Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Drone football : apprendre à manipuler des objets grâce au flux descendant des multicoptères
RecherchearXiv cs.RO 

Drone football : apprendre à manipuler des objets grâce au flux descendant des multicoptères

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

Des chercheurs publient sur arXiv (identifiant 2609.38588, première version) une étude qui retourne un problème classique de la manipulation aérienne : au lieu de subir le « downwash », le flux d'air descendant généré par les hélices d'un multicoptère, ils l'emploient comme outil. La tâche choisie est du football pour drone : un quadricoptère doit dribbler une balle sans la saisir. L'équipe développe un modèle simplifié de la dynamique du downwash, puis l'utilise pour entraîner par apprentissage par renforcement (RL) une politique de dribble. Selon le résumé, cette politique se transfère au monde réel (sim-to-real). Le texte disponible ne donne ni taux de réussite, ni durée de dribble, ni nombre d'essais, ni type de drone ou de balle.

L'enjeu est conceptuel avant d'être commercial. Les manipulateurs aériens (UAM) actuels embarquent surtout un bras ou une pince, ce qui ajoute de la masse, de la complexité mécanique et des perturbations pour le vol. Ils traitent le downwash comme un bruit à rejeter, ou l'ignorent. Si l'on peut pousser un objet sans contact grâce à l'air, on ouvre une manipulation sans effecteur, plus légère et moins exposée aux collisions. La démonstration conforte aussi l'idée qu'un modèle physique volontairement simplifié, associé au RL, suffit pour franchir l'écart sim-to-real sur une interaction fluide réputée difficile à simuler. Il faut toutefois rester prudent : une balle de football sur sol plat est une tâche de laboratoire. Rien n'indique pour l'instant que la méthode s'applique à des objets de formes variées, à des charges utiles réalistes ou à des environnements industriels. Les performances n'étant pas chiffrées dans le résumé, la robustesse reste à établir. Il s'agit d'un travail de recherche, sans produit ni déploiement.

Ce travail s'inscrit dans la lignée des recherches sur les UAM, qui ont longtemps cherché à compenser les effets aérodynamiques sur les bras ou les charges, et dans celle des politiques de vol apprises par RL, déjà éprouvées en course de drones. Il rejoint aussi l'intérêt croissant pour la manipulation non préhensile (pousser, faire rouler, dribbler) plutôt que la saisie. Les suites naturelles seraient l'extension à d'autres objets, la manipulation en interaction avec des surfaces ou plusieurs drones, et la comparaison quantitative avec des UAM à pince. Le résumé ne mentionne aucun partenaire industriel ni calendrier de transfert.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

Apprendre à explorer la cinématique cachée pour manipuler des objets articulés
1arXiv cs.RO 

Apprendre à explorer la cinématique cachée pour manipuler des objets articulés

Une équipe de chercheurs publie sur arXiv (v1, septembre 2026) une méthode pour manipuler des objets articulés, comme des portes et des tiroirs, dont la cinématique réelle ne se devine pas à la seule vue. Le système maintient une distribution de croyance sur le type d'articulation (rotoïde, prismatique) et sur ses paramètres. Cette croyance est initialisée par un prior génératif, puis mise à jour par filtrage bayésien à partir du mouvement observé de la pièce. Pour la fournir à la politique, les auteurs la convertissent en champ de flux d'articulation par point : le mouvement que le postérieur actuel prédit pour chaque point de l'objet. La politique est entraînée par apprentissage par renforcement, avec pour récompense l'entropie retirée du postérieur par chaque interaction. Sur le benchmark PartManip, la méthode dépasse les approches précédentes en manipulation de portes et de tiroirs. Elle atteint 61,7 % de succès sur ArticuRiddle, un nouveau jeu de données d'objets dont l'apparence suggère une mauvaise articulation, contre 44,4 % pour la meilleure méthode antérieure. Les résultats proviennent de simulation, et le résumé ne mentionne aucun test sur robot physique. L'enjeu dépasse la performance brute. Les méthodes de perception active existantes cherchent, à chaque pas, l'action unique qui réduit le plus l'incertitude. Cette recherche gloutonne ne s'étend pas sur un horizon long, faute de modèles directs de la dynamique de contact et d'inertie, eux-mêmes inconnus. Déplacer ce coût vers l'entraînement, pour que l'exploration informative devienne un comportement appris, évite un calcul d'inférence à chaque pas. Le choix de la représentation compte aussi : selon les auteurs, le flux d'articulation généralise mieux qu'un encodage latent de la croyance ou qu'un flux suivi sur l'observation, car il porte le biais inductif du mouvement articulé. Pour un intégrateur, la portée est concrète. Les robots de service, de logistique ou de cuisine rencontrent des portes, tiroirs et armoires dont l'apparence trompe. Cela dit, un gain de 17 points reste un score de 61,7 %, loin d'une fiabilité de déploiement. La différence avec ce que les grands modèles VLA font aujourd'hui reste nette : ils imitent des démonstrations plutôt que de lever activement une ambiguïté. Ce travail s'inscrit dans la lignée de la perception interactive et de l'estimation de modèles articulés, où PartManip a servi de référence pour la manipulation de parties d'objets. ArticuRiddle cible un point faible connu : les priors visuels appris qui échouent quand la forme trompe. Les auteurs ne citent pas de partenaire industriel, ni de calendrier de transfert. Les suites logiques sont une validation sur bras réels, où le bruit tactile et le frottement compliquent le filtrage bayésien, puis l'intégration dans des politiques généralistes. Le projet est documenté sur hiddenkinematics.github.io.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
VidAct : apprendre la manipulation à partir de vidéos réelles grâce à une perception 3D centrée sur les objets
2arXiv cs.RO 

