Aller au contenu principal
AIM : réseaux de modélisation adaptative des interactions pour la simulation de corps mous du réel vers la simulationIllustration générée par IA
RecherchearXiv cs.RO 

AIM : réseaux de modélisation adaptative des interactions pour la simulation de corps mous du réel vers la simulation

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 AIM (Adaptive Interaction Modeling), un cadre de simulation de corps mous « real-to-sim » qui reconstruit à partir d'observations réelles un simulateur capable de prédire la déformation d'un objet soumis à des interactions externes. Le papier, publié sur arXiv (2610.07116), traite la simulation comme un problème de modélisation d'interactions locales et globales. AIM adapte les relations entre particules à partir de l'historique de mouvement et de la géométrie, en combinant les voisins spatiaux courants et des connexions conservées. Une communication globale conditionnée par la géométrie coordonne la réponse de l'objet entier. Une interface unifiée de points de contrôle cinématiques représente différentes configurations de manipulation, et une supervision autorégressive multi-pas entraîne le modèle sur ses propres trajectoires prédites. Sur les bancs d'essai PhysTwin et PGND, les auteurs rapportent une réduction de 20,0 % de l'erreur de suivi en prédiction future par rapport à PhysTwin, et de 22,8 % de l'erreur moyenne de particules à long horizon sur six catégories d'objets par rapport à PGND.

L'enjeu touche la manipulation d'objets déformables (pliage de linge, manipulation d'aliments), où le robot doit contrôler la forme autant que la position. Un simulateur prédictif fiable permet de planifier ou d'entraîner des politiques sans multiplier les essais physiques. Le papier cible deux faiblesses connues. D'une part, le voisinage spatial peut mal représenter les dépendances de déformation, et les erreurs locales s'accumulent au fil des prédictions. D'autre part, les modèles ajustés scène par scène généralisent mal aux changements de géométrie ou de conditions de manipulation. Les auteurs affirment un transfert entre actions, instances d'objets et scènes, y compris un transfert zero-shot d'interactions robotiques vers la manipulation humaine, sans ajustement de la dynamique sur le domaine cible. Ces résultats restent des mesures de laboratoire sur des benchmarks de reconstruction. Ils ne disent rien sur un déploiement industriel, sur le coût de calcul ni sur la vitesse d'inférence, et aucun gain n'est chiffré en tâche robotique de bout en bout.

AIM se situe dans la lignée des jumeaux numériques physiques appris à partir de vidéo. PhysTwin reconstruit des objets déformables à partir d'observations éparses, tandis que PGND s'appuie sur des dynamiques neuronales fondées sur les particules. Les deux servent ici de références. L'approche répond à la limite des modèles ajustés à une scène unique, qui peinent dès que l'objet ou la manipulation change. Le papier est une prépublication v1, sans relecture par les pairs, et il ne mentionne ni code, ni partenaire industriel, ni calendrier de pilote. La suite logique est une validation sur robot réel en boucle fermée, avec des objets plus variés et des contraintes de temps réel. Ces conditions décideront si ce type de simulateur sert la planification de manipulation ou reste un outil de prédiction hors ligne.

Dans nos dossiers

À lire aussi

SoMA : un simulateur neuronal réel-vers-simulation pour la manipulation robotique de corps mous
Illustration générée par IA
1arXiv cs.RO 

SoMA : un simulateur neuronal réel-vers-simulation pour la manipulation robotique de corps mous

SoMA, un simulateur neuronal de type "real-to-sim" pour la manipulation robotique d'objets déformables, vient d'être présenté dans un article arXiv (référence 2602.02402v2, version révisée). Le système s'appuie sur des Gaussian Splats 3D pour modéliser les dynamiques d'objets souples (tissus, matériaux déformables) en couplant trois éléments dans un espace latent neuronal unifié : la dynamique de déformation propre à l'objet, les forces environnementales, et les actions des articulations du robot. Contrairement aux simulateurs existants qui reposent soit sur des modèles physiques prédéfinis, soit sur des dynamiques apprises à partir de données mais sans conditionnement par les commandes du robot, SoMA intègre directement le contrôle robotique dans sa boucle de simulation.

RecherchePaper
1 source
Adaptation simulation-réel en ligne par modélisation du système en boucle fermée
Illustration générée par IA
2arXiv cs.RO 

Adaptation simulation-réel en ligne par modélisation du système en boucle fermée

Des chercheurs du General Robotics Lab ont publié en septembre 2026 sur arXiv un article décrivant OSRAM (Online Sim-to-Real Adaptation via Closed-Loop System Modeling), une méthode qui corrige les écarts de précision entre simulation et robot réel sans réentraîner la politique de contrôle. Le problème visé est connu : un contrôleur entraîné en simulation reste souvent stable une fois déployé sur le matériel, mais son suivi de trajectoire se dégrade à cause d'un décalage résiduel entre la dynamique simulée et la dynamique physique réelle. Plutôt que de modifier la politique de contrôle elle-même, OSRAM ajuste les commandes de référence envoyées à cette politique, en modélisant l'ensemble robot plus contrôleur comme un système dynamique en boucle fermée unique.

RecherchePaper
1 source
SocioGesture : perception adaptative en temps réel des gestes sociaux pour l'interaction homme-robot
Illustration générée par IA
3arXiv cs.RO 

SocioGesture : perception adaptative en temps réel des gestes sociaux pour l'interaction homme-robot

Des chercheurs présentent SocioGesture, un système de perception gestuelle sociale conçu pour l'interaction humain-robot en temps réel, décrit dans un article publié sur arXiv le 4 septembre 2026 (arXiv:2609.04545v1). L'objectif est de faire reconnaître à un robot non seulement des commandes explicites, mais aussi des signaux sociaux comme une invitation, un refus ou un signe d'indisponibilité, à partir de capteurs embarqués imparfaits, sujets aux occlusions partielles et aux changements de point de vue. Le système repose sur une représentation compacte du squelette corps-mains avec score de confiance, couplée à un modèle léger à deux flux qui fusionne le mouvement du corps et l'articulation des mains pour une reconnaissance à faible latence directement sur le robot.

RecherchePaper
1 source
EIDA : adaptation de la dynamique d'exécution et d'interface pour la navigation de robots, du réel à la simulation puis au réel
Illustration générée par IA
4arXiv cs.RO 

EIDA : adaptation de la dynamique d'exécution et d'interface pour la navigation de robots, du réel à la simulation puis au réel

Des chercheurs publient sur arXiv (2610.01219) EIDA, pour « Execution-Interface Dynamics Adaptation », une méthode qui vise à réduire l'écart entre simulation et robot réel en navigation. Le problème ciblé est précis. Une politique apprise en simulation échoue souvent parce que les commandes de vitesse produisent, sur la plateforme réelle, un mouvement et un retour de vitesse différents de ceux modélisés à l'entraînement. EIDA ajuste ces réponses à partir de données d'exécution recueillies sur la plateforme cible, sans reconstruire la dynamique des actionneurs. Un premier modèle, qui prédit les incréments de pose dans le repère du corps, met à jour la géométrie du simulateur.

RecherchePaper
1 source