RecherchePandaily 2 novembre 2026

CASIA ajoute le toucher au bout des doigts à l'insertion robotique : le taux de réussite à 0,05 mm de jeu passe de 52 % à 67 %

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs de l'Institut d'automatisation de l'Académie chinoise des sciences (CASIA), dans l'équipe de Long Cheng avec notamment Xinpan Meng, Houcheng Li et Zhenghua Ma, ont montré qu'un capteur tactile au bout des doigts améliore l'insertion de pièces dans des trous à très faible jeu. Les travaux, acceptés à IROS 2026 et publiés sur arXiv sous le titre « From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances », séparent la tâche en deux étapes. Une politique d'approche, entraînée par apprentissage par imitation (Diffusion Policy), saisit un pion placé aléatoirement et l'amène près du trou. Une politique d'apprentissage par renforcement de type Soft Actor-Critic réalise ensuite l'insertion et sait se rétablir après un échec en cours de contact. L'architecture est asymétrique : l'acteur s'appuie surtout sur la vision, pour rester léger au déploiement, tandis que le critique reçoit le retour tactile pour mieux évaluer les actions. Le banc d'essai associe un bras Franka Emika Panda à 7 DoF, un capteur tactile six axes PaXini PX-6AX GEN3 au bout du doigt, une caméra RealSense au poignet et une seconde pour la vue globale. Cinq formes de trou (carré, rond, hexagonal, en L, triangulaire) ont été testées avec des jeux de 1 mm, 0,25 mm et 0,05 mm. L'imitation seule atteint 76 % de réussite en moyenne à 1 mm, 24 % à 0,25 mm et 0 % à 0,05 mm. À 0,05 mm, l'imitation couplée au renforcement sans toucher réussit 52 % du temps ; avec le critique tactile et l'échantillonnage groupé, on passe à 67 %, avec un pic de force d'interaction réduit de 60 % et un pic de couple réduit de 44 %.

L'intérêt tient moins au gain de réussite qu'à l'endroit où le toucher est injecté. Le capteur n'est exploité que pendant l'entraînement, via le critique, alors que la politique déployée reste principalement visuelle. C'est un compromis pragmatique : l'insertion de précision souffre d'occlusions, car la pince et la pièce masquent la caméra au moment décisif, et la perception tactile coûte cher à embarquer et à calibrer. Le résultat suggère qu'on peut capter une partie de la valeur du tactile sans en faire une dépendance de production. La réduction des efforts de contact (-60 % de force, -44 % de couple) compte autant que le taux de réussite pour les intégrateurs, car elle ménage les pièces et les outillages. Il faut toutefois relativiser : 67 % reste très loin d'un seuil industriel, qui se situe plutôt au-delà de 99 %. Les tests portent sur un bras de laboratoire et des pions géométriques simples, dans un cadre de recherche, sans cadence ni durée d'exécution publiées, et les chiffres ne sont pas indépendamment reproduits. La méthode de ligne de base tactile, estimée après la saisie et avant le contact, répond en revanche à un vrai problème pratique : chaque prise laisse le capteur avec une lecture initiale différente.

Ce travail s'inscrit dans la montée en puissance des politiques de manipulation apprises, où l'imitation fournit un bon point de départ et le renforcement affine la phase de contact. Le capteur a été fourni dans le cadre d'une collaboration de recherche avec PaXini Tech, ce qui illustre l'essor des acteurs chinois du tactile multiaxe aux côtés des laboratoires qui les utilisent. La publication est un résultat académique, pas un produit ni un pilote : aucun déploiement n'est annoncé. Les suites logiques seront des essais sur des pièces industrielles réelles, avec des matériaux et des géométries moins idéalisés, ainsi qu'une validation sur d'autres bras et capteurs. La présentation à IROS 2026 permettra de voir si d'autres équipes reproduisent le gain à 0,05 mm, jeu où l'imitation seule échoue totalement.

