Aller au contenu principal
RevoSim : simulation tactile multimodale à grande échelle pour la manipulation dextérique
RecherchearXiv cs.RO 

RevoSim : simulation tactile multimodale à grande échelle pour la manipulation dextérique

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

RevoSim, un simulateur tactile multimodal présenté sur arXiv le 9 novembre 2026, cible la main dextre Revo3 de BrainCo. Il modélise conjointement 285 taxels piézorésistifs et cinq bouts de doigts visuotactiles. Il produit des observations synchronisées de pression, de profondeur, d'images RGB et de déplacement de marqueurs. Sur une seule carte RTX 5090, la configuration où le déplacement des marqueurs est conditionné par la profondeur gère jusqu'à 4 096 environnements parallèles. Les auteurs ont entraîné entièrement en simulation des politiques de manipulation en main et de préhension. Aucun transfert vers le robot réel n'est démontré dans cette version. Ils présentent ces résultats comme une base pour de futurs travaux de sim-to-real. Une page de projet est annoncée. L'article ne donne ni temps de cycle ni taux de réussite détaillés dans son résumé.

Ce travail s'attaque à un point de blocage connu de la manipulation dextre : la simulation du toucher. La vision et la proprioception se simulent depuis longtemps à grande échelle, mais le tactile reste coûteux à reproduire, surtout pour les capteurs optiques à gel. Combiner des taxels de pression et des capteurs visuotactiles sur une même main, avec un parallélisme de l'ordre de plusieurs milliers d'environnements sur un GPU grand public, rend l'apprentissage par renforcement avec retour tactile plus accessible aux laboratoires. Il faut toutefois rester prudent. Tant que le transfert sim-to-real n'est pas mesuré sur matériel, la fidélité réelle du simulateur et son utilité pour des tâches industrielles restent des hypothèses, et le résumé ne dit rien de l'écart simulation-réalité.

Le contexte est celui d'une course aux mains dextres. Des acteurs comme Tesla (Optimus), Figure (Helix) ou Sharpa misent sur des mains riches en capteurs, et les modèles VLA (vision-langage-action) intègrent peu le tactile. BrainCo, entreprise issue de l'interface cerveau-machine et spécialisée dans les mains prothétiques et robotiques, publie ici un outil qui valorise son propre matériel. L'étape suivante attendue est la validation sur la vraie Revo3, qui dira si ce simulateur comble l'écart avec la réalité.

À lire aussi

De la préhension à la dextérité : pré-entraînement à grande échelle pour la manipulation dextérique
1arXiv cs.RO 

De la préhension à la dextérité : pré-entraînement à grande échelle pour la manipulation dextérique

Des chercheurs publient sur arXiv un nouveau papier intitulé "From Grasps to Dexterity: Large-Scale Grasp Pretraining for Dexterous Manipulation", qui s'attaque à un problème precis de la manipulation dextre robotique: utiliser un simple geste de préhension pour ensuite manipuler un outil articulé (actionner une gâchette, tourner une molette, ouvrir une pince) plutôt que de simplement le saisir et le poser. L'équipe construit un jeu de données de 355 000 trajectoires à partir d'annotations de préhension dextre à grande échelle, utilisé pour préentraîner un contrôleur bas niveau conditionné par objectif, lui-même piloté par un module haut niveau qui prédit les sous-objectifs de la main. Ce contrôleur est ensuite affiné sur des démonstrations spécifiques à chaque tâche. Pour évaluer l'approche, les auteurs introduisent DexCraft, un banc d'essai en simulation comportant six tâches d'usage d'outils articulés nécessitant une coordination fine des doigts. En conditions réelles, la méthode améliore le taux de réussite complet des tâches de 33,3 points de pourcentage par rapport à la référence DP3, et dépasse aussi les politiques de diffusion entraînées de bout en bout ainsi que les architectures hiérarchiques entraînées depuis zéro. L'intérêt pour l'industrie tient au fait que la plupart des grands jeux de données de préhension dextre existants n'avaient jusqu'ici servi qu'à générer des prises ou à faire du pick-and-place, une tâche relativement simple comparée à l'usage fonctionnel d'un outil, qui exige de maintenir le contact tout en actionnant une pièce mobile. Démontrer qu'un préentraînement sur des données de grasping generalise à ce type de manipulation contact-riche est un signal utile pour les équipes qui travaillent sur des mains robotiques multi-doigts, notamment dans le contexte des humanoïdes où la dextérité fine reste un goulot d'étranglement bien plus limitant que la locomotion. Cela va dans le sens d'une hypothèse défendue par plusieurs laboratoires: les grands corpus de démonstration, même génériques, peuvent servir de socle de préentraînement réutilisable plutôt que d'être collectés tâche par tâche. Ce travail s'inscrit dans la lignée des approches hiérarchiques d'apprentissage par imitation combinant planification haut niveau et contrôle bas niveau, un courant de recherche actif face aux politiques de diffusion de bout en bout comme DP3, utilisées ici comme référence de comparaison. Il s'agit à ce stade d'un résultat académique publié sur arXiv, testé en simulation via DexCraft et validé par des expériences réelles limitées, et non d'un système déployé commercialement. Les auteurs mettent à disposition des vidéos de démonstration sur leur page de projet, mais aucune date de mise en open source du code ni de partenariat industriel n'est mentionnée dans le résumé.

