RecherchearXiv cs.RO 9 octobre 2026

Actionneur pneumatique reconfigurable en tissu, avec modules de contrainte fixés par boutons pour un fonctionnement multimode

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs décrivent, dans un preprint arXiv (2610.11054v1), un actionneur pneumatique textile reconfigurable qui change de mode de mouvement sans être démonté ni refabriqué. Le dispositif repose sur un manchon textile à boutons, sur lequel on fixe des modules en tissu peu extensible. En repositionnant ces pièces de contrainte sur un seul corps d'actionneur, le système réalise quatre modes: expansion isotrope, contraction, flexion et torsion. Le changement se fait sans outil, rapidement, et les modules sont réutilisables. À 24 kPa, les auteurs mesurent un rapport d'élongation de 1,2, un angle de flexion maximal d'environ 60 degrés et une torsion d'environ 90 degrés, avec des forces de blocage supérieures à 10 N dans tous les modes. Un module de capteur tactile capacitif en tissu, qui se fixe n'importe où sur la surface, complète l'ensemble. Sa capacité augmente de façon monotone avec la force appliquée, avec une hystérésie d'environ 12 % et des réponses cycliques stables sous précharge. Les chercheurs ont aussi assemblé des bras robotiques souples à partir de plusieurs actionneurs et ont reconfiguré en cours d'utilisation le mouvement de saisie en changeant les motifs de contrainte.

L'intérêt est d'abord conceptuel. Dans la robotique souple, le mode d'actionnement est généralement figé à la conception, par la géométrie des chambres internes ou par des renforts. Toute évolution du besoin impose donc de refaire ou de démonter l'actionneur. Ici, la fonction passe du matériel interne à des accessoires externes interchangeables. Pour un intégrateur, cela ouvre la voie à des préhenseurs ou à des bras souples adaptables d'une tâche à l'autre avec un seul type d'actionneur, ce qui simplifie le stock et la maintenance. Il faut toutefois rester prudent. Les forces de blocage d'environ 10 N et la pression de 24 kPa placent clairement ce travail du côté de la manipulation d'objets légers, pas de la charge industrielle. Le résumé ne donne ni durée de vie en cycles de reconfiguration, ni vitesse de commutation chiffrée, ni comparaison directe avec des actionneurs à mode fixe. Une hystérésie de 12 % pour le capteur reste acceptable pour du contact qualitatif, mais moins pour de la mesure de force précise. Il s'agit d'une démonstration de laboratoire, sans pilote ni produit annoncé.

Ces travaux s'inscrivent dans la lignée des actionneurs pneumatiques textiles, des muscles de type McKibben et des robots souples portables ou d'assistance, où la légèreté et la sécurité au contact comptent plus que la puissance. Les approches concurrentes de reconfiguration passent par des chambres multiples commandées séparément, des structures à rigidité variable ou des actionneurs modulaires assemblés par blocs, souvent plus complexes à piloter ou à fabriquer. La suite logique serait d'automatiser le choix des motifs de contrainte, d'intégrer le capteur à une boucle de commande et d'évaluer la tenue en usage répété, en particulier pour des applications de préhension adaptative ou de dispositifs portables.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Méduse robotique actionnée par tendons à commande souple contrainte, avec contrôle de profondeur par apprentissage par renforcement

Une équipe de chercheurs présente un robot méduse sous-marin actionné par câbles (tendons), doté d'une actionnation souple contrainte combinant substrat flexible et contraintes discrètes. Chaque actionneur peut fléchir jusqu'à 150°, avec une relation quasi linéaire entre déplacement du câble et angle de flexion. Le robot embarque huit actionneurs pilotés par seulement quatre servomoteurs, ce qui lui permet de nager de façon stable, d'ajuster son attitude et de se retourner seul en cas de basculement (self-righting). Les chercheurs ont ensuite entraîné un contrôleur par apprentissage par renforcement pour réguler la profondeur en boucle fermée, validé à la fois en simulation et sur le prototype physique. Le travail a été publié sur arXiv (référence 2609.29132v1) le 25 septembre 2026 sous forme de preprint non encore relu par des pairs, sans précision sur les dimensions, le poids du robot, ni le lieu exact des essais physiques, vraisemblablement menés en bassin. L'enjeu technique visé est bien identifié dans la robotique souple sous-marine: les actionneurs mous permettent une grande déformation et une locomotion économe en énergie proche de celle des méduses réelles, mais leur comportement non linéaire les rend difficiles à contrôler précisément. En ajoutant des contraintes mécaniques discrètes au substrat flexible, les auteurs obtiennent une relation quasi linéaire entre commande et flexion, ce qui simplifie l'apprentissage d'un contrôleur par renforcement et transforme la régulation de profondeur en un comportement reproductible plutôt que purement qualitatif. Pour les concepteurs de robots sous-marins bio-inspirés et les équipes travaillant sur des véhicules autonomes compliants, la démonstration esquisse une voie intermédiaire entre actionneurs rigides faciles à piloter et actionneurs mous difficiles à modéliser, sans sacrifier la compliance qui fait l'intérêt biomimétique de la méduse. Ce travail s'inscrit dans un courant de recherche en robotique molle bio-inspirée qui explore depuis plusieurs années des robots méduses, poissons ou pieuvres actionnés par matériaux souples, pneumatique ou câbles, en concurrence avec des approches plus classiques d'AUV à hélices pour l'exploration sous-marine discrète et peu consommatrice d'énergie. Contrairement à de simples démonstrations mécaniques de nage, cette étude ajoute une couche de contrôle par renforcement, signe d'une volonté d'aller vers l'autonomie plutôt que la seule preuve de concept de mouvement. À ce stade, il s'agit d'un prototype de laboratoire et d'un preprint: aucun calendrier de test en mer, d'intégration dans une flotte ou de partenariat industriel n'est mentionné, et les auteurs présentent eux-mêmes leurs résultats comme une étape vers des robots méduses manœuvrables et autonomes, non comme un système finalisé.