Dans nos dossiers

ICRA / IROS / CoRL arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprentissage de la dynamique de contact par le toucher : réseaux de neurones sur graphes conditionnés par l'action pour l'insertion de tiges robotique

Une équipe de recherche publie sur arXiv (2509.12151, version 3) un modèle physique apprenable capable de prédire le mouvement de l'effecteur terminal d'un robot ainsi que la force et le couple de réaction lors de manipulations à contact riche. L'architecture représente l'effecteur et l'environnement comme des maillages en interaction organisés en graphe, et conditionne explicitement ses prédictions sur la commande de contrôle appliquée : elle prédit directement la mise à jour de pose au niveau de l'objet, tandis que le couple de réaction émerge d'un champ de force calculé par sommet du maillage. L'entraînement est auto-supervisé, à partir des seules données des encodeurs articulaires et du capteur de force-couple, pendant que le robot touche aléatoirement son environnement sans consigne de tâche. En simulation, ce modèle se transfère à une tâche d'insertion de pièce (peg insertion) sur des géométries concaves inédites : un agent de commande prédictive (MPC) qui l'utilise atteint jusqu'à 98% de taux de réussite, et après un réglage fin sur des données auto-collectées, il égale un agent planifiant avec la dynamique de référence au jeu le plus serré testé, 1 mm. Dans le monde réel, ce modèle surpasse un modèle MuJoCo calibré par identification de système classique de 45% en précision de position, et de 74% et 63% respectivement en erreur de force et de couple. L'enjeu dépasse la démonstration académique : l'insertion de pièces à tolérances serrées reste un point de blocage classique pour l'assemblage robotique de précision, car les simulateurs physiques standards peinent à modéliser fidèlement le frottement et la déformation de contact, ce qui creuse l'écart simulation-réel et oblige les intégrateurs à des campagnes coûteuses de calibration manuelle. En montrant qu'un modèle appris à partir de simples contacts aléatoires, sans démonstration de tâche, généralise à des géométries jamais vues et rivalise avec une dynamique de référence à 1 mm de clearance, ce travail suggère une voie pour réduire la dépendance à l'identification de système traditionnelle et améliorer la robustesse hors simulation, un enjeu direct pour les intégrateurs travaillant sur l'assemblage électronique ou mécanique fin. Les résultats restent toutefois circonscrits à une tâche unique testée en conditions contrôlées, avec une comparaison réelle limitée à un seul modèle de référence, et non à un déploiement industriel à l'échelle. Cette approche s'inscrit dans un courant de recherche appliquant les réseaux de neurones sur graphes à la simulation physique à base de maillages, et l'étend ici à la dynamique de contact robot-environnement conditionnée par l'action. Elle se distingue des politiques de bout en bout de type vision-langage-action, qui apprennent un comportement directement à partir de démonstrations massives et spécifiques à la tâche, en misant plutôt sur un modèle dynamique générique et réutilisable appris de façon indépendante de la tâche. Le principal point de comparaison méthodologique reste l'identification de système classique utilisée dans des moteurs comme MuJoCo, que ce travail cherche explicitement à dépasser sur la fidélité des forces de contact. Le fait que le papier en soit à sa troisième version sur arXiv signale des itérations après relecture, sans partenariat industriel, pilote ou calendrier de déploiement mentionné à ce stade ; les suites attendues porteraient sur l'extension à d'autres tâches d'assemblage à tolérances serrées et une validation sur davantage de plateformes robotiques réelles.

