RecherchearXiv cs.RO 8 octobre 2026

SAFE : détection unifiée du glissement et de la rupture par capteur acoustique à bas coût pour la préhension robotique

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent SAFE, un système de détection de glissement et de rupture pour la préhension robotique, publié sur arXiv (2610.08802v1). Il repose sur deux capteurs acoustiques passifs en polyfluorure de vinylidène (PVDF), peu coûteux, montés sur une pince souple de type Fin Ray, et sur la proprioception du moteur (le retour interne de position et d'effort). Il n'utilise ni vision ni connaissance préalable du matériau. Un classifieur HistGradientBoosting unique reçoit un vecteur de 79 caractéristiques et renvoie l'un de trois états : normal, glissement ou rupture. En validation croisée « leave-one-grasp-out », où chaque prise est testée sans avoir été vue à l'entraînement, il atteint un Alert-F1 de 0,884, avec une confusion quasi nulle entre glissement et rupture. Des ablations montrent que le canal acoustique est indispensable. Le contrôleur de préhension adaptatif construit sur cette détection tourne à 104 Hz sur un Jetson Orin Nano. Il réussit 91,3 % de 46 essais robotiques en boucle fermée sur diverses catégories d'objets, et 82,4 % sur des objets inconnus à l'entraînement.

Pour les intégrateurs et les équipes de manipulation, l'intérêt tient à la détection d'événements que ni la vision ni les capteurs de force classiques ne saisissent bien. Une microfissure ou un glissement naissant produit une signature vibratoire que des capteurs piézoélectriques bon marché captent à haute fréquence. Le résultat le plus parlant est la comparaison avec les stratégies à force fixe : chacune tombe à 0 % de réussite sur les objets dont les propriétés ne correspondent pas à son réglage. Cela rappelle qu'une force de serrage prédéfinie ne généralise pas, alors que l'agroalimentaire, la logistique de produits variés ou la manipulation de verrerie exigent justement de la tolérance à l'inconnu. Le fait que le système fonctionne sans étalonnage par objet, sur du matériel embarqué d'entrée de gamme, abaisse aussi la barrière d'adoption. Il faut toutefois relativiser. Il s'agit d'un préprint, non évalué par les pairs. L'échantillon de 46 essais est modeste, et le taux de 82,4 % sur objets nouveaux laisse environ une prise sur cinq mal gérée, ce qui reste loin des exigences de production. Le papier ne détaille pas ici la diversité des objets ni la robustesse au bruit ambiant d'un atelier, deux points qui décideront de la transposition industrielle.

Ces travaux s'inscrivent dans la recherche sur le toucher robotique, où dominent les capteurs tactiles optiques de type GelSight ou DIGIT et les peaux à réseaux de pressions, souvent plus riches mais plus coûteux, plus fragiles et plus lourds en calcul. Les grands modèles de manipulation de type VLA (vision-langage-action), que développent Figure, Physical Intelligence ou Nvidia, restent surtout pilotés par la vision, et leur intégration d'un retour tactile haute fréquence demeure un chantier ouvert. SAFE propose une couche réflexe légère, qui pourrait se placer sous un tel modèle de haut niveau. Les prochaines étapes naturelles sont le test sur des pinces industrielles et des mains multi-doigts, la validation sur des cadences et un bruit réalistes, et la publication du code et des données pour permettre la reproduction. Aucun calendrier de pilote ni partenaire industriel n'est annoncé.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

IA physique & VLA Physical Intelligence — π0 arXiv cs.RO

À lire aussi

1arXiv cs.RO

MagCilia : un capteur tactile magnétociliaire compact à détection de force 3D pour la perception du contact et le retour de préhension