VidAct : apprendre la manipulation à partir de vidéos réelles grâce à une perception 3D centrée sur les objets

VidAct est un framework « vidéo vers robot » décrit dans un préprint arXiv (2609.36870v1) qui apprend des politiques de manipulation à partir d'une seule vidéo monoculaire par tâche, puis les déploie sur un robot réel en zero-shot. Le système repose sur trois briques. La première reconstruit le maillage des objets et leur mouvement à partir de vidéos quelconques, puis exprime ce mouvement dans le repère statique de l'objet. Cela évite tout retargeting spécifique à l'embodiment (le passage d'une main humaine à une pince) et accepte des points de vue de caméra variés. La deuxième brique, un transfert de trajectoire résiduel, adapte le mouvement reconstruit à de nouvelles configurations d'objets en conservant la forme de la trajectoire. La troisième, au cœur de l'apprentissage, demande à la politique de prédire à chaque image le nuage de points complet de l'objet, fourni en privilège par la simulation, comme tâche auxiliaire. Le déploiement reste en RGB seul. Les expériences couvrent des vidéos humaines, robotiques, générées et issues d'internet. Le résumé ne donne aucun chiffre de taux de réussite, de nombre de tâches ni de plateforme robotique. Pour les intégrateurs et les équipes R&D, l'intérêt tient à la réduction du coût de la donnée. La téléopération reste l'étalon de la collecte de démonstrations, mais elle est chère et peu extensible. Apprendre à partir d'une vidéo par tâche, y compris générée, déplace le goulot d'étranglement de la collecte vers la reconstruction 3D. L'approche traite aussi deux limites connues des méthodes de reconstruction : la dépendance à des caméras contraintes et la déformation des trajectoires face à un nouvel agencement d'objets. La supervision par nuage de points complet par image suggère que la conscience de la géométrie 3D des objets, souvent absente des politiques RGB, améliore la généralisation et le transfert simulation-réel. Ces conclusions restent à confirmer : les auteurs affirment des gains, mais l'abstract ne les quantifie pas. Les résultats viennent de tâches de laboratoire, sans indication de robustesse en environnement industriel ni de comparaison publiée avec des VLA généralistes. Ce travail s'inscrit dans une lignée qui cherche à remplacer la démonstration robotique par de la vidéo, en concurrence avec la collecte téléopérée à grande échelle et les modèles fondation type VLA, qui misent sur le volume de données plutôt que sur la reconstruction explicite. Il s'agit d'un préprint en première version, sans code, produit ni déploiement annoncé à ce stade. Les prochaines étapes à surveiller sont la publication des taux de réussite détaillés, la diffusion du code et, surtout, une validation sur des tâches longues, contraintes ou déformables, où la reconstruction monoculaire est la plus fragile.

RecherchePaper
1 source
Apprendre à lancer des objets en toute sécurité dans des environnements à obstacles multiples
3arXiv cs.RO 

Apprendre à lancer des objets en toute sécurité dans des environnements à obstacles multiples

