RecherchearXiv cs.RO 25 septembre 2026

Une interface de préhension simple pour la manipulation de tissu indépendante du simulateur

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un modèle de préhension pour la manipulation de tissu par robot, pensé pour être indépendant du simulateur utilisé, est décrit dans un article publié sur arXiv (arXiv:2609.29340). Le gripper y est représenté par sa pose, l'état de ses mâchoires et un volume de préhension attaché : soit une boîte alignée sur les axes pour simuler une prise pincée, soit un volume pyramidal carré pour simuler une prise ponctuelle. À la fermeture du gripper, les positions discrètes du tissu situées dans ce volume sont sélectionnées, mémorisées dans le repère local du gripper, puis déplacées avec lui ; une étape de resserrement progressif ramène ces points vers le centre de la zone de prise pour éviter un déplacement instantané. Les auteurs implémentent ce modèle dans un simulateur de tissu inextensible basé sur des contraintes (étirement, cisaillement, collision, contact avec une table), puis rejouent la même trajectoire de gripper sur un bras robotique réel pour plier un morceau de tissu physique.

Le choix central du papier est d'écarter toute modélisation du contact et du frottement entre le gripper et le tissu au profit de simples contraintes de position, ce qui simplifie et accélère l'implémentation au prix d'une certaine idéalisation. L'intérêt pour les équipes de recherche et les intégrateurs travaillant sur la manipulation d'objets déformables (linge, textile, logistique) tient à sa portabilité : ne nécessitant qu'un accès aux positions discrètes du tissu et un mécanisme de contraintes cibles, le modèle peut passer d'un moteur physique à un autre sans réécriture. La démonstration sur bras réel, limitée à la reproduction d'une trajectoire issue de la simulation, fonctionne comme un test de plausibilité plutôt que comme une preuve de généralisation : elle montre un comportement de pliage physiquement crédible, sans valider une politique de contrôle apprise en conditions variées, ce qui distingue nettement cette contribution méthodologique d'un système prêt au déploiement.

Le travail s'inscrit dans le champ de la manipulation robotique de tissus, où la simulation sert habituellement à entraîner des politiques de contrôle avant leur transfert vers un robot physique, un transfert souvent freiné par des modèles de contact et de frottement coûteux à calculer et difficiles à porter d'un simulateur à un autre. En proposant à la place une abstraction géométrique simple, volume de préhension plus contraintes positionnelles, les auteurs visent un composant réutilisable que d'autres équipes pourraient intégrer dans leurs propres pipelines. L'article ne mentionne ni partenariat industriel ni feuille de route de déploiement : il s'agit d'une contribution de recherche, dont la suite naturelle attendue serait son évaluation sur des politiques de contrôle apprises et sur des tâches de manipulation de tissu plus variées que le simple pliage démontré ici.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

AnyPos : des actions automatisées indépendantes de la tâche pour la manipulation bimanuele

Une équipe de chercheurs a publié sur arXiv (référence 2507.12768) AnyPos, un pipeline d'apprentissage automatisé conçu pour la manipulation bimane généraliste. Le système repose sur un principe de modélisation dite "task-agnostic" : au lieu d'entraîner le robot sur des trajectoires liées à des tâches précises, AnyPos génère à grande échelle des paires image-action indépendantes couvrant l'ensemble de l'espace de travail atteignable. Ces données alimentent un apprentissage par dynamique inverse, combinant un décodeur directionnel et une séparation explicite entre les mouvements du bras et de l'effecteur terminal, pour stabiliser les prédictions en dehors de la distribution d'entraînement. Testée sur cinq tâches domestiques (actionner un micro-ondes, griller du pain, plier des vêtements, arroser des plantes, frotter des assiettes), l'approche améliore les taux de réussite de 30 à 40% par rapport aux baselines de référence, avec un gain de 51% en précision sur les évaluations test. Ce résultat pointe un problème structurel du secteur : la rareté des données de manipulation robotique et leur entanglement avec une plateforme ou une tâche spécifique. La plupart des politiques visuomotrices actuelles, qu'il s'agisse de VLA (vision-language-action models) ou de diffusion policies, nécessitent des données séquentielles coûteuses à collecter et quasiment non transférables entre robots. En découplant la modélisation de l'embodiment de l'apprentissage de politique de haut niveau, AnyPos propose une réutilisation des données d'action cross-tâches et cross-plateformes, sans modèle physique explicite ni simulation intensive. L'argument est directement dirigé contre le "sim-to-real gap" : les représentations sont ici apprises depuis des données réelles générées automatiquement à grande échelle, contournant les biais de simulation. L'approche rejoint une tendance récente consistant à séparer embodiment modeling et politique de haut niveau, visible chez Physical Intelligence (modèle pi0), Figure AI ou 1X Technologies. Elle se distingue par son refus de la télé-opération intensive ou de la simulation massive, préférant une exploration automatisée du workspace réel. Le pipeline est conçu pour se coupler à des modèles de politique existants, le positionnant potentiellement comme une couche de préentraînement réutilisable et échangeable. L'article ne mentionne ni déploiement industriel, ni partenariat commercial : AnyPos reste à ce stade une contribution de recherche académique, sans timeline de mise en production annoncée.

