Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

Quelle fermeté doit avoir une saisie ?

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

Une équipe de chercheurs propose, dans un preprint arXiv (2610.11221), une méthode visuotactile qui estime en temps réel les propriétés matérielles d'un objet pendant la saisie (masse, élasticité, frottement de surface) afin d'en déduire la force de préhension minimale nécessaire pour le manipuler sans l'endommager. Le modèle d'estimation de force est construit en simulation, à partir d'un nouveau jeu de données d'objets réels, des fruits et des légumes, dont la forme, la masse, l'élasticité et le frottement ont été mesurés physiquement. La validation expérimentale a été menée avec un robot équipé d'une pince parallèle à deux mâchoires. Selon les auteurs, le système saisit délicatement des objets très variés en adaptant la force à chaque cas. Le résumé ne chiffre ni taux de réussite, ni nombre d'objets testés, ni force moyenne appliquée, ni temps de cycle, et ne cite aucun partenaire industriel.

L'enjeu est très concret pour la manutention de produits frais, de l'agroalimentaire à la logistique de e-commerce. Aujourd'hui, la plupart des pinces industrielles appliquent une force fixe, réglée à la main pour une référence donnée, ou une force surdimensionnée par prudence. La première approche exige une reprogrammation à chaque changement de produit, la seconde abîme les denrées fragiles. Une estimation en ligne des propriétés, sans connaissance préalable de l'objet, s'attaque à ce goulot d'étranglement pour les cellules de picking à fort mélange de références. Le travail rappelle aussi que la dextérité ne se résume pas à la planification de trajectoire ou aux politiques VLA (vision-langage-action) : le contrôle de la force de contact reste un maillon faible. Il faut toutefois relativiser. Il s'agit d'un preprint non évalué par les pairs, testé sur des produits dont les propriétés varient peu d'une pièce à l'autre. Rien n'indique encore une tenue face à des emballages, des objets déformables complexes ou des cadences industrielles, ni un gain mesuré face à une pince à régulation de force classique.

Ce travail s'inscrit dans une longue lignée de recherches sur le toucher robotique. Les capteurs visuotactiles à base de gel, de type GelSight, ont rendu la mesure du contact bon marché et riche en information. Les approches de préhension adaptative reposaient jusqu'ici surtout sur la détection de glissement, qui corrige la force après coup, alors que cette méthode vise à estimer les propriétés avant ou pendant la saisie. Côté industrie, des acteurs comme Soft Robotics, OnRobot ou Robotiq proposent des pinces à retour d'effort ou des mains souples, tandis que les fabricants d'humanoïdes misent sur des mains à retour tactile. Les prochaines étapes à surveiller sont la publication du jeu de données et du code, des essais sur des catégories d'objets plus larges et un transfert vers des pinces commerciales. Aucun calendrier de pilote n'est annoncé.

Dans nos dossiers

IA physique & VLAarXiv cs.RO

À lire aussi

MoDex : une politique de diffusion pour la saisie dextérique séquentielle multi-objet
1arXiv cs.RO 

MoDex : une politique de diffusion pour la saisie dextérique séquentielle multi-objet

Des chercheurs ont publié MoDex, une politique de diffusion conçue pour saisir séquentiellement plusieurs objets avec une seule main robotique dextère, sans relâcher ceux déjà tenus. Le système, présenté dans un preprint arXiv (2606.05407), a été évalué sur un bras Franka Emika Panda équipé d'une main Allegro à 16 degrés de liberté, en simulation MuJoCo et sur plateforme physique réelle. MoDex prédit la prochaine pose du préhenseur directement depuis les observations, conditionnée sur un nuage de points 3D et un espace dit "d'opposition" qui détermine quels doigts participent à la saisie courante. Ce mécanisme permet de n'utiliser qu'un sous-ensemble des DOF disponibles pour l'objet en cours, en réservant le reste pour les saisies suivantes. L'entraînement se déroule en deux phases : d'abord par imitation learning sur des démonstrations expertes, puis par fine-tuning par renforcement (RL), qui améliore systématiquement les taux de succès. En simulation, MoDex surpasse les baselines d'apprentissage évalués de 2,92 à 17,92 % ; en conditions réelles, le gain s'établit entre 6,67 et 17,78 %. L'enjeu technique est significatif : la quasi-totalité des méthodes de saisie dextère existantes mobilisent l'intégralité des DOF de la main pour chaque objet, la rendant inutilisable pour une prise successive sans reposer les objets intermédiaires. MoDex démontre qu'une politique de diffusion conditionnée sur l'espace d'opposition permet de résoudre ce problème de coordination des doigts avec des gains mesurables, y compris en transfert sim-to-réel. Le fait que le fine-tuning RL améliore systématiquement la politique pré-entraînée confirme l'intérêt de l'approche hybride imitation plus renforcement pour des tâches de manipulation complexe. Pour les intégrateurs industriels et les équipes de robotique, ce résultat suggère que des préhenseurs dextères multi-doigts peuvent être exploités de manière nettement plus efficace qu'aujourd'hui, notamment pour des tâches d'assemblage ou de tri où l'agent doit accumuler plusieurs pièces sans cycle de dépôt intermédiaire. Ce travail s'inscrit dans un champ de recherche actif autour de la manipulation dextère, où la main Allegro, commercialisée par Wonik Robotics, sert de plateforme de référence dans de nombreux laboratoires. Les approches concurrentes incluent des méthodes d'imitation pure comme DexGraspNet ou des politiques RL entraînées sur des saisies à un seul objet. Il s'agit d'un preprint académique sans partenaire industriel annoncé ni calendrier de déploiement. La page projet (modex2026.github.io) et le code sont disponibles, ce qui facilite la reproductibilité. La suite logique serait d'étendre l'évaluation à un plus grand nombre d'objets simultanés et à des géométries plus complexes, et de tester sur des plates-formes alternatives comme la Shadow Hand de Shadow Robot Company.

