Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

Lodos : un simulateur léger conçu pour les interactions riches en contacts avec des maillages détaillés

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Des chercheurs du laboratoire Martius (Max Planck Institute for Intelligent Systems et Université de Tübingen, d'après le dépôt martius-lab) publient sur arXiv Lodos, un simulateur de corps rigides conçu de zéro pour les contacts riches avec maillages détaillés. Le framework introduit de nouvelles routines pour la détection de collision en phase large (broadphase) et en phase étroite (narrowphase), ainsi que pour le calcul de la dynamique de contact. Les auteurs affirment que Lodos égale les simulateurs établis en fidélité physique, selon leur validation expérimentale, et atteint un débit environ dix fois supérieur dans le cas des collisions maillage-maillage détaillées, sa spécialité. Le code source est publié sous licence ouverte sur GitHub. Il s'agit d'une prépublication, sans revue par les pairs à ce stade, et l'abstract ne précise ni les scènes de référence, ni le matériel, ni les simulateurs de comparaison.

Pour les équipes qui entraînent des politiques de manipulation, le goulot d'étranglement est bien connu. La simulation massivement parallèle a nourri les progrès de l'apprentissage par renforcement, du contrôle optimal stochastique et de l'optimisation de trajectoire par lissage aléatoire. Mais cette échelle repose sur des géométries de collision simplifiées (sphères, capsules, cylindres, boîtes). Dès que la précision l'exige, par exemple pour l'insertion de pièces, l'assemblage ou la préhension d'objets aux formes complexes, il faut passer aux collisions maillage-maillage, et le débit s'effondre. Un gain d'un ordre de grandeur sur ce cas précis réduirait l'écart sim-to-real sans sacrifier le nombre d'environnements parallèles, et rendrait envisageable l'entraînement de VLA ou de politiques d'assemblage directement sur des CAO fidèles. Réserve toutefois : un chiffre de débit n'a de sens qu'avec le nombre de contacts, la complexité des maillages et le GPU utilisés, et le gain annoncé dépend d'un scénario volontairement choisi par les auteurs.

Ce travail s'inscrit dans un paysage dominé par MuJoCo et MJX, Isaac Sim et Isaac Lab de NVIDIA, Genesis ou encore Brax, qui privilégient en général des primitives ou des enveloppes convexes pour tenir la cadence. Lodos prend le contre-pied en se spécialisant sur la géométrie détaillée plutôt qu'en cherchant à être généraliste. La suite dépendra de l'adoption : intégration à des pipelines d'apprentissage, benchmarks indépendants et démonstrations de transfert sur robot réel. Aucune échéance n'est annoncée, et aucun acteur européen de la robotique industrielle n'est cité dans cette publication, même si l'ancrage allemand du laboratoire en fait un projet de recherche européen.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

NVIDIA Isaac & CosmosarXiv cs.RO

À lire aussi

FOMI : une interface de manipulation à retour d'effort pour enseigner les tâches riches en contacts
1arXiv cs.RO 

FOMI : une interface de manipulation à retour d'effort pour enseigner les tâches riches en contacts

Des chercheurs présentent FOMI, une interface de manipulation à retour d'effort destinée à la collecte de démonstrations humaines pour l'apprentissage de politiques robotiques. Le dispositif, publié sur arXiv, repose sur un mécanisme en forme de ciseaux qui transmet directement aux mains de l'opérateur les forces d'interaction avec l'objet, via des liens d'actionnement, sans capteur de force. Autour de cette interface, l'équipe a construit un système complet de collecte intégrant calibration des capteurs, acquisition des données et synchronisation, utilisable sans robot. En associant les variations de pose et l'ouverture de la pince de FOMI aux poses de l'effecteur et aux commandes de préhension du robot, le même système sert aussi à la téléopération. Sur quatre tâches riches en contacts, FOMI améliore l'efficacité de collecte d'environ 29 % en mode sans robot et 18 % en téléopération, par rapport aux meilleures références testées. Les politiques entraînées sur ces démonstrations réalisent des tâches de manipulation difficiles avec des taux de réussite annoncés comme élevés, sans que le résumé en donne les valeurs chiffrées. L'enjeu touche un goulot d'étranglement du secteur: la qualité et le coût des données de démonstration. Les interfaces portables sans robot, dans la lignée de ce que l'on a vu avec les pinces de collecte à main, permettent de passer à l'échelle sans mobiliser de bras robotisés, mais elles privent l'opérateur de sensation tactile. Or l'insertion, le serrage ou l'assemblage exigent des ajustements en temps réel guidés par l'effort. Faire ressentir ces forces sans instrumenter l'outil de capteurs coûteux pourrait abaisser le prix des données pour les contacts riches, là où les politiques de type VLA restent les plus fragiles. Il faut toutefois relativiser: les gains de 18 à 29 % portent sur quatre tâches, face à des références non détaillées dans le résumé, et le mode de mesure de l'efficacité n'est pas précisé. Aucune donnée n'est fournie sur le nombre de démonstrations nécessaires, ni sur la robustesse hors laboratoire, ce qui laisse ouvert l'écart entre résultat académique et usage industriel. Ce travail s'inscrit dans la montée des approches de collecte découplées du robot, qui cherchent à contourner le coût de la téléopération classique, et dans le mouvement qui met le retour haptique au service de l'apprentissage par imitation. Il concurrence les interfaces portables passives et les dispositifs de téléopération à retour d'effort, plus lourds et plus chers. Il s'agit ici d'un prototype de recherche, ni produit commercialisé ni déploiement en usine, et aucun calendrier de diffusion ni code ouvert n'est mentionné dans le résumé. La suite logique consistera à valider le dispositif sur des tâches plus variées, avec d'autres morphologies de robots, et à mesurer son effet sur la généralisation des politiques apprises.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Apprentissage en une démonstration pour la manipulation robotique à contacts riches, par identification des interactions physiques
2arXiv cs.RO 