Des chercheurs ont présenté sur arXiv MagCilia, un capteur tactile magnétociliaire compact qui associe une structure flexible de cils magnétiques à un capteur à effet Hall pour mesurer les forces en trois dimensions (normale et tangentielles). Le dispositif a été analysé par éléments finis quasi statiques, afin de comprendre la déformation de la structure et la réponse magnétique sous charges multidirectionnelles. Comme les canaux magnétiques sont couplés, l'équipe propose une méthode de reconstruction appelée CHFR (causal history fusion regression), qui combine la mesure instantanée du champ magnétique et ses variations récentes. En validation croisée à cinq plis, groupée par enregistrement de calibration, l'erreur quadratique moyenne atteint 0,40 N sur Fx, 0,57 N sur Fy et 0,69 N sur Fz, pour des coefficients de détermination de 0,93, 0,90 et 0,92. Les tests robotiques montrent un ajustement de la pince guidé par la force tangentielle et un suivi de charge multiaxe sous perturbations extérieures. Les caractéristiques fréquentielles des forces reconstruites permettent de distinguer six catégories de surfaces avec 99,39 % de précision en validation croisée à trois plis, groupée par session d'acquisition. Une démonstration robotique en ligne a identifié les six surfaces testées. L'intérêt tient à la combinaison de trois fonctions dans une seule unité compacte : mesure de force 3D, retour de préhension et reconnaissance de texture. Pour un intégrateur, la capacité à détecter un glissement naissant via la force tangentielle, sans caméra, est utile dès que l'occlusion visuelle ou les reflets gênent la préhension. Le principe magnétique, avec un seul capteur Hall, laisse aussi espérer une électronique simple et un encombrement réduit par rapport aux capteurs optiques de type GelSight. Les chiffres demandent toutefois de la prudence. Une erreur de 0,4 à 0,7 N est correcte pour de la manipulation générale, mais elle reste élevée pour des objets fragiles ou des assemblages fins. Les 99,39 % portent sur seulement six surfaces, validées par sessions mais en conditions de laboratoire. Rien n'indique non plus la dérive dans le temps, l'hystérésis ni la durabilité des cils après de nombreux cycles de contact. Ce travail s'inscrit dans la course au toucher des mains robotiques, où le manque de perception tactile fiable freine encore le passage des démonstrations de VLA et de manipulation dextre à un déploiement réel. Les capteurs magnétiques (de type uSkin) et optiques (GelSight, DIGIT) occupent déjà ce terrain. MagCilia propose une alternative inspirée des cils biologiques. Il s'agit d'une prépublication v1, sans financement, partenaire industriel, prix ni calendrier de commercialisation annoncé, donc d'un résultat de recherche et non d'un produit. Les prochaines étapes à surveiller sont l'intégration sur des mains multidoigts, des essais sur des objets variés et déformables, la robustesse en cycles longs et une évaluation par des pairs.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

SlipSense : détection du glissement en temps réel pour robots à pattes par capteurs multimodaux

Des chercheurs ont publié SlipSense, un système de détection de glissement en ligne pour robots à pattes, présenté le 24 juin 2026 sur arXiv (2606.24350). Le cadre repose sur un pied sensorisé léger et personnalisé monté sur un quadrupède Unitree Go1, couplé à un modèle LSTM qui infère les forces de réaction au sol en temps réel. Le système détecte les glissements en phase initiale -- avant toute instabilité irréversible -- avec un déplacement moyen de 24,1 ± 6,4 mm, pour une précision globale de 85,9 %. Comparé à la baseline cinématique standard (vitesse du pied estimée par odométrie d'état), SlipSense offre une résolution de détection 3,3 fois plus fine et une amélioration relative de 24 % en précision. Les tests ont été réalisés sur terrains glissants en mode aveugle, c'est-à-dire sans caméra ni information extéroceptive. L'intérêt opérationnel est clair : les méthodes proprioceptives classiques ratent les micro-glissements précoces parce qu'elles mesurent des effets cinématiques qui n'apparaissent qu'une fois le glissement déjà engagé. SlipSense anticipe ce seuil en exploitant directement les forces d'interaction sol-pied, ce qui ouvre la voie à une adaptation de démarche en temps réel -- ajustement des contraintes du contrôleur, estimation du coefficient de friction local, modification de la posture avant la chute. Pour les intégrateurs qui déploient des quadrupèdes sur sols industriels humides ou extérieurs enneigés, c'est un signal précurseur exploitable là où les encodeurs seuls échouent. Le Unitree Go1 est l'un des quadrupèdes les plus accessibles du marché, ce qui confère à cette publication une portée pratique au-delà du laboratoire. Les approches concurrentes en détection de glissement s'appuient majoritairement sur des IMU, des modèles de contact analytiques ou des réseaux entraînés sur simulation -- le sim-to-real restant un obstacle connu. SlipSense fait le pari opposé : capteur physique dédié et entraînement sur données réelles. Les auteurs positionnent explicitement ces travaux comme fondation pour des contrôleurs adaptatifs force-aware à venir, avec comme prochaine étape naturelle l'estimation en ligne de la friction et l'intégration dans une boucle de commande locomotion complète.

