RechercheInteresting Engineering 4 novembre 2026

Une nouvelle main robotique apprend à doser sa prise comme l'humain pour éviter les chutes d'objets

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs de l'Université de Californie à Berkeley et Davis, dont Ian Chuang, ont mis au point un contrôleur de manipulation en main pour une main robotique LEAP à 16 articulations, capable de saisir un objet, de le faire pivoter entre les doigts et de le repositionner, y compris lorsque la paume est orientée vers le bas, configuration où le risque de chute est maximal. Le système a été entraîné exclusivement en simulation, sans aucune démonstration humaine. Les chercheurs ont intégré dans le simulateur le comportement mesuré des moteurs réels, puis généré des millions de situations de saisie, avec une friction doigts-objet volontairement supérieure à la réalité, réduite progressivement à mesure que la performance progressait. Les tests physiques ont porté sur quatre objets imprimés en 3D (un couteau, un verre à vin, un canard et une ampoule), chacun avec son propre contrôleur. Un module de sécurité logiciel, entraîné séparément du contrôleur principal, corrige les mouvements pour maintenir la prise avec un minimum de perturbation. Il ne reçoit ni la position cible finale ni récompense liée à l'atteinte d'un objectif. Sur 4 800 essais (4 objets, 6 angles de poignet, 50 cibles par séquence), suivis par caméras de capture de mouvement, le taux de succès passe de 95,2 % sans module de sécurité à 91,5 % avec. Le succès exige une position à moins de 2 cm de la cible, une orientation à moins de 23 degrés, en moins de 10 secondes. Sur 1 200 tâches, les chutes passent de 16 à 4. Les travaux, publiés sur arXiv, incluent une démonstration de vissage d'ampoule : rotation, amenée à la douille, vissage, puis allumage.

L'intérêt tient à la façon dont le compromis est géré. Le module de sécurité étant indépendant de la politique de tâche, son niveau de prudence se règle sans réentraîner le contrôleur, ce qui permet à un intégrateur d'arbitrer entre précision et risque de chute selon l'application : une ligne manipulant des pièces fragiles ou coûteuses tolérera une perte de 3,7 points de succès pour diviser les chutes par quatre. Les résultats soutiennent aussi la thèse du transfert simulation vers réel pour la dextérité fine, avec un entraînement sans téléopération, donc sans le coût de collecte de données qui pèse sur les approches VLA. Il faut toutefois relativiser : les objets sont en plastique imprimé, rigides et de formes connues, la friction n'a pas été testée sur des matériaux variés, et le gain de sécurité n'est pas uniforme selon les démonstrations. Ce n'est ni un produit ni un pilote industriel, mais un résultat de laboratoire sur preprint, non évalué par des pairs.

La manipulation en main reste l'un des verrous majeurs de la robotique humanoïde, au centre de la course entre les mains de Tesla pour Optimus, de Figure ou de Sanctuary. La main LEAP, plateforme à bas coût issue de la recherche universitaire, est devenue un banc d'essai courant pour l'apprentissage par renforcement en simulation. Cette étude se distingue par l'ajout d'une couche de sécurité découplée plutôt que par un nouveau matériel. Les limites reconnues par l'équipe dessinent la suite : des contrôleurs plus efficaces, et surtout un contrôleur unique généralisable à de nombreux objets, au lieu d'un contrôleur par objet. L'objectif affiché est de parvenir à des mains capables de manipuler des objets délicats, mais aucun calendrier de transfert vers l'industrie n'est annoncé.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1Interesting Engineering

Un robot humanoïde apprend à se baisser, enjamber des objets et éviter les obstacles grâce à un nouveau système

