Apprentissage de la dynamique des robots souples par exploration active

Des chercheurs ont mis au point un cadre d'exploration active, sensible à l'incertitude, qui apprend de façon autonome des modèles dynamiques de robots souples, sans les lier à une tâche précise. La méthode a été évaluée sur trois plateformes simulées (un bras continu, un poisson articulé évoluant dans un fluide et une jambe musculo-squelettique) puis sur un bras continu réel à actionnement pneumatique. Elle est comparée à deux références : l'exploration aléatoire et une approche spécifique à une tâche. Les auteurs annoncent une meilleure précision de modélisation, obtenue en collectant de façon ciblée les données les plus informatives. Le travail, publié sur arXiv (2510.27428, version 2 remplaçant la précédente), ne mentionne aucun chiffre de payload, de DOF, de temps de cycle ni de déploiement industriel dans son résumé.

Le gain de qualité du modèle se traduit par de meilleurs retours en contrôle zero-shot sur des tâches jamais vues, et par une performance robuste face au bruit de capteurs, aux retards d'actionnement et aux non-linéarités des matériaux. Pour les intégrateurs et les décideurs, l'enjeu est la modélisation, qui reste un des principaux freins à l'adoption des robots souples. Leur dynamique est compliante, de grande dimension et non linéaire, ce qui rend les modèles analytiques peu fiables et les démonstrations de tâche trop étroites pour généraliser. Un modèle appris une fois, indépendamment de la tâche, puis réutilisé pour piloter de nouveaux objectifs, réduirait le coût d'ingénierie par application. Il faut toutefois rester prudent : il s'agit d'un résultat de recherche. La validation physique se limite à un seul bras pneumatique, le reste étant en simulation, et le fossé entre simulation et réel n'est pas démontré comme résolu pour les trois autres morphologies. Les écarts de performance chiffrés ne figurent pas dans le résumé, ce qui empêche d'en juger l'ampleur.

Ces travaux s'inscrivent dans un contexte où les approches pilotées par les données dominent la robotique, mais butent sur deux écueils que les auteurs désignent : la dépendance à des démonstrations centrées sur une tâche, et l'inefficacité de l'exploration aléatoire dans des espaces d'états vastes. L'exploration guidée par l'incertitude, déjà connue en apprentissage par renforcement basé sur modèle, est ici appliquée aux systèmes souples, où la collecte de données réelles est lente et use le matériel. Le résumé ne cite ni concurrents nommés ni entreprises, et n'annonce ni pilote ni calendrier de transfert vers le produit. Les suites logiques seraient des essais sur davantage de plateformes physiques, des comparaisons avec d'autres méthodes d'exploration, et une évaluation sur des tâches de manipulation ou de locomotion plus exigeantes.