Apprentissage en une démonstration pour la manipulation robotique à contacts riches, par identification des interactions physiques

Un preprint publié sur arXiv (arXiv:2608.24741v1, août 2026) présente une méthode de Learning from Demonstration (LfD) qui modélise explicitement les interactions physiques entre un robot et son environnement, notamment la création et la rupture de contact pendant une manipulation. Un contrôleur hybride position-force suit la trajectoire démontrée par un humain jusqu'à ce que les conditions de transition liées au contact, identifiées durant cette démonstration, soient atteintes. La méthode a été validée sur un robot réel via quatre tâches riches en contacts, ouverture de portes et de serrures, prise et vissage de boulons, dégagement d'objets coincés et suivi de contour de surface, chacune apprise à partir d'une seule démonstration et sans connaissance préalable de la tâche. Cette approche tranche avec la tendance dominante de la manipulation robotique, où les modèles vision-langage-action (VLA) à grande échelle exigent des milliers de démonstrations pour généraliser. En rendant explicite la physique du contact plutôt que de la confier à un réseau de neurones opaque, les auteurs visent une interprétabilité rare dans la littérature du LfD, où l'on sait précisément pourquoi et quand le robot change de comportement. Pour des intégrateurs industriels confrontés à des tâches d'assemblage ou de maintenance à forte variabilité géométrique, comme le boulonnage ou le verrouillage, l'intérêt tient à une programmation par démonstration unique, robuste aux variations imprévues et généralisable quand ces variations sont connues à l'avance, ce qui contredit l'idée que seule l'échelle des données garantit une manipulation fiable. Le travail s'inscrit dans un courant du LfD qui, selon les auteurs, néglige généralement la modélisation explicite du contact physique, alors que celui-ci est central dans la plupart des tâches de manipulation réelles. Ils présentent leur contribution comme un moyen de combler cette lacune d'interprétabilité en apprentissage à partir de très peu d'exemples, en détaillant comment robustesse, généralisation et adaptabilité peuvent être implémentées explicitement plutôt que laissées à l'apprentissage statistique. Publié comme preprint non encore évalué par les pairs, sans indication d'institution ni de calendrier de valorisation industrielle, il se positionne comme une contribution méthodologique plutôt qu'un produit, dans un paysage de la manipulation robotique dominé par des modèles fondationnels de type VLA entraînés sur de vastes corpus de démonstrations.

RecherchePaper
1 source
SARI : entraînement conjoint simulation-réel en deux phases pour la manipulation riche en contacts
3arXiv cs.RO 

SARI : entraînement conjoint simulation-réel en deux phases pour la manipulation riche en contacts

