Des courbes biologiques aux robots souples modulaires : conception inverse par apprentissage avec raffinement guidé par l'incertitude

Une équipe de recherche publie sur arXiv (octobre 2026) un cadre d'apprentissage « real-to-sim-to-real » qui convertit des courbes biologiques, comme l'ondulation d'une anguille ou l'arche d'une chenille arpenteuse, en configurations de robots souples modulaires entraînés par câbles. Un modèle direct de substitution (surrogate) prédit la déformation en 0,0008 ms au lieu de 153 secondes pour la simulation physique, soit un gain d'environ 1,9 × 10⁸. La conception inverse tombe d'environ 33 minutes (1,99 × 10⁶ ms) à 4,18 ms. Le système associe une prédiction inverse apprise à une exploration ciblée de candidats, que le surrogate évalue pour retenir les meilleurs. Sur 5 000 échantillons de test issus de schémas de « threading » (le tracé des câbles) jamais vus, le taux de reconstruction de forme atteint 93 %. Quatre robots bio-inspirés ont été réalisés comme démonstrations physiques.

Le verrou levé est celui de la conception inverse. Jusqu'ici, ces robots exigeaient une modélisation physique coûteuse et une recherche combinatoire, ce qui interdisait d'explorer de nombreuses formes cibles. Passer de dizaines de minutes à quelques millisecondes ouvre la conception interactive, voire l'optimisation en boucle. Il faut toutefois lire les chiffres avec prudence. Le 93 % est mesuré par le surrogate lui-même, pas sur du matériel. L'écart entre simulation et réalité reste donc non quantifié, et quatre démonstrations ne constituent pas une validation statistique. Le facteur de 10⁸ compare un réseau de neurones à un simulateur lent, pas à un solveur optimisé. Il n'existe ni produit ni déploiement, seulement un résultat de laboratoire.

Ce travail s'inscrit dans la robotique souple modulaire, où la conception reposait sur la simulation par éléments finis ou la mécanique de type Cosserat, précise mais lente. Il rejoint la tendance qui remplace les solveurs par des surrogates appris, déjà répandue en conception de matériaux et en contrôle de robots continus. Le raffinement guidé par l'incertitude vise à corriger les prédictions peu fiables, point faible habituel de cette approche. Les prochaines étapes logiques sont une validation sur matériel avec mesure d'erreur, des morphologies plus riches et la tolérance aux imperfections de fabrication. Aucun partenaire industriel ni calendrier n'est annoncé.