Aller au contenu principal
Allocation de bases guidée par la raideur d'interaction dans les primitives de mouvement dynamiques pour un transfert de compétences efficaceIllustration générée par IA
RecherchearXiv cs.RO 

Allocation de bases guidée par la raideur d'interaction dans les primitives de mouvement dynamiques pour un transfert de compétences efficace

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 proposent SC-DMPs (Stage-Criticality-Guided Dynamic Movement Primitives), une variante des Dynamic Movement Primitives destinée à l'apprentissage de compétences robotiques où certaines phases exigent une précision supérieure aux autres. Les DMPs classiques représentent une trajectoire par un système dynamique stable, modulé par une somme de fonctions de base dont la disposition est fixée à l'avance, en général uniformément sur la phase canonique. SC-DMPs remplace cette grille rigide par une allocation adaptative. Un indice de criticité par étape est construit en combinant deux signaux : la raideur d'interaction entre l'opérateur et le robot pendant la démonstration, et un indice de cohérence de trajectoire, dérivé de la variabilité dans l'espace tâche entre plusieurs démonstrations. Les centres des fonctions de base sont ensuite redistribués dans le temps normalisé par une inversion de la criticité cumulée, puis reportés sur la phase canonique. Leurs largeurs sont également ajustées pour moduler le support d'approximation local. Les articles concernés sont validés sur des trajectoires d'écriture manuscrite et trois tâches sur robot réel, dont l'arXiv ne détaille pas ici les plateformes ni les tâches précises.

Pour les intégrateurs et les équipes qui transfèrent des savoir-faire par démonstration, l'enjeu est une meilleure utilisation de la capacité du modèle sans l'alourdir. Une grille uniforme gaspille des fonctions de base sur les segments simples, comme les approches en espace libre, et en manque dans les zones à fort enjeu : insertion, contact, passage de contraintes géométriques. Selon les auteurs, la criticité inférée se concentre bien dans les régions géométriquement exigeantes et contraintes par la tâche. Les comparaisons avec DMP, ProMP, ProDMP, GP-MP et KMP montrent une meilleure reproduction de trajectoire, une meilleure généralisation du point final et une meilleure précision aux étapes critiques, tout en conservant un modèle compact et la structure stable des DMPs classiques. À noter : il s'agit d'un préprint sans relecture par les pairs, et les gains chiffrés, les marges et les conditions expérimentales ne figurent pas dans le résumé, ce qui limite l'évaluation de l'ampleur réelle de l'amélioration.

Ces travaux s'inscrivent dans la lignée des primitives de mouvement, apparues avec les DMPs d'Ijspeert et Schaal, puis étendues par les approches probabilistes (ProMP), leur variante ProDMP, les processus gaussiens (GP-MP) et les méthodes à noyaux (KMP). Ces alternatives gagnent en expressivité statistique, souvent au prix d'une stabilité moins directe ou d'un modèle plus lourd. SC-DMPs prend le parti inverse : conserver la garantie de stabilité des DMPs et redistribuer intelligemment les ressources. Ce courant reste distinct des politiques VLA et de l'apprentissage par imitation de bout en bout, qui dominent la course humanoïde, mais il répond à un besoin concret en manipulation de précision, où la donnée de démonstration est rare. Les suites probables incluent des validations sur des tâches industrielles plus variées et une publication en revue, aucune date ni aucun partenaire industriel n'étant annoncé.

Dans nos dossiers

À lire aussi

SPECTRA : primitives de mouvement spectrales conditionnées par le contexte pour la généralisation des compétences robotiques
Illustration générée par IA
1arXiv cs.RO 

SPECTRA : primitives de mouvement spectrales conditionnées par le contexte pour la généralisation des compétences robotiques

Des chercheurs proposent SPECTRA (Spectral Movement Primitive, SMP), un framework d'apprentissage par imitation dans le domaine fréquentiel pour la manipulation robotique, décrit dans un article publié sur arXiv (2607.06978v1). Le principe consiste à représenter les démonstrations de trajectoire par des coefficients de Fourier tronqués sur horizon fini, plutôt que par des points temporels bruts. Une bande de fréquences basses, sélectionnée empiriquement, capture la géométrie dominante du mouvement, tandis que les harmoniques plus élevées, responsables d'une croissance disproportionnée des dérivées (vitesse, accélération, jerk), sont écartées.