Des chercheurs proposent SARI (Simulated Approach, Real Interaction), un cadre de co-entraînement simulation-réel « à phases séparées » destiné à adapter des modèles vision-langage-action (VLA) à des tâches de manipulation riches en contacts. Le principe : générer les trajectoires d'approche, en espace libre, dans un jumeau numérique photoréaliste, et ne collecter en conditions réelles que les phases de contact, sur un petit nombre de positions d'objets. Une seule politique est ensuite post-entraînée sur ces démonstrations segmentées par phase. Elle enchaîne approche simulée et interaction réelle grâce à un alignement de l'apparence visuelle et à une représentation d'action partagée, exprimée par rapport à la caméra. Elle n'utilise ni étiquettes de phase explicites ni commutateurs codés à la main. Testé sur cinq tâches de manipulation réelles, SARI réduit de 34,3 % le temps de collecte de données réelles et atteint 27,5 % de réussite sur des positions jamais vues, là où toutes les approches de référence sim-réel entraînées sur la tâche complète échouent totalement (0 %). Le travail est publié sur arXiv (2610.02804). Ces résultats comptent pour les équipes qui adaptent des VLA à des tâches d'assemblage ou d'insertion, où le coût des démonstrations téléopérées est le principal frein. L'intérêt tient à la répartition du travail : la diversité spatiale, gourmande en données mais tolérante aux écarts de simulation, est confiée à la synthèse. La physique du contact, sensible aux erreurs de modèle mais peu dépendante de la position de l'objet, reste réelle. Cela nuance l'idée d'un transfert sim-vers-réel de bout en bout et suggère qu'un découpage par phase est plus rentable. Il faut toutefois relativiser les chiffres. Un taux de 27,5 % sur positions inédites reste très loin d'un seuil industriel, et un gain de 34,3 % sur le temps de collecte est modeste. Les résultats portent sur cinq tâches, avec un échantillon et des conditions de laboratoire dont l'article ne détaille pas ici la variabilité. Le contraste avec les références à 0 % est parlant, mais il dépend du choix de ces références. L'article s'inscrit dans la série de travaux sur le co-entraînement sim-réel pour les politiques VLA, qui cherchent à réduire la dépendance aux démonstrations réelles, aujourd'hui l'un des principaux postes de coût du déploiement de modèles généralistes. Les approches concurrentes, qui mélangent simulation et réel sur la tâche entière, se heurtent à l'écart de réalité dès que le contact intervient, ce que SARI cherche à contourner. Il s'agit ici d'un résultat de recherche et non d'un produit ni d'un déploiement : aucun partenaire industriel, calendrier de pilote ni code disponible n'est mentionné dans le résumé. Les suites probables sont des validations sur davantage de tâches, de robots et de géométries d'objets, ainsi que des comparaisons avec les VLA généralistes actuels, afin de vérifier si le gain tient hors du cadre expérimental initial.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
CRISP : plateforme de simulation robotique riche en contacts, avec géométries étendues et solveurs de contact
4arXiv cs.RO 

CRISP : plateforme de simulation robotique riche en contacts, avec géométries étendues et solveurs de contact

Des chercheurs du laboratoire INRoL publient CRISP (Contact-RIch Simulation Platform), un nouveau moteur physique dédié a la simulation haute fidélité des interactions multi-contacts, pense en particulier pour la manipulation robotique a tolérances serrées. Le papier, mis en ligne sur arXiv sous la référence 2609.21761v1 en septembre 2026, décrit un moteur combinant une détection de collision fondée sur l'optimisation, compatible avec des représentations géométriques variées, et des solveurs de contact bases sur le lagrangien augmente, présentes comme plus robustes que les approches classiques. Les auteurs affirment résoudre les contraintes multi-contacts sans recourir aux relaxations numériques qui dégradent habituellement la précision des simulateurs existants. Le code est disponible publiquement sur GitHub a l'adresse github.com/INRoL/crisp. La fidélité physique de CRISP est validée par comparaison avec des plateformes de simulation de référence, puis illustrée sur des scenarios de manipulation robotique complexes, sans que le résume ne publie de chiffres précis de performance comme le temps de calcul ou le nombre de contacts simultanés gérés. La simulation reste le principal goulot d'étranglement pour l'entrainement de politiques de manipulation fine, insertion, assemblage, prise en tolérance serrée, une étape jugée critique pour transférer des compétences du simulateur vers le robot réel. Les moteurs généralistes utilises aujourd'hui pour entrainer des politiques de type VLA ou par renforcement, tels que MuJoCo, PhysX dans Isaac Sim ou Bullet, arbitrent généralement entre richesse géométrique et stabilité numérique du solveur de contact, ce qui limite leur fidélité sur les taches d'assemblage fin. En ciblant simultanément ces deux axes, CRISP s'attaque a un angle mort souvent cite par les intégrateurs et laboratoires travaillant sur la manipulation dexterisee humanoïde ou industrielle, celui de l'écart entre une démonstration en simulation et un comportement fiable en conditions réelles. Un moteur plus fidèle sur les contacts intensifs pourrait améliorer la qualité des données synthétiques servant a entrainer des modèles de manipulation, un enjeu direct pour réduire le volume de démonstrations réelles nécessaires. CRISP s'inscrit dans une vague de nouveaux moteurs physiques conçus spécifiquement pour la robotique et l'entrainement de politiques d'IA, aux cotes d'outils établis comme MuJoCo et sa variante accélérée MJX, NVIDIA Isaac Sim base sur PhysX, Drake du MIT, ou des projets plus récents comme Genesis et SAPIEN. Contrairement aux annonces de robots humanoïdes commerciaux, CRISP est publie comme un travail de recherche académique, classe "new" sur arXiv et non encore revu par les pairs, plutôt que comme un produit commercial: aucune entreprise, aucun client industriel ni feuille de route de déploiement n'est mentionne. Sa mise en open source vise avant tout l'adoption par la communauté robotique comme brique de recherche reproductible, dans un contexte ou la fidélité des simulateurs devient centrale face a la multiplication des politiques de manipulation entraînées en simulation. Les prochaines étapes attendues concernent l'intégration a des pipelines d'entrainement plus larges et des comparaisons sur des benchmarks de manipulation standardises, sans calendrier précise dans l'article.

RecherchePaper
1 source