Aller au contenu principal
PHASE : récupération de phase tactile pour un apprentissage d'insertion en peu d'exemples, avec complianceIllustration générée par IA
RecherchearXiv cs.RO 

PHASE : récupération de phase tactile pour un apprentissage d'insertion en peu d'exemples, avec compliance

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs ont publié le 28 septembre 2026 sur arXiv (2609.30889) un article décrivant PHASE (Phase-Aware Segmentation and REtrieval), une méthode d'apprentissage par imitation augmentée par récupération de données, appliquée à l'insertion de type peg-in-hole, une tâche d'assemblage à contact riche. Le système exploite un poignet compliant qui maintient le contact tout au long du mouvement, générant des signaux tactiles et de force qui révèlent la structure en phases de l'insertion, de la recherche du trou jusqu'à l'insertion finale. PHASE combine un apprentissage de représentation multimodale sensible au contact, une segmentation en phases de longueur variable à partir des signaux tactiles, et une récupération de données cohérente avec la phase en cours pour entraîner la politique de contrôle. Les auteurs l'ont testé sur un robot réel avec cinq géométries de tige différentes, en le comparant à des stratégies de récupération issues de méthodes de référence sous une architecture de politique partagée. Résultat: un taux de réussite global supérieur de 13 points de pourcentage à la meilleure référence non sensible aux phases, et un gain de 30 points de pourcentage lorsque la position initiale de la pièce est inédite.

L'insertion de précision reste l'un des goulots d'étranglement de l'automatisation flexible en assemblage électronique et mécanique: les tâches à contact riche exigent d'ordinaire des centaines de démonstrations pour généraliser, ce qui freine leur adoption par les intégrateurs souhaitant reconfigurer une cellule robotique pour un nouveau connecteur sans recollecter de données. En montrant qu'aligner la récupération de données antérieures sur les phases physiques de l'interaction, plutôt que sur des découpages temporels arbitraires, améliore fortement la robustesse en apprentissage à faible nombre de démonstrations, notamment face à des positions de départ jamais vues, PHASE apporte un argument concret au débat sur la capacité réelle des politiques apprises par imitation à généraliser au-delà de leurs démonstrations, un point sensible pour les approches génériques de type VLA appliquées à la manipulation fine. Il s'agit néanmoins d'un résultat de recherche évalué en laboratoire sur un nombre limité de géométries, pas d'un système déployé en usine ni d'un produit commercial.

Le travail s'inscrit dans la lignée de l'apprentissage par imitation augmenté par récupération, une piste explorée récemment pour réduire le nombre de démonstrations nécessaires en réutilisant des données antérieures pertinentes, mais jusqu'ici peu testée sur des tâches à contact riche comme l'assemblage. Les auteurs comparent PHASE à plusieurs stratégies de récupération considérées comme état de l'art mais qui ignorent la structure en phases de l'interaction, afin d'isoler l'apport spécifique de leur segmentation tactile. L'article ne précise ni l'institution ni la plateforme robotique commerciale utilisée au-delà du poignet compliant, et ne mentionne aucun partenariat industriel ni pilote programmé: il se présente comme une contribution méthodologique destinée à la communauté de recherche en manipulation robotique, sans calendrier de transfert vers l'industrie annoncé à ce stade.

À lire aussi

Apprendre à exploiter la compliance : un cadre d'apprentissage de politique en admittance pour l'insertion robotique
Illustration générée par IA
1arXiv cs.RO 

Apprendre à exploiter la compliance : un cadre d'apprentissage de politique en admittance pour l'insertion robotique

Une équipe de chercheurs a publié le 28 septembre 2026 sur arXiv (référence 2609.31439v1) un nouveau cadre baptisé LeCo, pour "Leverage Compliance", destiné à l'assemblage robotique de précision par insertion de connecteurs. Le système combine une politique visuelle apprise par apprentissage automatique avec un contrôle en admittance à raideur fixe, et ajoute un mécanisme de rétroaction multi-fréquence qui agrège les mesures de contact haute fréquence en récompenses au niveau des transitions de la politique. Deux termes de coût inédits structurent l'apprentissage: un coût de conflit intégré, qui pénalise les situations où la politique continue de pousser pendant que le contrôleur relâche la pression sans progression réelle, et un coût de traînée directionnelle en force, qui sanctionne les épisodes de chargement…

RecherchePaper
1 source
Diffusion : un apprentissage de l'impédance pour la manipulation avec contacts multiples
Illustration générée par IA
2arXiv cs.RO 

Diffusion : un apprentissage de l'impédance pour la manipulation avec contacts multiples

Une équipe de chercheurs décrit sur arXiv (arXiv:2509.19696, quatrième version) Diffusion-Based Impedance Learning (DIL), un framework combinant un modèle de diffusion Transformer et un contrôle d'impédance classique pour la manipulation robotique en contact riche. Conditionne par cross-attention sur les forces et couples externes mesures, le modèle reconstruit des trajectoires simulées a force nulle (sZFT), complétées par un ordonnanceur de bruit quaternion SLERP pour les rotations. Un estimateur énergétique adapte ensuite en ligne la raideur et l'amortissement du bras. Entraine sur des démonstrations de franchissement d'obstacles et de robotique thérapeutique collectées via téléopération au casque Apple Vision Pro, avec seulement quelques dizaines de milliers d'échantillons, le modèle atteint une précision sous le millimètre et sous le degré.

UELe bras collaboratif utilise pour la demonstration est fabrique par l'entreprise allemande KUKA, mais aucune equipe de recherche europeenne ni pilote industriel europeen n'est mentionne.

RecherchePaper
1 source
Apprentissage par admittance vision-force pour l'insertion de tige dans un trou mobile
Illustration générée par IA
3arXiv cs.RO 

Apprentissage par admittance vision-force pour l'insertion de tige dans un trou mobile

Des chercheurs présentent VFAL (Vision-Force Admittance Learning), un cadre robotique pour insérer une pièce (peg) dans un trou en mouvement, une tâche classique d'assemblage industriel rendue instable par un environnement dynamique, comme une base mobile ou une cible dont le déplacement n'est pas connu à l'avance. Le système fusionne un retour visuel asynchrone et basse fréquence avec un modèle d'admittance basé sur la force à haute fréquence, l'estimation de pose visuelle servant de terme de régularisation pour stabiliser l'ensemble. Pour l'estimation de pose, les auteurs s'appuient sur des modèles de fondation en vision de dernière génération plutôt que sur des marqueurs ou capteurs dédiés, et ajoutent des mécanismes de récupération après échec pour renforcer la robustesse.

RecherchePaper
1 source
Touch2Trace : apprentissage par imitation tactile pour le traçage dextérique de câbles
Illustration générée par IA
4arXiv cs.RO 

Touch2Trace : apprentissage par imitation tactile pour le traçage dextérique de câbles

Une équipe de recherche présente Touch2Trace, un système d'apprentissage par imitation piloté par le toucher, conçu pour l'une des tâches les plus difficiles de la manipulation dextre : faire glisser un câble à travers la main par des mouvements répétés de pincement et d'enroulement du pouce et de l'index. Le système combine un encodeur tactile pré-entraîné en auto-supervision pour un capteur piézorésistif personnalisé de 32x32 points, baptisé TacV5, avec une politique transformeur légère entraînée par clonage comportemental à partir de démonstrations téléopérées, déployée à 60 Hz sur une main robotique à cinq doigts Tesollo DG-5F.

RecherchePaper
1 source