RecherchePaper

1 source

2arXiv cs.RO

Touch2Robot : le toucher robotique intégré à la boucle de démonstration humaine

Touch2Robot, un framework de collecte de démonstrations pour la manipulation robotique dextre, est présenté dans un preprint publié sur arXiv (arXiv:2609.24660v1, soumission nouvelle). Le système capture simultanément le mouvement de la main humaine, les mesures d'un gant tactile et le déplacement de l'objet manipulé, puis entraîne des politiques de renforcement spécifiques à chaque objet pour reproduire ce mouvement en privilégiant des contacts cohérents avec le toucher humain enregistré. Ces comportements sont distillés dans un retargeter temps réel unique qui convertit observations humaines et géométrie de l'objet en configurations pour la main du robot cible, dont le contact simulé est affiché au démonstrateur pendant la collecte. Sur quatre tâches réelles, le taux de réussite du rejeu sur robot passe de 37,9% avec un simple retour visuel à 72,1% avec Touch2Robot, tandis que le temps de collecte par démonstration réussie chute de 58,6 à 18,2 secondes. Les contacts reconstruits atteignent un score F1 de 44,2% face aux mesures tactiles réelles du robot, et des politiques de type Diffusion Policy entraînées sur ces données gagnent 29,1 points de pourcentage par rapport à l'approche purement visuelle. Ce travail s'attaque à un goulot d'étranglement connu de l'apprentissage par démonstration dextre: les données humaines sont faciles à collecter en volume mais leurs contacts ne se transposent pas toujours à une main robotique aux cinématiques différentes, alors que la téléopération directe sur le robot cible garantit un contact réaliste mais coûte cher en temps d'ingénieur et en usure matérielle. Touch2Robot propose une voie intermédiaire susceptible d'intéresser les équipes qui construisent des jeux de données pour des politiques vision-langage-action à grande échelle, en réduisant le coût par démonstration exploitable sans immobiliser en permanence le robot physique. Les chiffres restent toutefois ceux d'un cadre limité à quatre tâches et à un score de contact modeste (44,2% F1), ce qui invite à la prudence: il s'agit d'un résultat de recherche en preprint, non revu par les pairs, pas d'un produit ni d'un déploiement commercial. La démarche prolonge les méthodes de collecte par gants tactiles et capture de mouvement, alternative moins coûteuse que la téléopération robot mais qui bute historiquement sur l'écart d'incarnation entre main humaine et main robotique articulée. En rendant visible au démonstrateur, pendant l'enregistrement, le contact que la main cible établirait réellement avec l'objet, Touch2Robot cherche à combler cet écart sans sacrifier la scalabilité des démonstrations humaines. Le code et les ressources du projet sont annoncés sur la page Touch2Robot.github.io, sans partenariat industriel ni calendrier de production mentionnés à ce stade; les auteurs présentent leurs résultats comme une preuve que l'intégration du retour tactile robot dans la boucle de démonstration humaine améliore qualité et efficacité de la collecte, au-delà des seuls essais en laboratoire.