Galbot a présenté le 13 octobre 2026 PASSAGE, un framework de recherche qui permet à un robot humanoïde de choisir comment franchir un espace encombré: enjamber un objet, se baisser sous une barrière ou se tourner de profil pour passer une ouverture étroite. Le système associe perception de l'environnement, planification de mouvement et contrôle du corps entier. Un planificateur génère de courtes séquences de mouvements, qu'un contrôleur exécute en tenant compte de la géométrie environnante. Une seule approche planificateur-contrôleur remplace les politiques séparées par type d'obstacle. Les données d'entraînement comptent 100 heures de mouvements humains, collectées en réalité virtuelle et par capture de mouvement inertielle dans 1 500 scènes virtuelles. En fonctionnement, un LiDAR fournit la perception. Le calcul tourne sur un module Nvidia Jetson AGX Orin embarqué, sans carte préétablie ni calcul déporté. Le papier annonce 98,67 % de réussite sur 750 essais simulés dans 150 scènes inédites. Ce chiffre mesure seulement l'arrivée à destination: sans aucun contact avec les obstacles, le taux tombe à 70,3 %. En conditions réelles, un Unitree G1 a réalisé 50 parcours inédits sans chute ni intervention de sécurité, dont 45 sans toucher d'obstacle. L'intérêt tient à ce que le système traite l'humanoïde comme un volume entier, tête, épaules, bras et torse compris, et non comme une paire de pieds à placer. Un robot qui passe les jambes mais heurte un plafond bas ou un chambranle reste inutilisable dans un entrepôt, un atelier ou un bâtiment conçu pour des humains. L'exécution embarquée sans carte est un point favorable pour un déploiement hors environnement contrôlé. Les chiffres demandent toutefois de la prudence. L'écart entre 98,67 % et 70,3 % montre que la locomotion en espace contraint reste fragile dès que l'on exige zéro contact, ce qui est le critère pertinent près de rayonnages, d'équipements ou de personnes. Les 50 essais physiques constituent une évaluation limitée, et rien n'établit une fiabilité généralisable. Il s'agit d'un résultat académique, pas d'un produit livré ni d'un déploiement client. Galbot, entreprise chinoise de robotique, multiplie les démonstrations de capacités de ses humanoïdes. Elle a récemment montré son robot enchaîner plus de 100 échanges lors d'un match de tennis autonome en direct, avec suivi de balle, repositionnement et retours variés. PASSAGE prolonge cette ligne en visant la navigation et la coordination du corps entier. Le choix du Unitree G1 pour la validation réelle n'est pas anodin: cette plateforme à bas coût est devenue un banc d'essai courant, et les résultats sont ainsi plus faciles à comparer ou reproduire par d'autres laboratoires. Le travail s'inscrit dans la course aux contrôleurs de corps entier appris à partir de données humaines, où se retrouvent notamment Figure, Tesla et Nvidia avec ses modèles fondation. Aucun calendrier de pilote ou d'intégration commerciale n'est mentionné. La prochaine étape à surveiller est une réduction du taux de contact, puis des tests sur le robot propre à Galbot et dans des sites industriels réels.

RecherchePaper

1 source

2arXiv cs.RO

Apprentissage de priors de mouvement centrés sur l'objet à partir de vidéos humaines pour la manipulation dextérique robotique

Des chercheurs proposent une méthode qui apprend, à partir de jeux de données d'interactions humain-objet (HOI), à prédire de façon globale les états futurs de la main et de l'objet, plutôt que de simplement imiter les démonstrations humaines. Ces états d'objet prédits servent ensuite de terme de récompense généraliste pour l'apprentissage par renforcement, ce qui évite de concevoir une fonction de récompense propre à chaque tâche. Les auteurs ont testé l'approche sur trois tâches de manipulation, en simulation et sur matériel réel, avec des mains robotiques à plusieurs doigts. Ils affirment dépasser les méthodes de l'état de l'art en taux de réussite et en généralisation à des objets inédits, et avoir déployé les compétences apprises sur des mains robotiques différentes. L'article, publié sur arXiv sous la référence 2611.05979, ne précise ni le nombre de degrés de liberté des mains, ni les noms des plateformes, ni les volumes de données ou les taux de réussite chiffrés dans son résumé. Il s'agit d'un travail de recherche, sans produit ni déploiement industriel. L'intérêt tient à deux points qui freinent la manipulation dextre. Le premier est l'ingénierie de récompense. Pour des mains à plusieurs doigts, dont l'espace d'action est de grande dimension et la dynamique de contact complexe, écrire une récompense adaptée à chaque tâche reste un goulot d'étranglement coûteux. Utiliser la trajectoire future prédite de l'objet comme signal de récompense réutilisable déplace l'effort vers l'apprentissage à partir de données humaines, qui sont plus faciles à collecter que des téléopérations robotiques. Le second point est la compatibilité entre morphologies : si le résultat se confirme, une même représentation centrée sur l'objet pourrait alimenter des mains différentes, ce qui réduirait le coût de portage pour les intégrateurs. Il faut toutefois rester prudent. Le résumé ne donne que trois tâches, aucun chiffre et aucune comparaison détaillée, et le terme « état de l'art » dépend du choix des méthodes de référence. La robustesse hors laboratoire reste à démontrer. Ce travail s'inscrit dans un courant qui exploite les vidéos et les jeux de données humains pour la dextérité, en alternative à la collecte massive de démonstrations robotiques, une voie que suivent aussi plusieurs modèles vision-langage-action et des équipes industrielles développant des mains humanoïdes. La difficulté historique tient au fossé de transfert entre simulation et réel et à l'écart de morphologie entre la main humaine et celle du robot. Les approches de pure imitation reproduisent les gestes mais généralisent mal à de nouveaux objets, d'où l'intérêt de raisonner sur l'objet plutôt que sur la main. La suite dépendra de la publication du code, des détails expérimentaux et de tests sur des tâches plus longues ou plus variées. Aucun calendrier de pilote ni partenaire industriel n'est annoncé.