Une équipe de recherche en robotique présente dans un article publié sur arXiv (2607.06388v1) une nouvelle méthode permettant à un bras robotique d'apprendre à lancer des objets dans un panier cible tout en évitant des obstacles disposés aléatoirement dans la scène. Baptisée PFR (representation par champ de potentiel), l'approche encode sur une grille de taille fixe à la fois l'attraction exercée par le panier et la répulsion générée par les obstacles, ce qui permet à des politiques d'apprentissage par renforcement de généraliser à un nombre et à des configurations d'obstacles quelconques, y compris jamais vus à l'entraînement. La politique est d'abord initialisée à partir de démonstrations kinesthésiques, puis optimisée en simulation à l'aide de trois algorithmes de référence, SAC, DDPG et TD3, SAC obtenant les résultats les plus stables. Sur robot réel, avec des objets à lancer inédits, le système atteint jusqu'à 90% de réussite dans des scènes encombrées, un transfert simulation-réel jugé robuste par les auteurs. Ce résultat comble un angle mort des travaux précédents comme TossingBot, qui apprenaient à lancer des objets à partir d'entrées visuelles mais supposaient un espace de travail dégagé, une hypothèse rarement vérifiée en environnement industriel réel (entrepôt, ligne de tri, cellule partagée avec d'autres équipements). Pour les intégrateurs et les décideurs en logistique ou en manutention, la capacité à placer un objet hors de portée directe du bras tout en évitant des obstacles dynamiques ouvre la voie à des cellules de tri plus denses et moins contraintes en termes d'agencement, sans multiplier les capteurs de sécurité périmétrique. Le taux de succès élevé sur objets et configurations non vus en fait aussi un argument en faveur des représentations d'état compactes plutôt que des encodages explicites de chaque obstacle, plus coûteux à faire passer à l'échelle. Le travail s'inscrit dans la lignée des recherches sur le lancer robotique initiées par TossingBot, en y ajoutant la dimension de l'évitement d'obstacles restée peu étudiée jusqu'ici. Les auteurs comparent explicitement leur représentation par champ de potentiel à des encodages d'état classiques pour démontrer son avantage en généralisation. Une vidéo de démonstration accompagne la publication, mais aucun calendrier de déploiement industriel ni partenariat commercial n'est mentionné à ce stade: il s'agit pour l'instant d'un résultat de recherche académique, pas d'un produit prêt à intégrer.

RecherchePaper
1 source
MultiPush : apprendre à réorganiser des objets avec des équipes de robots pousseurs de type voiture
4arXiv cs.RO 

MultiPush : apprendre à réorganiser des objets avec des équipes de robots pousseurs de type voiture

Une équipe de recherche présente MultiPush, un système d'apprentissage par renforcement destiné à coordonner des équipes de robots à cinématique de type voiture (contraints par des courbes de Dubins) pour réarranger plusieurs objets dans un espace de travail restreint, en les poussant. Publié sur arXiv en septembre 2026 (arXiv:2609.27005v1), le papier décrit un cadre qui détermine conjointement l'ordre des tâches de poussée et leur attribution aux robots disponibles, via un graphe de traversabilité intégrant les contraintes cinématiques du domaine. Dans des simulations à grande échelle portant sur jusqu'à 14 objets et des équipes de deux à quatre robots, MultiPush réduit le makespan, le temps total d'exécution, jusqu'à 16% par rapport aux méthodes de référence, tout en calculant les plans jusqu'à 2,9 fois plus vite. Les auteurs valident aussi l'approche sur un banc d'essai réel : le réarrangement de 12 objets par des équipes de deux puis trois robots, à l'aide de voitures radiocommandées à l'échelle 1/10. Pour l'industrie robotique, ce travail s'attaque à un problème concret pour les flottes de robots mobiles autonomes et les systèmes de logistique multi-agents : coordonner plusieurs robots pour déplacer des objets sans manipulateur dédié, uniquement par poussée, dans un espace partagé où collisions et contraintes de braquage compliquent fortement la planification. En reformulant le problème comme une affectation ordonnée de courbes de Dubins aux robots plutôt que comme une recherche combinatoire complète, les auteurs montrent qu'il est possible de gagner en vitesse de planification sans sacrifier l'efficacité d'exécution, un compromis clé pour des applications temps réel en entrepôt ou en zone de tri. Le passage de la simulation, jusqu'à 14 objets et 4 robots, à un déploiement physique, certes limité à des véhicules miniatures et 12 objets, apporte une validation supplémentaire face au fossé habituel entre démonstrations simulées et réalité physique en robotique multi-agents. MultiPush s'inscrit dans la lignée des travaux sur la planification de tâches et de mouvements et le réarrangement d'objets par poussée, un sous-domaine actif de la robotique de manipulation où la plupart des approches antérieures ciblaient un seul robot ou des manipulateurs à bras articulés plutôt que des plateformes à roues à cinématique contrainte. En exploitant spécifiquement la structure des trajectoires de Dubins propres aux robots de type voiture, les chercheurs se distinguent des méthodes générales de planification multi-robots qui ignorent ces contraintes ou les traitent comme un simple ajout au problème d'affectation. L'article ne mentionne ni feuille de route vers un déploiement industriel ni partenariat commercial : il s'agit à ce stade d'une contribution académique, dont la prochaine étape logique serait l'extension à des flottes plus grandes ou à des environnements moins contrôlés que le banc d'essai en intérieur utilisé ici.

RecherchePaper
1 source