RechercheOpinion

1 source

2arXiv cs.RO

CloSE : une représentation d'état du tissu indépendante de la forme géométrique

Des chercheurs ont publié sur arXiv (arXiv:2504.05033, version 3) une nouvelle représentation de l'état de déformation des textiles pour la manipulation robotique, baptisée CloSE (Cloth StatE). La méthode repose d'abord sur un intermédiaire appelé dGLI disk : une grille circulaire sur laquelle sont calculés des indices topologiques pour chaque segment de bord du tissu. La carte de chaleur (heatmap) ainsi générée fait apparaître des motifs stables qui caractérisent l'état du tissu indépendamment de sa forme, de sa taille ou de son orientation. Ces motifs sont ensuite condensés en une représentation circulaire compacte et continue : CloSE. Les auteurs démontrent que cette représentation prédit correctement l'emplacement des plis sur plusieurs jeux de données de simulation de vêtements, et qu'elle s'applique à deux tâches concrètes : l'étiquetage sémantique des parties du vêtement et la planification de tâches à haut et bas niveau. Le code et les données sont disponibles publiquement. La manipulation de textiles reste l'un des problèmes non résolus de la robotique industrielle : contrairement aux objets rigides, un tissu peut prendre un nombre quasi infini de configurations déformées, ce qui rend la prise de décision et la planification de trajectoire extrêmement difficiles. L'apport principal de CloSE est d'être agnostique à la géométrie du vêtement, ce qui signifie qu'un même pipeline de perception et de planification peut théoriquement s'appliquer à un T-shirt, une chemise ou un pantalon sans réentraînement. Pour un intégrateur ou un équipementier du secteur textile, c'est une propriété clé : elle réduit le coût de généralisation entre références produits. La représentation compacte facilite également son intégration dans des boucles de contrôle temps réel. Ce travail s'inscrit dans un effort académique soutenu autour de la manipulation de tissus, aux côtés d'approches comme les réseaux de points déformables (DenseFusion, FlingBot) ou les méthodes basées sur les graphes de tissu. La plupart des résultats présentés ici restent en simulation, ce que les auteurs n'occultent pas, mais la nature topologique des indices dGLI est conçue pour faciliter le transfert sim-to-real. Aucun déploiement industriel ou partenariat n'est annoncé à ce stade. Les prochaines étapes naturelles seraient une validation sur robot physique et une extension aux tissus opaques ou fortement déformés.

RecherchePaper

1 source

3arXiv cs.RO

Occulter l'espace des solutions : attaques adverses indépendantes du planificateur contre la manipulation tolérante

