RecherchearXiv cs.RO 25 septembre 2026

Régulation de force en temps réel pour la préhension dextérique de la main entière

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs publie le 25 septembre 2026 une prépublication sur arXiv (arXiv:2609.30082v1) décrivant un système de régulation de force en temps réel pour la préhension dextre impliquant l'ensemble de la main robotique, et non les seuls bouts des doigts. Le problème ciblé est concret : une répartition de force calculée à l'avance échoue dès que l'objet bouge, que le modèle géométrique est imprécis, ou qu'une perturbation externe survient. La méthode estime géométriquement les points de contact sur tous les liens de la main à partir d'un modèle suivi de l'objet et de la proprioception, sans capteur tactile dédié à ces zones de contact. Elle recalcule en continu la distribution de force souhaitée sous contraintes de frottement, de limites d'actionneurs, et une contrainte de cohérence d'actionnement inspirée de l'analyse classique de force en membre entier. Ce contrôleur est couplé à un module d'atteinte réactive, permettant à la main de saisir un objet, de maintenir la prise sous perturbation, puis de re-saisir après une perte de contact. Des essais en simulation sans gravité montrent une meilleure rétention de prise que deux méthodes de référence, une allocation fixe et une exécution limitée aux bouts des doigts, sous perturbations contrôlées. Des tests réels sur un système bras-main à 27 degrés de liberté confirment le maintien et la récupération de prise sous perturbations appliquées à la main par un opérateur humain, alors que les contacts évoluent sur toute la surface de la main.

Ce travail s'attaque à un verrou classique de la manipulation dextre : la plupart des mains robotiques reposent soit sur une planification de force figée avant contact, soit sur des réseaux de capteurs tactiles denses et coûteux répartis sur chaque phalange, ce qui alourdit le coût matériel et la calibration. Démontrer qu'une estimation géométrique des contacts suffit à maintenir une prise robuste, sans instrumentation tactile supplémentaire, ouvre une piste pour réduire le coût des mains à haut nombre de degrés de liberté, un enjeu direct pour les intégrateurs visant la manipulation fine en environnement non structuré. Pour les acteurs qui misent sur les modèles vision-langage-action pour piloter des mains humanoïdes, ce résultat rappelle que la couche bas niveau de contrôle de force reste un goulot d'étranglement séparé de la décision haut niveau : savoir quoi saisir ne garantit pas de tenir la prise quand l'objet glisse.

Le papier s'inscrit dans la recherche en contrôle de force multi-doigts, un champ dominé jusqu'ici par la planification hors ligne ou par des architectures tactiles denses, ce qui explique le choix des auteurs de comparer leur méthode à ces deux approches plutôt qu'à un produit commercial. La validation sur une plateforme à 27 DoF situe l'expérimentation au niveau des systèmes de recherche avancés en manipulation dextre. Les auteurs mettent à disposition une page de projet avec des démonstrations vidéo, mais ne communiquent aucun calendrier de transfert industriel ni partenariat : il s'agit à ce stade d'une contribution académique en prépublication, non d'un produit déployé.

Dans nos dossiers

IA physique & VLA arXiv cs.RO

À lire aussi

1arXiv cs.RO

Adaptation aux défauts articulaires en temps réel pour la manipulation dextérique en main

Des chercheurs présentent Residual Fault Adaptation (RFA), un framework d'apprentissage par renforcement destiné à la manipulation dextre en main robotique lorsqu'une panne survient sur un canal de commande d'articulation en cours de fonctionnement. L'architecture repose sur un « teacher » sain figé qui fournit le comportement nominal, couplé à une politique résiduelle récurrente entraînée à déduire des actions correctives à partir de l'historique proprioceptif et de la réponse aux commandes. L'entraînement utilise une randomisation de domaine par injection de fautes (FIDR), qui fait varier le mode de panne, l'articulation touchée, la sévérité et l'instant de déclenchement, avec un échantillonnage adaptatif qui privilégie les modes de panne les moins bien gérés récemment. Une politique Direct FIDR figée sert uniquement de référence distributionnelle pendant l'entraînement sur les échantillons avec panne active, et n'intervient plus au déploiement. Le contrôleur final ne reçoit ni étiquette de panne ni signal de basculement de contrôleur. Les auteurs rapportent des gains de performance en simulation sur une main dextre selon un protocole de pannes mixtes fixe, ainsi qu'un déploiement zero-shot réussi sur robot réel avec pannes injectées par logiciel. Pour l'industrie robotique, ce travail s'attaque à un angle mort réel de la manipulation dextre : la tolérance aux pannes matérielles en conditions d'usage, plutôt que la seule performance en environnement contrôlé. Une articulation qui se bloque ou répond mal en cours de tâche est un scénario courant en usine ou en logistique, et la capacité d'une politique à s'adapter sans détection explicite de panne ni bascule de contrôleur simplifierait l'intégration pour les fabricants de mains robotiques. Cela dit, la portée reste limitée : les résultats réels s'appuient sur des pannes injectées par logiciel, pas des défaillances matérielles spontanées, et l'essentiel de la validation demeure en simulation, ce qui appelle la prudence sur la généralisation à des pannes non vues à l'entraînement. Ce travail s'inscrit dans la lignée des architectures teacher-student utilisées pour le sim-to-real en robotique, où une politique privilégiée entraînée avec des informations complètes guide une politique déployable plus contrainte. Il rejoint aussi les efforts récents sur la robustesse des politiques de manipulation dextre face aux aléas physiques, distincts des approches VLA généralistes comme Pi-0 ou GR00T N2 qui visent la généralisation sémantique plutôt que la tolérance aux pannes matérielles. L'article, publié sur arXiv, ne mentionne pas de partenaire industriel ni de calendrier de transfert vers un produit commercial ; les prochaines étapes attendues porteraient sur des pannes matérielles réelles non simulées et une validation sur d'autres plateformes de mains robotiques.