RecherchePaper

1 source

2arXiv cs.RO

ARC : une méthode de raisonnement pour les modèles fondation en robotique

Des chercheurs proposent ARC, une méthode de raisonnement qui améliore sensiblement les performances « zero-shot » de modèles de fondation robotiques (RFM) existants, sans nouvelles démonstrations robot ni entraînement à grande échelle. Elle repose sur trois éléments. Le premier est une trace de raisonnement ancrée dans la prochaine action du robot, qui explique pourquoi l'action est appropriée et quel effet elle doit produire. Le deuxième est un pipeline d'étiquetage automatique, qui a permis de construire ARC-Trace-DROID à partir du jeu de données DROID existant, sans collecte de données robot supplémentaire. Le troisième est une stratégie d'adaptation propre à chaque architecture. Les auteurs l'appliquent au VLA π0.5 et au WAM (modèle d'action-monde) Cosmos3-Nano-Policy, avec un fine-tuning et une inférence ajustés à chacun. Les modèles adaptés établissent un nouvel état de l'art sur RoboLab-120 et MolmoSpaces, avec jusqu'à 50 points de pourcentage de gain sur RoboLab-Reasoning-50. Sur robots réels, le taux de succès de π0.5 progresse de 82,2 points de pourcentage. Ces résultats remettent en cause l'idée dominante selon laquelle la performance des RFM ne progresse qu'avec des modèles plus gros, davantage de démonstrations téléopérées et des budgets d'entraînement élevés. Si les chiffres tiennent, le raisonnement devient un levier complémentaire et bon marché pour les équipes qui disposent déjà d'un VLA, car il réutilise des données existantes au lieu d'en collecter de nouvelles. C'est un argument fort pour les intégrateurs et les décideurs B2B, pour qui le coût de la donnée robot reste le principal frein au passage à l'échelle. L'approche touche aussi un point faible des VLA actuels, leur faible généralisation à des tâches nouvelles décrites en langage. Quelques précautions s'imposent. Le gain de 82,2 points sur robots réels est mesuré sur la base de départ de π0.5, et l'article ne détaille pas ici le nombre de tâches, de plateformes ni d'essais. Le terme « sans précédent » vient des auteurs eux-mêmes. Le gain de 50 points concerne un benchmark de raisonnement conçu pour ce type d'évaluation, donc probablement favorable à la méthode. Enfin, on ne sait pas encore ce que la génération de traces ajoute en latence d'inférence, un paramètre décisif pour le contrôle en boucle fermée. ARC s'inscrit dans la tendance des VLA « avec raisonnement », qui font générer au modèle des étapes intermédiaires (sous-tâches, trajectoires, texte) avant d'agir. Elle prolonge les travaux autour de π0.5 de Physical Intelligence, entraîné sur de larges corpus hétérogènes, et du jeu de données DROID, devenu une base de référence en manipulation. L'usage d'un modèle d'action-monde comme Cosmos3-Nano-Policy, issu de l'écosystème Cosmos de NVIDIA, montre que la méthode vise plusieurs familles d'architectures et pas un seul modèle. Elle se positionne face aux approches qui misent sur l'échelle de données, comme GR00T chez NVIDIA ou Helix chez Figure. Il s'agit d'un travail académique publié sur arXiv (2610.12386v1), accompagné d'un site de projet. Il ne s'agit ni d'un produit ni d'un déploiement industriel. La suite logique serait une réplication indépendante, une évaluation sur d'autres robots et tâches longues, puis une mesure du coût en temps de calcul avant toute intégration dans des piles commerciales.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Mono-shot d'apprentissage multimodal par démonstration avec cartes élastiques à contrainte de force