RecherchePaper

1 source

3arXiv cs.RO

RoboCap : une nouvelle plateforme pour l'apprentissage robotique égocentrique

RoboCap est un casque-chapeau de 250 g équipé de six caméras et de deux centrales inertielles (IMU), conçu pour collecter des données de manipulation égocentriques « in the wild », c'est-à-dire du point de vue de l'opérateur, hors laboratoire. Il est accompagné de la Grounded API, une suite d'algorithmes 3D indépendants du dispositif de capture, réglés pour ce matériel. Les auteurs, dans un rapport technique publié sur arXiv (2610.07217), affirment atteindre l'état de l'art sur des benchmarks publics : SLAM (localisation et cartographie simultanées) sur des environnements et des montages variés, estimation de profondeur en situation égocentrique, et suivi des mains lorsque l'algorithme est adapté à des appareils tiers. Le résumé ne fournit ni chiffres de performance, ni nom d'équipe ou d'entreprise, ni prix, ni calendrier de commercialisation. Il s'agit d'une publication de recherche, pas d'un produit livré ni d'un déploiement. L'enjeu est le goulot d'étranglement des données. Les modèles VLA (vision-langage-action) et les politiques de manipulation dépendent de volumes massifs de démonstrations, or la téléopération de robots reste lente et coûteuse. Filmer des humains qui travaillent avec une caméra portée sur la tête est une voie plus économique, mais seulement si les trajectoires de mains et la géométrie de la scène sont reconstruites avec une précision de l'ordre du centimètre, niveau que les auteurs disent jamais démontré publiquement. Leur thèse est que matériel ergonomique, calibration et algorithmes 3D forment un système à optimiser d'un seul bloc. Si cela se confirme, la qualité des données humaines deviendrait un levier aussi décisif que leur quantité. Reste un point de prudence : des résultats sur benchmarks publics ne prouvent pas que des politiques entraînées sur ces captures se transfèrent à un robot réel, et le résumé ne l'évalue pas. Le sujet s'inscrit dans une tendance nette : plusieurs acteurs de la robotique humanoïde et de l'IA incarnée misent sur les vidéos égocentriques humaines pour pré-entraîner leurs modèles, à l'aide de lunettes, de casques ou de gants de capture. Les concurrents sont ici les dispositifs de capture existants et les jeux de données égocentriques publics, que RoboCap prétend dépasser en précision de localisation. Les prochaines étapes à surveiller sont la publication des chiffres détaillés, l'éventuelle ouverture de l'API ou du matériel, et surtout une démonstration d'entraînement de politiques robotiques à partir de ces données.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4Robotics Business Review

BioflexBot : une main robotique conçue pour reproduire les mouvements clés de la main humaine

Une équipe de chercheurs chinois a présenté BioflexBot, une nouvelle main robotique conçue pour reproduire les mouvements fondamentaux de la main humaine, dans une étude publiée par Wiley dans la revue Advanced Science. Contrairement aux préhenseurs anthropomorphes classiques qui copient l'anatomie complexe de la main, BioflexBot repose sur un ressort spiralé, une coque de contrainte et un système pneumatique simple piloté par seulement deux entrées d'air comprimé. Les auteurs principaux, Yingtian Li (Chinese University of Hong Kong, Shenzhen) et Yang Yang (Nanjing University of Information Science and Technology), ont validé quatre mouvements clés: le pincement, avec la manipulation d'une aiguille d'acupuncture et le transport de liquide via une pipette; la rotation, avec un bouchon de bouteille tourné près de quatre fois plus loin qu'une main humaine; l'accrochage d'objets comme une boîte à outils ou des lunettes; et la préhension d'objets jusqu'à treize fois plus volumineux que des systèmes comparables. La main peut aussi s'étendre et se rétracter 3,5 fois plus qu'une main humaine, selon les chercheurs. Trois démonstrations d'application ont été menées: l'inspection d'un mockup imprimé en 3D d'un ensemble d'aubes de moteur d'avion, l'intégration à un robot humanoïde pour des tâches quotidiennes, et la conduite d'une expérience de chimie. Ce travail s'inscrit dans un débat central de la robotique humanoïde: faut-il répliquer la forme de la main humaine ou seulement ses fonctions. Les mains anthropomorphes multi-doigts, coûteuses en matériel et en contrôle, restent un goulot d'étranglement pour l'industrie, y compris pour des plateformes commerciales comme Optimus ou Figure. En misant sur la simplicité mécanique plutôt que sur la complexité biomimétique, BioflexBot promet une dextérité élevée à coût réduit, un argument qui parle directement aux intégrateurs industriels et aux décideurs cherchant à déployer de la manipulation robotique en inspection aéronautique, en laboratoire ou en logistique fine. Il faut toutefois noter qu'il s'agit d'un prototype de recherche académique validé en conditions contrôlées, pas d'un produit commercialisé ni déployé en usine, et que les chiffres de performance (rotation, extension, taille d'objets saisis) proviennent des propres essais des auteurs, sans comparaison indépendante standardisée. BioflexBot s'ajoute à une vague de recherches sur des effecteurs terminaux alternatifs, alors que les grands acteurs du secteur humanoïde investissent massivement dans des mains à plusieurs doigts pilotées par des modèles vision-langage-action comme GR00T N2 ou Helix. Les laboratoires chinois, ici la Chinese University of Hong Kong à Shenzhen et l'université de Nanjing, positionnent leur approche comme une alternative à bas coût plutôt qu'une concurrente directe de ces systèmes complexes. Les chercheurs indiquent vouloir transformer leur prototype en une plateforme entièrement automatisée dans de futurs travaux, sans calendrier ni partenaire industriel annoncé à ce stade.

RecherchePaper

1 source