RecherchePaper

1 source

2arXiv cs.RO

De la préhension à la dextérité : pré-entraînement à grande échelle pour la manipulation dextérique

Des chercheurs publient sur arXiv un nouveau papier intitulé "From Grasps to Dexterity: Large-Scale Grasp Pretraining for Dexterous Manipulation", qui s'attaque à un problème precis de la manipulation dextre robotique: utiliser un simple geste de préhension pour ensuite manipuler un outil articulé (actionner une gâchette, tourner une molette, ouvrir une pince) plutôt que de simplement le saisir et le poser. L'équipe construit un jeu de données de 355 000 trajectoires à partir d'annotations de préhension dextre à grande échelle, utilisé pour préentraîner un contrôleur bas niveau conditionné par objectif, lui-même piloté par un module haut niveau qui prédit les sous-objectifs de la main. Ce contrôleur est ensuite affiné sur des démonstrations spécifiques à chaque tâche. Pour évaluer l'approche, les auteurs introduisent DexCraft, un banc d'essai en simulation comportant six tâches d'usage d'outils articulés nécessitant une coordination fine des doigts. En conditions réelles, la méthode améliore le taux de réussite complet des tâches de 33,3 points de pourcentage par rapport à la référence DP3, et dépasse aussi les politiques de diffusion entraînées de bout en bout ainsi que les architectures hiérarchiques entraînées depuis zéro. L'intérêt pour l'industrie tient au fait que la plupart des grands jeux de données de préhension dextre existants n'avaient jusqu'ici servi qu'à générer des prises ou à faire du pick-and-place, une tâche relativement simple comparée à l'usage fonctionnel d'un outil, qui exige de maintenir le contact tout en actionnant une pièce mobile. Démontrer qu'un préentraînement sur des données de grasping generalise à ce type de manipulation contact-riche est un signal utile pour les équipes qui travaillent sur des mains robotiques multi-doigts, notamment dans le contexte des humanoïdes où la dextérité fine reste un goulot d'étranglement bien plus limitant que la locomotion. Cela va dans le sens d'une hypothèse défendue par plusieurs laboratoires: les grands corpus de démonstration, même génériques, peuvent servir de socle de préentraînement réutilisable plutôt que d'être collectés tâche par tâche. Ce travail s'inscrit dans la lignée des approches hiérarchiques d'apprentissage par imitation combinant planification haut niveau et contrôle bas niveau, un courant de recherche actif face aux politiques de diffusion de bout en bout comme DP3, utilisées ici comme référence de comparaison. Il s'agit à ce stade d'un résultat académique publié sur arXiv, testé en simulation via DexCraft et validé par des expériences réelles limitées, et non d'un système déployé commercialement. Les auteurs mettent à disposition des vidéos de démonstration sur leur page de projet, mais aucune date de mise en open source du code ni de partenariat industriel n'est mentionnée dans le résumé.