RecherchePaper

1 source

3arXiv cs.RO

Insertion robotique généralisable grâce aux modèles du monde

Une équipe de recherche décrit, dans un article publié sur arXiv en septembre 2026 sous le titre "Generalizable Robotic Insertion with World Models" (identifiant 2609.28258v1), un système d'insertion robotique généraliste construit autour d'un modèle du monde (world model) entraîné sur un seul réseau couvrant jusqu'à 90 tâches d'insertion différentes, portant sur des pièces aux géométries variées. Le modèle combine les données proprioceptives du bras robotique avec les images brutes issues d'une caméra montée sur le poignet. Sur des objets totalement inédits, dont la géométrie n'a jamais été vue pendant l'entraînement, le système atteint un taux de réussite de 56% en zero-shot, contre seulement 7% pour une base de référence model-free entraînée dans les mêmes conditions. Les chercheurs montrent aussi que la performance progresse à mesure que le nombre d'objets inclus dans le jeu d'entraînement augmente, signe d'une bonne scalabilité. Un fine-tuning du modèle généraliste sur des objets exclus de l'entraînement initial améliore par ailleurs nettement l'efficacité en données par rapport à un entraînement from scratch, et dépasse parfois ses performances asymptotiques. Ce résultat s'attaque à un goulot d'étranglement connu de l'assemblage robotique en forte mixité de références: les approches actuelles, même très performantes, reposent sur des politiques spécialisées entraînées pièce par pièce, ce qui rend le déploiement sur une nouvelle référence lent et coûteux en ingénierie. Un système capable de généraliser à des pièces jamais vues changerait potentiellement l'équation pour les intégrateurs et les lignes à forte variabilité, en réduisant le travail de reprogrammation à chaque changement de produit. Les auteurs présentent leur travail comme le premier système capable d'assembler des objets inédits de façon entièrement pilotée par les données, sans modélisation géométrique explicite préalable, ce qui alimente le débat sur la capacité réelle des architectures génériques à tenir la charge en manipulation fine, un terrain où l'écart entre démonstration et fiabilité industrielle reste habituellement large. Ce travail s'inscrit dans la tendance de fond de la robotique de manipulation, où la recherche cherche à remplacer les politiques spécialisées task-specific par des modèles généralistes transférables d'un objet ou d'une tâche à l'autre, dans la lignée des efforts en cours autour des architectures vision-langage-action. Il reste à ce stade un résultat de recherche publié en preprint, sans partenaire industriel cité, ni site de déploiement, ni calendrier de commercialisation: les auteurs parlent d'une étape significative vers des systèmes d'assemblage généralisables et scalables, formulation à lire comme un jalon scientifique plutôt qu'une annonce produit. Les suites attendues pour ce type d'approche sont l'extension à davantage de tâches et de géométries, ainsi qu'une validation en conditions de production réelles, où robustesse et temps de cycle devront être mesurés au-delà des benchmarks de laboratoire.

RecherchePaper

1 source

4arXiv cs.RO

Apprentissage robotique guidé par le toucher : des représentations aux modèles fondation

Une revue de littérature publiée sur arXiv (2610.20134, première version) propose de relire la manipulation robotique par le toucher sous un angle centré sur l'apprentissage, et non plus sur le matériel. Les auteurs structurent le domaine selon le rôle fonctionnel du toucher dans la chaîne d'apprentissage et de contrôle: apprentissage de représentations tactiles et de politiques, modèles de fondation tactiles, contrôle prédictif et adaptatif, puis généralisation entre objets, tâches, capteurs, morphologies de robots et transfert simulation-réel. Le texte ne rapporte ni nouveau robot, ni benchmark chiffré, ni déploiement industriel. Il s'agit d'une synthèse accompagnée d'une base de données publique des travaux recensés, accessible via un site dédié. L'intérêt pour les intégrateurs et les ingénieurs tient au constat que le toucher change de statut. Longtemps cantonné à la détection de contact et au contrôle réactif, il sert désormais à apprendre des représentations transférables, à conditionner des politiques de manipulation et à soutenir un raisonnement physique incarné. Les auteurs soulignent que les revues existantes se concentrent sur les capteurs et la perception, ce qui laisse sans synthèse le virage vers la manipulation tactile apprise. Ils identifient trois verrous: apprendre des représentations physiques réellement transférables, articuler le raisonnement sémantique (type VLA, modèles vision-langage-action) avec le contrôle fin au niveau du contact, et passer à l'échelle sur des données et des capteurs hétérogènes. Cette hétérogénéité des capteurs reste le point dur pour tout acteur qui voudrait déployer une politique tactile sur plusieurs plateformes. Il faut aussi noter qu'une revue décrit un état de la recherche, pas des performances démontrées en production. Ce travail s'inscrit dans la course aux modèles de fondation pour la robotique, où la vision et le langage dominent encore les grands modèles généralistes, tandis que le tactile demeure fragmenté entre capteurs optiques, magnétiques ou capacitifs et entre jeux de données peu compatibles. Les auteurs esquissent la suite: des modèles de fondation et des modèles du monde tactiles capables de prédire, raisonner et adapter les interactions physiques. Aucun calendrier ni pilote industriel n'est annoncé, ce qui place cette perspective au stade de la feuille de route académique. Pour les décideurs, la revue sert surtout de carte pour repérer quelles approches méritent un suivi avant d'éventuels transferts vers des mains dextres commerciales.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source