, impossibles à reproduire sur le matériel réel. En modélisant plus précisément les moteurs, l'équipe montre qu'on peut réduire cet écart tout en repoussant les limites de vitesse réelles, un signal utile pour les intégrateurs et laboratoires travaillant sur la locomotion dynamique, la logistique en tout-terrain ou les usages militaires et d'inspection nécessitant des déplacements rapides. Le résultat illustre aussi que les gains de robustesse (via l'ACS) n'impliquent pas nécessairement de sacrifier la performance brute, contrairement à une hypothèse répandue sur le compromis vitesse/stabilité en robotique de champ. Le papier s'inscrit dans une compétition plus large de records de vitesse chez les quadrupèdes, où des plateformes comme celles de MIT Cheetah ou Unitree ont progressivement repoussé les seuils ces dernières années, mais où les chiffres annoncés restent souvent obtenus en conditions contrôlées et méritent d'être lus avec prudence tant que des tiers ne les reproduisent pas de façon indépendante. Les auteurs ne précisent pas de calendrier de déploiement commercial ni de partenaire industriel identifié pour BP2 à ce stade ; la contribution reste pour l'instant un résultat de recherche, avec le code et les détails de modélisation destinés à informer de futurs travaux sur le contrôle appris pour la locomotion à haute dynamique.

RecherchePaper

1 source