RecherchearXiv cs.RO 28 octobre 2026

Garder le contact : marges de frottement adaptatives à la tâche pour la manipulation bimanuelle non préhensile

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent, dans un preprint arXiv (2610.36961), une méthode de planification des forces pour maintenir le contact lors de manipulations bimanuelles non préhensiles, c'est-à-dire sans saisir l'objet, par exemple en le basculant autour d'un point d'appui de l'environnement. Le travail repose sur la « distance de friction signée », une mesure qui quantifie dans l'espace des forces la marge dont dispose chaque contact avant de glisser. Les auteurs en déduisent une marge adaptative, calculée à partir de la correction de force nécessaire pour compenser les écarts de moment autour du pivot pendant l'inclinaison. Ces marges sont intégrées à une séquence de programmes coniques du second ordre (SOCP), un par angle d'inclinaison, chacun donnant une solution de forces de contact globalement optimale. L'optimiseur équilibre l'objet autour du pivot tout en éloignant les forces des robots et du pivot de la frontière nominale du cône de friction. Des expériences réelles montrent une exécution réussie malgré des variations des propriétés de l'objet et des erreurs de modèle. Le résumé ne donne ni plateforme robotique, ni taux de réussite, ni nombre d'essais.

L'enjeu est pratique. Respecter le cône de friction est la condition minimale, mais une force juste à l'intérieur et une force bien à l'intérieur sont toutes deux « faisables » alors que leur robustesse au glissement ou à la perte de contact diffère fortement. En fixant la marge selon la sensibilité réelle de la tâche, plutôt qu'avec une valeur constante, l'approche cible l'écart entre modèle et réalité. Cet écart (masse mal estimée, frottement variable) fait souvent échouer les démonstrations en conditions réelles. Les comparaisons avec une marge fixe et sans marge indiquent que l'adaptation compte, mais il faut lire les chiffres du papier avant de conclure à un gain décisif. Pour un intégrateur, la manipulation non préhensile intéresse la logistique et la manutention de colis volumineux, où des bras sans préhenseur dédié peuvent déplacer des charges encombrantes. Le résultat reste un travail de recherche sur une tâche précise, et non un produit.

Ce travail s'inscrit dans la lignée de la planification de contacts par optimisation convexe, qui offre des garanties d'optimalité et une bonne interprétabilité, en contraste avec les politiques apprises de bout en bout de type VLA, plus généralistes mais moins explicables sur les marges de sécurité. Les auteurs mettent en avant des redistributions de forces lisibles lorsque les propriétés de l'objet changent, un argument utile pour la certification et le débogage industriels. Aucun partenaire industriel, calendrier de transfert ni pilote n'est annoncé, et une page projet (keeping-contact.github.io) accompagne la publication. Les suites naturelles seraient l'extension à d'autres tâches non préhensiles, une validation sur des objets plus variés et une combinaison avec des méthodes apprises pour estimer en ligne les propriétés de l'objet.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

VISTA : attention spatiale de contact inférée visuellement pour la manipulation à contacts riches

Un article arXiv publié fin août 2026 (2608.25872) présente VISTA-Policy, une méthode d'apprentissage par imitation pour la manipulation robotique en contact avec des objets. Plutôt que d'ajouter des capteurs tactiles ou de force, coûteux à calibrer et déployer, l'approche utilise le Visual Deformation Field (VDF), une représentation 3D des déformations d'un gripper compliant captée par caméra, comme signal de contact. Le système combine un module de décodage du VDF en temps réel, un mécanisme de débruitage isolant les vrais signaux de contact, et un réseau de politique pilotant des corrections incrémentales du gripper en boucle fermée. Il a été testé sur trois tâches, la préhension d'objets d'échelles variables, le dévissage de bouchons et l'écriture calligraphique, face à la référence vision pure 3D Diffusion Policy et à une référence tactile. L'enjeu dépasse la démonstration technique : en manipulation fine, la seule caméra peine à distinguer des états de contact subtils, notamment sous occlusion, tandis que les capteurs tactiles dédiés ajoutent du matériel, de la calibration et des coûts de déploiement. En montrant qu'un signal visuel dérivé de la déformation du gripper égale ou dépasse un capteur tactile physique, l'étude ouvre une voie moins coûteuse vers une manipulation généraliste en environnement non structuré. Les auteurs rapportent une généralisation à des objets d'échelles inédites et une robustesse à des perturbations dynamiques, deux points faibles fréquents des politiques vision seule. Pour des intégrateurs évaluant des piles VLA pour la préhension fine, cela suggère qu'un retour de contact riche est possible sans multiplier les capteurs embarqués. Le travail s'inscrit dans la tendance de l'apprentissage par imitation centré vision, où des politiques par diffusion comme 3D Diffusion Policy dominent mais restent limitées par l'ambiguïté des retours visuels purs ; la comparaison directe avec une référence tactile positionne VISTA-Policy comme alternative, plutôt que complément, aux capteurs de force dédiés. À ce stade, il s'agit d'une publication de recherche sur arXiv, pas d'un produit commercialisé : les résultats reposent sur des évaluations de laboratoire sur trois tâches, avec vidéos et matériel supplémentaire en ligne. Aucun calendrier de transfert industriel ni partenariat n'est communiqué.