UEImpact indirect: la validation s'appuie sur un bras Franka Panda, plateforme concue par l'allemand Franka Robotics, mais aucun partenariat, financement ou deploiement commercial en France/UE n'est mentionne.

RecherchePaper
1 source
BooST : relier sémantique et mouvements pour un transfert de compétences efficace
Illustration générée par IA
2arXiv cs.RO 

BooST : relier sémantique et mouvements pour un transfert de compétences efficace

BooST (Bridging Semantics and Motions for Efficient Skill Transfer) est une nouvelle méthode de transfert de compétences pour robots, publiée sur arXiv en août 2026 sous la référence 2608.10600v1, non encore relue par les pairs. Le framework agit en deux temps : un VQ-VAE cross-modal encode ensemble l'intention sémantique d'une tâche (le « quoi ») et sa dynamique motrice (le « comment ») dans une représentation unifiée des compétences apprises, puis la distille dans une politique légère pour une adaptation rapide à de nouvelles tâches.

RecherchePaper
1 source
Apprentissage par démonstration pour l'alimentation robotisée avec des primitives de mouvement dynamiques
Illustration générée par IA
3arXiv cs.RO 

Apprentissage par démonstration pour l'alimentation robotisée avec des primitives de mouvement dynamiques

Des chercheurs proposent un cadre d'alimentation robotisée par démonstration, publié sur arXiv (2610.31020v1), qui chaîne capture de mouvement, planification par Dynamic Movement Primitives (DMP), perception RGB-D et commande robot. Un opérateur humain exécute d'abord les gestes de prélèvement (« scooping ») et d'alimentation, tandis qu'un système de motion capture enregistre la position et l'orientation en angles d'Euler de la cuillère. La trajectoire est découpée en deux segments, chacun encodé par une DMP distincte. Avant l'exécution, une caméra RGB-D estime la position de la bouche du participant, et deux AprilTags servent au recalage du repère robot et à la localisation du plateau. La pose du plateau place le geste de prélèvement, la position de la bouche fixe l'objectif du geste d'alimentation.

RecherchePaper
1 source
HJ-SafeDMP : primitives de mouvement dynamiques guidées par Hamilton-Jacobi pour la sécurité certifiée du robot
Illustration générée par IA
4arXiv cs.RO 

HJ-SafeDMP : primitives de mouvement dynamiques guidées par Hamilton-Jacobi pour la sécurité certifiée du robot

Une équipe de chercheurs a publié sur arXiv (2506.28995) HJ-SafeDMP, un cadre algorithmique qui combine Dynamic Movement Primitives (DMP) et analyse de joignabilité Hamilton-Jacobi (HJ) pour garantir formellement la sécurité des trajectoires d'un robot. Les DMP assurent stabilité inhérente et généralisation de trajectoire depuis une seule démonstration humaine, mais sans certificat de sécurité formelle. HJ-SafeDMP apprend hors ligne une Control Barrier Value Function (CBVF) via une récursion HJ model-free à différences finies, puis la déploie comme filtre de sécurité en temps réel avec une loi de contrôle en forme fermée, sans résoudre de programme quadratique en ligne, contrairement aux approches CBF-QP classiques.

UEContribution indirectement pertinente pour les équipes R&D cobot européennes travaillant sur la certification de sécurité fonctionnelle (ISO 10218, AI Act), mais aucun acteur FR/EU impliqué et aucun déploiement industriel annoncé.

RecherchePaper
1 source