IndustrielarXiv cs.RO 28 octobre 2026

Prédire l'élan, adapter la vitesse : insertion robotisée de tuyaux par vision stéréo apprise et apprentissage par renforcement résiduel

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs présente StabBot, un système robotique destiné à l'opération de « stabbing » en forage : l'insertion du pion (pin) d'un tube dans le manchon (box) du tube précédent, alors que le joint de tubage descendu dans le puits se balance depuis l'élévateur et heurte le guide fixe à la vitesse du balancement. StabBot prédit ce mouvement et rejoint le tube à sa propre vitesse. Un filtre de Kalman de pendule, réglé à partir de la tally (liste des longueurs de tubes), suit le joint en vision stéréo. Un bras six axes équipé d'une tête à rouleaux en V ouvert s'approche à vitesse appariée, confirme les derniers millimètres par le toucher, oriente le pion si l'élévateur est décentré, puis suit le bloc dans sa descente avec une compliance latérale. Un réseau de keypoints ResNet-18 localise tube, nez du pion et bouche du manchon en 3D, et une politique d'apprentissage par renforcement résiduel affine la capture. Sur 200 tâches aléatoires appariées, couvrant neuf diamètres du tubing 2-3/8 po au casing 20 po, StabBot a assemblé chaque joint sans que le tube touche autre chose que les rouleaux, contre 74 % pour un guide fixe classique. La vitesse médiane de contact passe de 18,4 à 2,3 cm/s et l'effort de crête médian de 11,3 à 1,4 kN, avec une force plus faible dans les 200 cas. Le réseau localise le tube avec 0,4 mm d'erreur médiane en 2,3 ms par paire stéréo.

L'intérêt tient à l'automatisation d'une tâche dangereuse et encore très manuelle sur les plateformes de forage, où les chocs entre pions et manchons endommagent les filetages et exposent les équipes. Réduire l'effort de crête d'un facteur huit environ vise directement ces dégâts, et la robustesse annoncée est notable : 100 % de réussite avec 20 mm de bruit ajouté, 300 ms de latence, 85 % de perte d'images, 20 mm de décalage de calibration, 20 cm de décalage d'élévateur et des balancements de 40 cm. La combinaison d'un modèle physique (filtre de Kalman) et d'une politique résiduelle apprise, plutôt qu'un apprentissage de bout en bout, est un schéma pragmatique pour l'industrie lourde. Il faut toutefois relativiser : tous les résultats proviennent de simulation, sans essai matériel, et le score de 100 % sur un simulateur que les auteurs ont eux-mêmes construit ne dit rien de l'écart sim-to-real, ni des conditions de terrain (houle, boue, éclairage, occlusions) ni de la fiabilité sur la durée.

Les résultats viennent d'un modèle MuJoCo à l'échelle de Froude 1:4, extrapolés à l'échelle réelle, ce qui constitue une hypothèse de similitude dynamique à valider. Le travail s'inscrit dans la tendance de la robotique de forage, déjà portée par des systèmes de manipulation de tubulaires sur les plateformes, qui automatisaient surtout la manutention sans traiter le balancement. La prochaine étape logique serait un banc d'essai à échelle réelle puis un pilote sur site, mais aucun calendrier ni partenaire industriel n'est annoncé. Aucun acteur français ou européen n'est cité.

À lire aussi

1arXiv cs.RO

SI-Diff : cadre d'apprentissage pour la recherche et l'insertion haute précision par diffusion dans le domaine des forces

Des chercheurs ont publié en mai 2025 sur arXiv (2605.12247) SI-Diff, un framework d'apprentissage par imitation qui traite dans un seul modèle les deux phases de l'assemblage de précision : la recherche de position (search) et l'insertion proprement dite (high-precision insertion). Le système repose sur une politique de diffusion opérant dans le domaine des forces, couplée à un mécanisme de conditionnement par mode qui permet au réseau de distinguer les deux comportements d'action sans changer de poids ni de modèle. Un policy enseignant (teacher policy) génère en amont des trajectoires diversifiées, dont les démonstrations réussies et efficaces servent à l'entraînement supervisé. À l'inférence, le modèle prend en entrée les retours tactiles et la vitesse de l'effecteur terminal pour produire les commandes motrices. Résultat clé annoncé : SI-Diff tolère des désalignements x-y allant jusqu'à 5 mm, contre 2 mm pour TacDiffusion, le baseline état de l'art, et démontre un transfert zéro-shot sur des géométries non vues à l'entraînement. Ce résultat mérite attention pour les intégrateurs industriels, car le principal frein au déploiement de l'assemblage robotisé de précision n'est pas la vitesse mais la robustesse aux incertitudes de pose, tolérances d'usinage, variabilité du picking, dérive thermique. Passer de 2 à 5 mm de tolérance sans recalibration ni modèle supplémentaire est un écart opérationnellement significatif sur une ligne de production réelle. Le choix du domaine force plutôt que vision pure pour la politique est aussi un signal : là où les VLA visuelles peinent sur les contacts sub-millimétrique, le retour tactile reste le vecteur le plus direct pour les tâches peg-in-hole. La transférabilité zéro-shot, si elle se confirme hors conditions de labo, réduit le coût de reconfiguration lors des changements de référence produit. Le paper se positionne explicitement contre TacDiffusion (2024), qui reste la référence académique sur l'insertion tactile par diffusion. Plus largement, il s'inscrit dans la vague des politiques de diffusion pour la manipulation de contact, popularisées notamment par les travaux de Physical Intelligence (Pi-0) et les frameworks ouverts issus de Columbia et Stanford. Le peg-in-hole est un benchmark historique de la robotique d'assemblage, présent depuis les travaux de Nevins et Whitney dans les années 1970, ce qui rend les comparaisons directes interprétables. Il s'agit pour l'instant d'un résultat de recherche (preprint, pas encore évalué en peer review), sans déploiement industriel annoncé ni partenariat commercial mentionné. Les prochaines étapes naturelles seraient une validation sur cellule d'assemblage réelle multi-référence et une comparaison avec des approches hybrides force-vision.