RecherchePaper

1 source

2arXiv cs.RO

BiRoAD : apprentissage de représentations partagées et adaptatives par rôle pour la manipulation bimanuelle

Publiée en septembre 2026 sur arXiv sous la référence 2609.23445v1, BiRoAD (Bimanual Role-Adaptive Decomposition) est une méthode d'apprentissage par imitation pour robots à deux bras. Elle s'attaque à un défaut courant des politiques bimanuelles: celles-ci prédisent des actions dans des espaces fixes bras gauche et bras droit, sans indiquer comment un comportement doit changer quand les rôles s'échangent selon la scène, alors que les démonstrations d'entraînement sont souvent déséquilibrées entre rôles. BiRoAD décompose les représentations de trajectoire en une composante symétrique, qui capture la coordination invariante entre les deux bras, et une composante antisymétrique, propre à chaque rôle, recombinées ensuite en mises à jour résiduelles des représentations d'origine. Le module ne modifie ni les entrées de la politique ni l'objectif d'apprentissage par imitation, et se passe d'étiquetage manuel des rôles. Le problème visé est concret: un opérateur humain privilégie souvent un bras pour une sous-tâche donnée, et les politiques bimanuelles classiques généralisent mal quand un objet apparaît du côté opposé à celui majoritairement vu à l'entraînement, un cas fréquent hors environnement contrôlé. En se greffant sur des politiques déjà entraînées plutôt qu'en exigeant une nouvelle architecture, BiRoAD propose une correction peu coûteuse pour les équipes qui entraînent des robots humanoïdes ou des bras doubles fixes. Les auteurs rapportent des gains de robustesse par rapport aux politiques de base, particulièrement marqués sur les configurations de rôles sous-représentées, un enjeu directement lié à l'écart entre performance en démonstration et généralisation réelle qui préoccupe tout le secteur des politiques de manipulation apprises. Le travail s'inscrit dans la recherche sur l'apprentissage par imitation bimanuelle, où la paramétrisation bras gauche/bras droit hérite directement des interfaces de téléopération sans mécanisme dédié à l'échange de rôles. BiRoAD est présenté comme un module additionnel comparé à des politiques de base, et non comme une architecture concurrente autonome. L'article, classé comme nouvelle soumission arXiv, ne précise ni la plateforme robotique utilisée pour les évaluations ni la disponibilité d'un code source: il s'agit pour l'instant d'une contribution méthodologique, à un stade de recherche, plutôt que d'un système prêt à être déployé.

RecherchePaper

1 source

3arXiv cs.RO

Quel est le meilleur curriculum : façonner le comportement de préhension guidé par un contrôleur pour la manipulation sensible à la force de contact