Une équipe de robotique publie sur arXiv (2607.09515v1) une méthode d'apprentissage par démonstration capable d'encoder simultanément le mouvement et les forces de contact à partir d'une seule démonstration. Le système repose sur deux briques techniques : un algorithme de segmentation probabiliste multimodale qui pondère dynamiquement les signaux spatiaux et les signaux de force pour extraire automatiquement des primitives de mouvement conscientes du contact, et une extension de la représentation dite "elastic maps" intégrant des contraintes de force externes, résolue via une optimisation convexe pour produire des trajectoires cohérentes avec les forces démontrées. Les auteurs valident l'approche sur cinq tâches de manipulation réelles et deux configurations matérielles distinctes : un bras UR5e équipé d'une pince Robotiq 2f-85 avec capteur de force au poignet, et un Kinova Gen3 avec une pince Openhand Model O dotée de capteurs de force aux doigts. Les résultats montrent une segmentation multimodale robuste, une reproduction fidèle des profils de force, et une généralité constatée sur les deux plateformes. L'enjeu dépasse la curiosité académique. La plupart des méthodes de Learning from Demonstration actuelles ne modélisent que la trajectoire spatiale, ignorant les forces de contact, ce qui pose problème dès qu'un robot doit insérer, essuyer, polir ou assembler des pièces avec un contact physique contraint. Pour les intégrateurs industriels, cette lacune se traduit par des gestes appris en simulation ou en démonstration pure qui deviennent dangereux ou inconsistants une fois transposés à des tâches de contact réel. Une méthode qui apprend le bon profil de force dès la première démonstration, sans réglage manuel ni multiples essais, réduirait le coût de programmation des cobots pour des tâches d'assemblage fin, un frein connu à l'adoption du LfD en production. Le travail s'inscrit dans la lignée des elastic maps, une représentation déjà utilisée pour encoder des trajectoires à partir de démonstrations, ici étendue aux contraintes physiques plutôt que purement géométriques. Il se positionne comme alternative aux approches classiques de type DMP ou GMM/GMR, généralement limitées au domaine spatial. Aucun calendrier de transfert industriel n'est annoncé ; il s'agit à ce stade d'une validation en laboratoire sur bras collaboratifs standards du marché.

RecherchePaper

1 source

4arXiv cs.RO

Apprentissage par renforcement guidé par contraintes pour le contrôle en impédance variable dans l'insertion robotique à contacts multiples

Une équipe de recherche a publié en septembre 2026 sur arXiv (référence 2609.13516) CG-RL (Constraint-Grounded Reinforcement Learning), un contrôleur d'impédance variable pour l'insertion robotique en contact incertain, où la limite de force axiale tolérée et le gain adapté varient selon la tâche et imposent normalement un retuning manuel des contrôleurs classiques. La politique reçoit en entrée la limite de force et le retour de contact, produit un mouvement résiduel, un taux d'insertion et un gain demandé, que le contrôleur projette ensuite dans une plage admissible sans exposer cette plage à la politique elle-même. Testée en simulation sur une tâche d'insertion oblique, sur cinq graines d'entraînement, CG-RL atteint un taux de réussite de 85,8 % ± 7,7 % sans violation de la limite de force, contre seulement 50,1 % pour une référence à gain fixe réglée au point médian de la plage. Pour les intégrateurs travaillant sur l'assemblage à contact riche (connecteurs, pièces mécaniques), l'intérêt tient à la suppression du réglage manuel des gains d'impédance à chaque changement de tâche : une seule politique généralise à des limites de force inédites, y compris plus permissives que celles vues à l'entraînement, sans réentraînement. Privée de l'information sur la limite de force, la même politique ne montre pas cette adaptation continue, ce qui isole clairement l'apport du conditionnement par contrainte. Le gain reste garanti dans la plage admissible par construction du contrôleur, mais le respect effectif de la limite de force n'est validé qu'empiriquement, sans garantie formelle, une limite explicitement assumée par les auteurs. Le travail reste cantonné à la simulation, sans transfert démontré vers un robot physique : il s'agit d'une preuve de concept méthodologique, pas d'une solution prête pour l'usine. Le contrôle d'impédance reste depuis des décennies la référence pour la manipulation en contact, mais son réglage à gain fixe exige une expertise humaine propre à chaque tâche ; l'apprentissage par renforcement appliqué à l'impédance variable cherche depuis plusieurs années à automatiser ce réglage. CG-RL s'en distingue par une séparation explicite entre la politique apprise et la contrainte de sécurité, cette dernière étant appliquée par projection côté contrôleur plutôt qu'apprise par le réseau, ce qui garantit formellement l'admissibilité du gain sans garantir la satisfaction de la contrainte de force. L'article, classé comme nouvelle soumission arXiv sans partenaire industriel cité, appelle logiquement une validation sur robot réel et une extension à d'autres géométries d'insertion que le cas oblique testé ici.

RecherchePaper

1 source