IndustrielPaper

1 source

2arXiv cs.RO

Un cadre d'apprentissage par renforcement neuromorphique pour la planification de chemin efficace dans les systèmes robotisés de préparation de commandes

Une équipe de chercheurs a publié sur arXiv (référence 2606.20031) le framework SDQN-RMFS, une chaîne de traitement complète qui associe apprentissage par renforcement et calcul neuromorphique pour la navigation de robots mobiles dans les systèmes d'exécution d'entrepôts (RMFS, Robotic Mobile Fulfillment Systems). Le pipeline fonctionne en deux temps : une politique est d'abord entraînée sur un réseau de neurones artificiel (ANN) classique, en pleine précision, via une stratégie d'entraînement autorisant les collisions afin de densifier les trajectoires informatives. Elle est ensuite convertie en réseau de neurones impulsionnels (SNN, Spiking Neural Network) grâce à une distillation de connaissance à labels durs (hard-label knowledge distillation), technique qui compense le décalage de distribution entre les deux architectures. Déployé sur puce neuromorphique, le système atteint jusqu'à 11 281 fois d'économies d'énergie par rapport à une baseline GPU haute performance, avec une réduction de latence de près de 2×, sans dégradation mesurable de la qualité de décision. Ces résultats sont significatifs pour quiconque opère un entrepôt automatisé à grande échelle : l'énergie consommée par les unités de calcul embarquées constitue un poste de coût non négligeable dès que la flotte dépasse quelques centaines d'AMR (autonomous mobile robots). La contribution technique principale est de démontrer, sur matériel réel et non en simulation, qu'une politique RL peut survivre à la conversion ANN-vers-SNN sans effondrement de performance, un point de friction longtemps considéré comme rédhibitoire pour le déploiement neuromorphique industriel. Le travail valide également l'approche sim-to-real dans un contexte d'entrepôt dense et dynamique, là où les méthodes classiques de planification de chemin (A*, règles heuristiques) peinent à répondre en temps réel sous contrainte de ressources. Les RMFS sont au coeur des entrepôts d'Amazon Robotics (issu de l'acquisition de Kiva Systems), de Geek+ ou d'Hai Robotics, mais aussi du français Exotec, dont le système Skypod mobilise des flottes de plusieurs milliers de robots. Le calcul neuromorphique mobilise des acteurs comme Intel (puce Loihi 2) et des laboratoires académiques européens autour de BrainScaleS. Ce preprint n'a pas encore été soumis à révision par les pairs, et les conditions exactes des expériences matérielles (type de puce, taille de l'entrepôt simulé, densité de flotte) mériteraient d'être précisées avant tout benchmark concurrentiel. Les prochaines étapes logiques seraient un pilote en entrepôt réel et une évaluation sur flottes hétérogènes.

UEExotec (Skypod) et les laboratoires européens autour de BrainScaleS sont directement concernés par cette avancée en calcul neuromorphique qui pourrait réduire drastiquement les coûts énergétiques des flottes AMR à grande échelle.

IndustrielOpinion

1 source

3arXiv cs.RO

Décision séquentielle par apprentissage multi-échelle pour la préparation de commandes en robotique de manutention