RecherchePaper

1 source

3arXiv cs.RO

ReForce : apprentissage du retargeting sensible à la force pour la manipulation dextérique

Une équipe de recherche a publié le 18 août 2026 sur arXiv (référence 2608.15560v1) une méthode baptisée ReForce, conçue pour la manipulation dextre par robot à partir de démonstrations humaines. Le problème visé est le suivant: les pipelines de retargeting (transfert des mouvements humains vers un bras ou une main robotique) restent aujourd'hui essentiellement cinématiques, c'est-à-dire qu'ils copient les trajectoires et postures sans tenir compte des forces de contact, alors que ce sont ces forces qui déterminent la réussite ou l'échec d'une prise en main. ReForce ajoute un résidu de force au-dessus du mouvement retargeté classiquement, calculé par un "force tracker" générique entraîné sur un grand volume d'interactions simulées. La méthode fonctionne en deux modes: téléopération en ligne avec retour de force, et traduction hors ligne de jeux de données de démonstration déjà enregistrés. Les tests, menés à la fois en simulation et sur du matériel réel, portent sur des tâches réputées difficiles car riches en contacts fins: la saisie d'un gobelet en papier et la manipulation de pinces (tongs). Les auteurs rapportent une erreur de suivi de force réduite et un engagement multi-doigts plus stable que les approches purement cinématiques. Pour l'industrie robotique, l'enjeu dépasse le simple gain de précision: la collecte de démonstrations humaines à grande échelle est devenue le principal levier pour entraîner des politiques de manipulation dextre, y compris pour les modèles vision-langage-action. Si le retargeting cinématique ignore la force, les données transmises aux modèles encodent des gestes visuellement corrects mais mécaniquement approximatifs, ce qui explique en partie pourquoi certaines démonstrations impressionnantes en vidéo échouent lors d'un déploiement réel sur objets fragiles, déformables ou glissants. En introduisant un modèle de force générique et transférable, ReForce propose une brique technique susceptible d'améliorer la qualité des jeux de données de téléopération en amont, plutôt que de complexifier uniquement le modèle final. Il s'agit d'une contribution académique en preprint, sans entreprise ni produit commercial associé, à distinguer des annonces de Physical Intelligence (Pi-0), NVIDIA (GR00T N2) ou Figure (Helix), qui portent sur des modèles de bout en bout déployés ou pilotés en conditions réelles. ReForce se positionne en amont de ces systèmes, sur la brique de collecte et de conversion de données de démonstration. L'abstract ne mentionne ni publication de code, ni jeu de données ouvert, ni calendrier de déploiement industriel: les deux tâches testées, prise de gobelet et manipulation de pinces, servent de preuve de concept plutôt que de benchmark étendu, la validation à plus grande échelle restant à faire.

RecherchePaper

1 source

4arXiv cs.RO

Combler l'écart de réalité : déploiement zero-shot du transfert simulation-réel pour la préhension et la manipulation dextériques basées sur la force

Une équipe de recherche présente une méthode d'apprentissage par renforcement permettant de transférer directement en simulation vers le réel des politiques de contrôle pour une main robotique à cinq doigts, sans aucun réglage fin sur le matériel physique. Le système combine un retour tactile dense avec une mesure du couple articulaire pour réguler finement les interactions de contact. Trois innovations techniques rendent ce transfert possible : une simulation tactile rapide calculant les distances entre unités tactiles virtuelles et l'objet via une cinématique directe parallélisée, une calibration courant-couple qui élimine le besoin de capteurs de couple physiques en convertissant le courant moteur en couple articulaire, et une modélisation randomisée de la dynamique des actionneurs pour compenser les effets non idéaux couple-vitesse. Entraînées entièrement en simulation via un pipeline PPO acteur-critique asymétrique, les politiques obtenues exécutent deux compétences clés de la main humaine, le contrôle de force de préhension sur commande et la réorientation d'objets dans la main, de façon robuste dès le déploiement sur robot réel. Cette avancée s'attaque à un verrou majeur de la robotique manipulatrice : l'écart de réalité (reality gap) entre simulation et exécution physique, particulièrement critique pour les mains à cinq doigts où la richesse des contacts et les imperfections d'actionnement rendent le transfert notoirement difficile. Contrairement aux approches nécessitant un réglage fin coûteux sur le robot réel, cette méthode zéro-shot réduit drastiquement le temps et le coût de déploiement, un enjeu direct pour les intégrateurs et fabricants qui cherchent à industrialiser la manipulation dextre au-delà des pinces simples. Les auteurs affirment qu'il s'agit de la première démonstration de préhension contrôlable sur une main multi-doigts entraînée uniquement en simulation. Le défi du sim-to-real occupe la recherche en robotique depuis plusieurs années, avec des approches concurrentes s'appuyant sur la randomisation de domaine ou l'apprentissage par imitation à partir de données réelles. L'ajout combiné de capteurs tactiles denses et de couple articulaire, plutôt que la seule vision ou proprioception, distingue cette approche et pourrait orienter les prochains travaux vers une intégration plus poussée du sens tactile dans les architectures de contrôle destinées aux mains robotiques commerciales.

RecherchePaper

1 source