UELa plateforme Franka Emika Panda, d'origine allemande, est utilisée comme banc de test de référence, ce qui donne aux laboratoires européens un accès direct pour reproduire ces résultats, mais le travail reste académique sans partenariat industriel ou déploiement EU annoncé.

RecherchePaper
1 source
Manipulation non préhensile orientée saisie par apprentissage d'un champ de préhensibilité
2arXiv cs.RO 

Manipulation non préhensile orientée saisie par apprentissage d'un champ de préhensibilité

Une équipe de chercheurs a publié le 30 juin 2026 un preprint (arXiv:2606.30474) présentant une nouvelle approche de la manipulation non-préhensile orientée vers la saisie robotique. La manipulation non-préhensile désigne l'ensemble des techniques qui repositionnent un objet sans le saisir directement (poussée, glissement, basculement), typiquement utilisées comme étape préparatoire avant une prise ferme. L'innovation centrale est un "champ de saisissabilité" (graspability field) : au lieu de cibler une pose précise prédéfinie, le système apprend à mesurer, pour chaque configuration de l'objet, dans quelle mesure cette configuration est propice à une saisie réussie. Cette mesure scalaire dense sert de signal d'apprentissage pour un algorithme de renforcement (RL), et détermine automatiquement quand arrêter la phase de manipulation pour passer à la prise. Les expériences ont été conduites à la fois en simulation et sur un robot physique réel, confirmant que la politique apprise reconfigure fiablement les objets en états saisissables sans planificateur externe ni condition d'arrêt définie manuellement. L'intérêt industriel de cette approche réside dans l'élimination d'une contrainte longtemps considérée comme incontournable : la nécessité de spécifier a priori une pose cible pour l'objet. En pratique, un intégrateur robotique sait qu'un objet doit être saisi, mais pas toujours dans quelle orientation exacte. En reformulant le problème comme optimisation d'un objectif de saisissabilité, les auteurs obtiennent un pipeline fermé piloté par une seule politique, sans recours à un planificateur de mouvement séparé. La corrélation mesurée entre la distance de saisissabilité prédite et le taux de succès de saisie réelle est un résultat notable : elle indique que la représentation apprise capture effectivement la faisabilité de la prise, et pas seulement un comportement émergent de la simulation. La manipulation non-préhensile est un domaine de recherche classique en robotique, mais le couplage direct avec un objectif de saisissabilité apprend est une contribution plus récente, rendue possible par la maturité des méthodes RL appliquées à la manipulation. Ce travail s'inscrit dans une tendance plus large qui cherche à réduire le fossé simulation-réalité (sim-to-real gap) pour des tâches de manipulation fine, aux côtés d'approches comme les politiques de diffusion ou les architectures vision-langage-action (VLA). Aucune entreprise partenaire ni timeline de déploiement n'est mentionnée dans ce preprint purement académique. Les suites logiques incluent l'intégration de ce champ de saisissabilité dans des pipelines de manipulation industrielle multi-étapes et son couplage avec des modèles de fondation capables de raisonner sur des catégories d'objets variées.

RecherchePaper
1 source
Douceur avant tout : une pince robotique souple cueille les fruits mûrs sans les meurtrir
3Robohub 

Douceur avant tout : une pince robotique souple cueille les fruits mûrs sans les meurtrir