RecherchePaper

1 source

3arXiv cs.RO

Classement pré-exécution conscient de l'exécution pour le placement robotique conditionné par la préhension

Un article publié en septembre 2026 sur arXiv (2609.19946) présente une méthode qui classe les couples prise-pose avant de lancer la planification de trajectoire, car une prise géométriquement valide peut rester inexécutable une fois prise en compte la pose finale de l'effecteur et le risque de collision pendant le transport. Le modèle associe un nuage de points conditionné par la cible à trois descripteurs de pose, avec des têtes hiérarchiques qui évaluent séparément la réussite de la planification puis celle de l'exécution. Sur un jeu de 30 objets et 1 235 scènes, avec des groupes de test disjoints de l'entraînement, le taux de réussite du candidat classé en tête (top-1) atteint 85,63% en sélection conjointe de la prise et de la pose, et 79,84% à cible fixée, contre 72,84% et 59,65% pour une planification exhaustive de référence via le moteur cuMotion. Transféré sans réentraînement spécifique sur un bras xArm7 piloté par MoveIt, le système réussit 13 des 27 cas testés de bout en bout (48,15%), et 13 des 16 cas ayant franchi le contrôle préalable top-5 (81,25%). Pour les intégrateurs de cellules de manipulation, ce travail cible un angle mort courant des pipelines de prise-dépose: la prise est souvent choisie pour sa seule stabilité, sans vérifier si la pose de dépôt qui en résulte reste exécutable par le bras. Classer les couples prise-pose avant de solliciter un planificateur coûteux comme cuMotion promet de réduire le temps de calcul et les échecs tardifs, un enjeu concret pour le bin-picking industriel et la logistique automatisée. L'écart entre le score académique, supérieur à 85% en top-1, et le taux de réussite réel de bout en bout, inférieur à 50% sur les cas verrouillés, rappelle que la fiabilité en conditions d'exécution reste un problème largement ouvert. Cette approche s'inscrit dans une tendance de la recherche en manipulation qui associe des modules de scoring appris à des planificateurs classiques comme cuMotion (NVIDIA) et MoveIt (ROS), plutôt que de confier la tâche à une politique de bout en bout. Publié en préprint sans affiliation industrielle ni partenariat annoncés, l'article reste un résultat de laboratoire, validé sur un jeu de données fermé et un bras de test, non un produit commercialisé.

RecherchePaper

1 source

4arXiv cs.RO

SID : glissement dans la distribution pour une manipulation robotique robuste à partir de peu de démonstrations

Des chercheurs ont présenté SID (Sliding into Distribution), un cadre structuré pour la manipulation robotique capable de généraliser à partir de seulement deux démonstrations humaines. Évalué sur six tâches réelles variées (saisies, manipulations d'objets), SID atteint environ 90 % de taux de succès dans des configurations hors-distribution (OOD), c'est-à-dire avec des poses d'objets, des points de vue ou des conditions d'éclairage non vus lors de l'entraînement. La dégradation reste inférieure à 10 % en présence de distracteurs visuels ou de perturbations physiques externes. Le système s'appuie sur deux composants clés : un champ de mouvement centré sur l'objet, appris depuis des démonstrations "canonicalisées" (normalisées en pose), et une politique d'exécution égocentrique légère entraînée par flow matching conditionné, complétée par une augmentation de données par reprojection de nuage de points cinématiquement cohérente. L'intérêt de SID tient à sa frugalité en données : là où les politiques visuomotrices end-to-end standard (type ACT, Diffusion Policy) réclament des dizaines à centaines de démonstrations, SID opère à deux. C'est un signal fort pour les intégrateurs industriels qui peinent à collecter des données en volume sur cellule réelle. Le mécanisme de correction distributional est particulièrement notable : le champ de mouvement génère de larges corrections quand le robot s'écarte de la trajectoire démontrée, puis s'annule naturellement à l'approche de la zone fiable, avant de passer la main à la politique locale. Ce découplage explicite entre récupération hors-distribution et exécution fine constitue une alternative architecturale aux approches purement régressives. Les résultats suggèrent que le "sim-to-real gap" n'est pas le seul problème à résoudre : gérer le glissement distributional en ligne, sans recollecte de données, est un levier sous-exploité. Cette publication s'inscrit dans une vague de travaux sur la manipulation à faible donnée qui cherchent à dépasser les limites des transformeurs d'actions (ACT, π0 de Physical Intelligence, GR00T N2 de NVIDIA) en introduisant des structures géométriques explicites plutôt que de tout apprendre de bout en bout. Le flow matching, popularisé ces deux dernières années comme alternative plus stable à la diffusion pour la génération de trajectoires, est ici combiné à une représentation canonique de l'objet, une approche qui rappelle les travaux sur les réseaux de catégorie neurale (NCF) ou les politiques basées sur des keypoints. Le papier ne mentionne pas de partenaires industriels ni de timeline de déploiement, et reste pour l'instant au stade de preuve de concept académique sur banc réel. Les prochaines étapes naturelles seraient une extension à des objets déformables et une validation sur des bras commerciaux (Franka, xArm) dans des environnements moins contrôlés que le labo.

RecherchePaper

1 source