Une équipe de recherche en robotique publie sur arXiv (référence 2607.03758v1, soumission du 3 juillet 2026) un nouveau cadre d'attaque adversariale visant les systèmes de planification de mouvement en manipulation robotique. Baptisé approche "planner-agnostic" et "tolerance-aware", le système ne cible plus une pose exacte à atteindre, comme le faisaient les méthodes précédentes, mais évalue la faisabilité d'une tâche sur une région d'objectif entière, ce qui reflète mieux la réalité des tâches industrielles où une marge de tolérance existe toujours. La méthode fonctionne en deux temps : hors ligne, elle cartographie les capacités cinématiques intrinsèques du bras robotique sous forme de carte de densité d'occupation, révélant où les trajectoires faisables sont les plus denses ou les plus fragiles ; en ligne, elle formule le placement d'obstacles adversariaux comme un problème d'optimisation de couverture maximale sous contrainte de budget, plaçant stratégiquement des obstacles géométriques pour obstruer l'espace des solutions. Des expériences en simulation et en conditions réelles montrent que la méthode provoque de façon fiable des échecs de planification, tout en étant plus efficace en calcul que les approches concurrentes qui nécessitent un accès direct au planificateur (dites "planner-in-the-loop"). Pour l'industrie de la manipulation robotique, ce travail change la donne sur l'évaluation de robustesse : il devient possible de tester la résilience d'un bras robotique face à des perturbations sans connaître ni interroger l'algorithme de planification utilisé, ce qui est précieux pour les intégrateurs qui déploient des systèmes tiers en boîte noire. Cela ouvre la voie à des audits de sécurité et de robustesse standardisés, indépendants du fournisseur de logiciel de planification, un enjeu clé à mesure que les cellules robotiques industrielles se complexifient. Ce travail s'inscrit dans la continuité des recherches sur les attaques adversariales appliquées à la robotique, un domaine jusqu'ici limité par la dépendance à des objectifs de pose exacte et à un accès "oracle" au système visé. En s'affranchissant de ces contraintes, les auteurs positionnent leur méthode comme une alternative généraliste aux baselines existantes, ouvrant la porte à des outils de certification de robustesse applicables plus largement, au-delà d'un planificateur ou d'un fournisseur spécifique.

RecherchePaper

1 source

4arXiv cs.RO

Interface KAI : une approche tenant compte de la cinématique pour la manipulation efficace d'objets articulés

Des chercheurs présentent KAI (Kinematic-Aware Articulation Interface), une nouvelle représentation intermédiaire structurée conçue pour l'apprentissage de politiques de manipulation d'objets articulés par des robots, comme des tiroirs, des portes ou des charnières. Contrairement aux approches qui tentent d'apprendre la structure cinématique uniquement à partir de démonstrations robotiques, KAI intègre directement des a priori géométriques et cinématiques interprétables dans le processus d'apprentissage. Testée sur six tâches de simulation, la méthode atteint un taux de réussite moyen de 82,9%, égalant voire dépassant les performances des méthodes de référence tout en n'utilisant que la moitié des données de démonstration nécessaires. Le système, entraîné dans un environnement unique et non encombré, démontre également une capacité de généralisation vers des arrière-plans inédits et des scènes réelles encombrées de distracteurs visuels. En combinant l'entraînement avec des vidéos d'interactions humaines, grâce à sa conception indépendante de l'action ("action-agnostic"), le taux de réussite moyen dépasse 70% même face à des perturbations visuelles diverses. Pour l'industrie robotique, ce travail s'attaque à un goulot d'étranglement bien identifié: l'apprentissage par démonstration coûte cher en temps d'annotation et de téléopération, en particulier pour les objets articulés dont la cinématique varie fortement d'un instance à l'autre. Diviser par deux le volume de démonstrations nécessaires, si le résultat se confirme au-delà de la simulation, représenterait un gain d'efficacité concret pour les intégrateurs travaillant sur la manipulation domestique ou industrielle (portes d'armoires, électroménager, machines-outils). La possibilité de co-entraîner avec des vidéos humaines, sans capture de données robotiques dédiées, ouvre aussi une piste pour réduire davantage le coût de collecte, un enjeu central alors que les approches VLA (vision-language-action) peinent encore à passer l'échelle sans volumes massifs de données. Il s'agit à ce stade d'un article de recherche déposé sur arXiv, sans nom d'institution ni de laboratoire précisé dans le résumé, et les résultats restent principalement validés en simulation, avec un transfert vers le réel limité à des scènes encombrées plutôt qu'à un déploiement en conditions industrielles. Le travail s'inscrit dans un courant de recherche plus large visant à injecter des priors structurels explicites dans les politiques d'apprentissage, en contraste avec les approches purement end-to-end de type GR00T N2 ou Pi-0, et pourrait alimenter les futures générations de modèles de manipulation généralistes si sa robustesse se confirme sur du matériel physique.

RecherchePaper

1 source