Des chercheurs du laboratoire Organic Robotics Lab de Cornell University, dirigé par Rob Shepherd, professeur de mécanique au Duffield College of Engineering, ont développé un préhenseur robotique souple capable de prédire la maturité de fruits au toucher et de les cueillir sans les endommager. Le système repose sur des capteurs fibre optique étirables intégrés dans les doigts du gripper : un capteur mesure la courbure du doigt lors de la saisie, un second mesure la pression à l'extrémité. Ensemble, ils permettent au robot d'estimer la forme de l'objet et d'ajuster sa prise en temps réel. Un mécanisme d'engrenage planétaire dans le poignet permet de faire pivoter le fruit pour le détacher en torsion, plutôt que de l'arracher, ce qui préserve la tige et le fruit. Une caméra embarquée dans la paume complète le dispositif pour détecter les fruits masqués par le feuillage. Les tests ont été réalisés sur des fraises, en partenariat avec Marvin Pritts, professeur d'horticulture au College of Agriculture and Life Sciences, spécialiste des méthodes de production durables pour les baies. Le modèle a été entraîné à corréler la rigidité mesurée par les capteurs avec le stade de maturité, puis validé par analyse colorimétrique visuelle. L'intérêt industriel de cette approche dépasse la fraise. Shepherd cite notamment l'avocat, l'ananas et le pawpaw, fruits dont la maturité est indétectable à l'oeil nu et qui résistent mal au transport ou à la mécanisation classique. Pour les intégrateurs en agri-tech, la combinaison sensorimotrice de ce gripper ouvre une voie concrète vers la récolte automatisée de fruits fragiles à haute valeur ajoutée, un segment aujourd'hui encore très dépendant de la main d'oeuvre humaine. La propriété clé du système est que les jauges de contrainte optiques partagent les mêmes propriétés mécaniques que la structure du doigt souple, ce qui élimine la discontinuité mécanique typique des capteurs rigides greffés sur des actionneurs mous. C'est un point de conception non trivial : les capteurs ne perturbent pas le comportement du préhenseur, ils en font partie intégrante. Le laboratoire Organic Robotics Lab travaille depuis plusieurs années sur l'extension des capteurs fibre optique étirables aux systèmes robotiques souples, après en avoir démontré le potentiel pour la proprioception et la perception tactile dynamique. La collaboration avec le département d'agriculture de Cornell marque une inflexion appliquée dans des travaux jusqu'ici majoritairement fondamentaux. Sur le plan concurrentiel, plusieurs acteurs se positionnent dans la récolte robotisée douce : Abundant Robotics (racheté), Tortuga AgTech, ou encore le projet Agrobot en Europe, mais la plupart s'appuient sur vision seule ou sur des capteurs de force rigides. L'originalité de Cornell réside dans l'intégration sensorielle mécano-optique dans la structure même du préhenseur. Le dispositif est au stade de prototype de recherche, aucun calendrier de commercialisation ni partenariat industriel n'a été annoncé à ce jour.

RecherchePaper
1 source
Sentir la charge : locomotion compliante de quadrupèdes face aux interactions avec une charge utile
4arXiv cs.RO 

Sentir la charge : locomotion compliante de quadrupèdes face aux interactions avec une charge utile

Des chercheurs proposent un cadre de locomotion sensible aux forces pour robot quadrupède, décrit dans un preprint arXiv (2610.08637v1), qui traite les interactions humaines avec une charge utile non fixée comme des commandes de pilotage. Le scénario visé est celui où une personne pousse ou tire l'objet transporté plutôt que le robot lui-même. Le contrôleur doit alors distinguer une intervention volontaire des mouvements ordinaires de la charge, tout en la gardant en équilibre et en conservant une marche stable. L'approche sépare l'apprentissage de la locomotion tenant compte des forces de celui de l'estimation des forces. Une politique de portage « compliante » est associée à un estimateur de force causal, entraîné par agrégation de données avec l'estimateur dans la boucle puis affiné (finetuning). L'estimateur prédit les interactions uniquement à partir des mesures embarquées du robot, sans capteur d'effort dédié sur la charge. Les auteurs rapportent des résultats en simulation et en conditions réelles : locomotion stable avec charge, cession compliante face aux forces extérieures, et réutilisation de la force inférée pour dévier la trajectoire sous guidage humain. L'intérêt tient au déplacement du problème. La plupart des travaux sur les quadrupèdes porteurs considèrent la charge comme une perturbation à rejeter, ou la fixent rigidement au châssis. Ici, la charge devient un canal d'interaction : l'opérateur peut guider le robot en saisissant l'objet, sans télécommande ni interface. Pour un intégrateur, cela ouvre des usages de logistique de site, de transport en inspection ou de cobotique mobile, où un opérateur doit corriger le robot dans un environnement partagé. Le choix de se passer de capteurs supplémentaires réduit aussi le coût et la fragilité matérielle. Il faut toutefois rester prudent : c'est un résultat de laboratoire, sans chiffres de charge maximale, de précision d'estimation ni de robustesse à des charges variées dans l'extrait disponible. La séparation entre politique et estimateur suggère une modularité utile, mais sa tenue hors du cadre expérimental reste à démontrer. Ce travail s'inscrit dans la lignée de l'apprentissage par renforcement pour la locomotion quadrupède, devenu standard pour la marche robuste, et des politiques « conscientes » de leur contexte qui estiment des grandeurs cachées (friction, masse, poussées) à partir de l'historique proprioceptif. Il prolonge aussi les recherches sur la compliance et l'interaction physique humain-robot, jusqu'ici surtout traitées avec des bras manipulateurs ou des robots à base fixe. Aucun produit, partenaire industriel ni calendrier de pilote n'est annoncé : il s'agit d'un preprint de recherche, non d'un système commercialisé ou déployé. Les suites probables concernent l'extension à des charges plus lourdes et plus variées, le passage à des plateformes industrielles et l'intégration avec des modèles de plus haut niveau, comme les VLA, pour combiner guidage physique et instructions de tâche.

RecherchePaper
1 source