Des chercheurs ont publié en mai 2026 sur arXiv (référence 2605.08758) un framework de décision séquentielle baptisé OLSF-TRS, pour Omni-scale Learning-based Sequential Decision Framework for Tote-handling Robotic Systems. Ce système combine optimisation combinatoire structurée et apprentissage par renforcement multi-agent (MARL) pour coordonner simultanément les décisions liées aux commandes, aux bacs de manutention (totes) et aux robots dans les centres de préparation automatisés. En configuration petite échelle, OLSF-TRS affiche un écart d'optimalité moyen inférieur à 3,5% sur deux architectures système distinctes. En configuration grande échelle, il réduit les mouvements de bacs de 8 à 12% par rapport aux baselines heuristiques classiques, et de plus de 30% par rapport aux approches règle-based de l'état de l'art, tout en maintenant une réactivité en temps réel. L'enjeu concret pour les intégrateurs intralogistiques est significatif : la quasi-totalité des frameworks existants sont conçus sur mesure pour un type de système spécifique, tri-sorter, mini-load AS/RS ou AMR grid-based, ce qui rend tout transfert à un autre contexte laborieux. OLSF-TRS propose une couche de pilotage unifiée et scalable, potentiellement applicable à des architectures hétérogènes. La réduction de plus de 30% des mouvements de bacs se traduit directement en gains énergétiques, réduction de l'usure mécanique et meilleure stabilité du throughput, des KPIs centraux pour les COOs industriels. À noter cependant que les résultats reposent sur des simulations et benchmarks comparatifs sans déploiement terrain documenté, ce qui laisse entière la question du sim-to-real gap en production réelle. Ce travail s'inscrit dans une tendance structurelle de fond : la substitution des palettes par les bacs comme unité logistique primaire, portée par l'explosion du e-commerce et la fragmentation des commandes en petites séries. Des acteurs comme Exotec (France, système Skypod), AutoStore (Norvège) ou Geek+ (Chine) opèrent des déploiements massifs en grid-based robotics confrontés exactement à ces problèmes de coordination ordres-bacs-robots à grande échelle. La convergence entre optimisation combinatoire de type VRP et MARL est un champ de recherche en pleine effervescence, porté par des laboratoires industriels en Europe et en Asie. L'article ne mentionne ni partenariat industriel ni timeline de commercialisation, le positionnant comme une contribution académique précompétitive.

UEExotec (France, Skypod) et AutoStore (Norvège) opèrent des déploiements massifs confrontés exactement aux problèmes de coordination ordres-bacs-robots adressés par ce framework, en faisant une piste de R&D directement pertinente pour l'intralogistique européenne.

IndustrielPaper

1 source

4Robotics Business Review

Les avancées en prélèvement robotisé par caisse et à l'unité

Le 3 juin 2026 à midi (heure de New York), un webinaire gratuit réunit plusieurs acteurs de la logistique robotisée autour de la préhension automatisée de colis et d'unités individuelles (désignée dans l'industrie par "case and each picking"). La table ronde virtuelle rassemble Annie Bowlby, directrice produit et ingénierie chez RightHand Robotics, ancienne responsable produit chez Neurala et cheffe de produit chez Rockwell Automation ; Gina Chung, directrice stratégie chez Locus Robotics, qui revendique plus de 17 000 robots déployés sur plus de 360 sites dans le monde ; et Josh Cloer, directeur général de Nomagic pour l'Amérique du Nord, issu de Mujin et de Mobile Industrial Robots (MiR). Les sujets couverts incluent les avancées en manipulation robotique, le concept de "data flywheel" (boucle de rétroaction de données réelles pour affiner les modèles d'IA guidant la préhension), et la place future de la supervision humaine dans les opérations de fulfillment. L'automatisation du picking unitaire reste l'un des verrous les plus tenaces de la logistique entrepôt. Jusqu'à récemment, un opérateur humain surpassait les robots en vitesse et en précision pour manipuler des SKUs individuels ou des cartons de formats variés. Mais la pénurie de main-d'oeuvre, le coût croissant du travail, les blessures liées aux gestes répétitifs et la variabilité de productivité humaine ont accéléré l'adoption des solutions robotiques. Le webinaire aborde explicitement le défi des formes, matériaux et poids hétérogènes, principal obstacle à la généralisation de la préhension automatisée au-delà des environnements très normalisés. La notion de "data flywheel" est présentée comme le mécanisme clé permettant d'améliorer la robustesse en conditions réelles plutôt qu'en simulation contrôlée, sujet central du débat sim-to-real qui structure encore largement la recherche en manipulation robotique. L'émergence de ce segment reflète une consolidation progressive du marché. RightHand Robotics est positionné sur la préhension unitaire en entrepôt depuis plusieurs années, tandis que Locus Robotics, issu de la première vague d'AMR (robots mobiles autonomes), étend ses capacités vers la manipulation à valeur ajoutée. Nomagic, fondé en Europe et désormais en phase d'expansion nord-américaine, mise sur une approche dite de "physical AI" pour différencier ses solutions dans les opérations de fulfillment. Les concurrents directs dans cet espace incluent Covariant (intégré depuis par Amazon), Dexterity et, dans un registre plus industriel, Boston Dynamics. Il convient de noter que ce webinaire est un échange sectoriel et non un lancement produit ou une annonce de déploiement : aucune nouvelle solution ni chiffre de performance inédit ne sont présentés. La session sera disponible en rediffusion après la diffusion en direct du 3 juin.

IndustrielActu

1 source