La manipulation d'objets fragiles où des forces de contact inférieures au newton peuvent causer des dommages irréversibles pose un problème spécifique pour l'apprentissage de politiques robotiques, selon un article publié sur arXiv (2609.25887v1). Les chercheurs montrent que le goulot d'étranglement ne se situe pas dans la politique elle-même mais en amont, lors de la collecte des démonstrations : le contrôle manuel d'une pince est trop lent et trop grossier pour maintenir la fenêtre de force étroite nécessaire à une prise stable. Leur solution consiste à utiliser un contrôleur réflexe tactile déterministe fonctionnant à 25 Hz comme "professeur" au moment de la collecte de données, produisant des démonstrations façonnées par ce contrôleur pour entraîner ensuite des politiques sans capteur tactile. Sur l'architecture Action Chunking with Transformers (ACT), les politiques entraînées sur ces démonstrations reproduisent le profil de prise du contrôleur et atteignent 95% de prises stables sur une tâche de référence avec une tasse en plastique, un net progrès par rapport aux démonstrations manuelles simplement filtrées visuellement. Le même principe améliore aussi la stabilité en distribution du modèle π0.5 et montre une tendance encourageante sur une variante non vue, une tasse en papier. Ce travail nuance une hypothèse répandue dans la robotique manipulatrice actuelle, celle selon laquelle intégrer le tactile directement comme entrée de politique serait la voie naturelle vers une manipulation fine. Il propose à la place de réserver le tactile au moment de la collecte, comme enseignant qui façonne le comportement démontré, une distinction utile pour les équipes qui conçoivent des pipelines de téléopération et d'annotation pour des tâches sensibles à la force. Mais l'étude révèle aussi une limite nette : sous perturbation externe aléatoire, la politique π0.5 entraînée sur données réflexes échoue tout de même dans 45% des essais lorsqu'elle agit seule, alors qu'un arbitre réflexe activé au déploiement conserve toutes les prises. Autrement dit, le rejet de perturbations reste dépendant d'un contrôleur explicite, ce qui trace une frontière claire pour ce qu'une politique purement visuelle peut espérer accomplir sans capteur tactile embarqué. Le constat de départ, la lenteur et l'imprécision de la téléopération manuelle face à des contraintes de force strictes, s'inscrit dans la littérature existante sur l'apprentissage de politiques visuo-tactiles, où le signal tactile est généralement traité comme une entrée supplémentaire du modèle plutôt que comme un outil de collecte. En testant leur approche sur deux architectures différentes, ACT et π_0.5, les auteurs cherchent à généraliser leur conclusion au-delà d'un seul modèle. L'article ne mentionne ni déploiement industriel ni partenaire commercial ; il s'agit d'un travail de recherche méthodologique dont les suites logiques porteraient sur l'extension à d'autres objets fragiles et sur des stratégies hybrides combinant arbitrage réflexe et politique visuelle au moment de l'exécution.

RecherchePaper

1 source

4arXiv cs.RO

De la préhension à la dextérité : pré-entraînement à grande échelle pour la manipulation dextérique

Des chercheurs publient sur arXiv un nouveau papier intitulé "From Grasps to Dexterity: Large-Scale Grasp Pretraining for Dexterous Manipulation", qui s'attaque à un problème precis de la manipulation dextre robotique: utiliser un simple geste de préhension pour ensuite manipuler un outil articulé (actionner une gâchette, tourner une molette, ouvrir une pince) plutôt que de simplement le saisir et le poser. L'équipe construit un jeu de données de 355 000 trajectoires à partir d'annotations de préhension dextre à grande échelle, utilisé pour préentraîner un contrôleur bas niveau conditionné par objectif, lui-même piloté par un module haut niveau qui prédit les sous-objectifs de la main. Ce contrôleur est ensuite affiné sur des démonstrations spécifiques à chaque tâche. Pour évaluer l'approche, les auteurs introduisent DexCraft, un banc d'essai en simulation comportant six tâches d'usage d'outils articulés nécessitant une coordination fine des doigts. En conditions réelles, la méthode améliore le taux de réussite complet des tâches de 33,3 points de pourcentage par rapport à la référence DP3, et dépasse aussi les politiques de diffusion entraînées de bout en bout ainsi que les architectures hiérarchiques entraînées depuis zéro. L'intérêt pour l'industrie tient au fait que la plupart des grands jeux de données de préhension dextre existants n'avaient jusqu'ici servi qu'à générer des prises ou à faire du pick-and-place, une tâche relativement simple comparée à l'usage fonctionnel d'un outil, qui exige de maintenir le contact tout en actionnant une pièce mobile. Démontrer qu'un préentraînement sur des données de grasping generalise à ce type de manipulation contact-riche est un signal utile pour les équipes qui travaillent sur des mains robotiques multi-doigts, notamment dans le contexte des humanoïdes où la dextérité fine reste un goulot d'étranglement bien plus limitant que la locomotion. Cela va dans le sens d'une hypothèse défendue par plusieurs laboratoires: les grands corpus de démonstration, même génériques, peuvent servir de socle de préentraînement réutilisable plutôt que d'être collectés tâche par tâche. Ce travail s'inscrit dans la lignée des approches hiérarchiques d'apprentissage par imitation combinant planification haut niveau et contrôle bas niveau, un courant de recherche actif face aux politiques de diffusion de bout en bout comme DP3, utilisées ici comme référence de comparaison. Il s'agit à ce stade d'un résultat académique publié sur arXiv, testé en simulation via DexCraft et validé par des expériences réelles limitées, et non d'un système déployé commercialement. Les auteurs mettent à disposition des vidéos de démonstration sur leur page de projet, mais aucune date de mise en open source du code ni de partenariat industriel n'est mentionnée dans le résumé.

RecherchePaper

1 source