RecherchePaper
1 source
SpikeATac : un doigt tactile multimodal à détection dynamique taxélisée pour la manipulation dextérique
2arXiv cs.RO 

SpikeATac : un doigt tactile multimodal à détection dynamique taxélisée pour la manipulation dextérique

Le ROAM Lab présente SpikeATac, un doigt tactile multimodal pour la manipulation robotique dextre, dans une révision (v3) d'un article initialement publié sur arXiv en octobre 2025. Le capteur combine un film PVDF taxelisé, découpé en 16 zones de détection et échantillonné à 4 kHz, qui capte les signaux dynamiques dès l'amorce et la rupture du contact, avec une couche capacitive assurant la mesure statique de la pression, d'où sa réponse en "pics" qui lui donne son nom. Les chercheurs ont caractérisé la sensibilité de chaque modalité et montré que SpikeATac permet d'arrêter une préhension rapidement et délicatement sur des objets fragiles ou déformables. Au-delà de la pince parallèle, l'équipe a intégré le capteur à une main robotique multidoigts dextre, pilotée par une politique affinée via apprentissage par renforcement à partir de retour humain (RLHF) pour moduler la force appliquée. Résultat revendiqué: une manipulation en main d'objets fragiles jamais démontrée jusque-là sur ce type de plateforme. Des vidéos sont disponibles sur roamlab.github.io/spikeatac. Ce travail cible un angle mort connu des mains robotiques: la plupart des capteurs tactiles privilégient soit la résolution statique, soit la réactivité dynamique, rarement les deux, ce qui limite la détection de l'instant où un objet commence à glisser ou se déformer sous la pince. Un retour tactile à 4 kHz couplé à une lecture statique fiable vise directement les cas d'usage où les pinces industrielles classiques échouent ou abîment la charge (fruits, verre, colis, composants électroniques). Le choix du RLHF plutôt qu'une simple fonction de récompense simulée suggère que le réglage fin de la force reste difficile à spécifier automatiquement, un signal utile pour les intégrateurs évaluant des politiques apprises en conditions réelles. SpikeATac se distingue des capteurs à caméra interne comme GelSight ou DIGIT, plus coûteux en calcul et moins réactifs aux événements de contact rapides. L'article, purement académique, ne mentionne ni partenariat industriel ni déploiement hors laboratoire: c'est une preuve de faisabilité, pas un produit commercialisé. Aucun acteur français ou européen n'y figure. Les auteurs évoquent comme suites possibles la miniaturisation du capteur pour des mains commerciales et l'extension du pipeline RLHF à d'autres tâches de manipulation en contact riche.

RecherchePaper
1 source
Un bout dextérique tactile durable pour la manipulation robotique
3arXiv cs.RO 

Un bout dextérique tactile durable pour la manipulation robotique

Une équipe de chercheurs décrit, dans une prépublication arXiv du 26 août 2026, un embout de doigt tactile robotique à vision conçu pour résister à l'usure, point faible connu des capteurs commerciaux. Il associe un gel de silicone souple, un film protecteur en polyuréthane thermoplastique (TPU) texturé et non pigmenté, et une cartouche de détection remplaçable. Deux tests accélérés ont mesuré sa durabilité : un ponçage sur tambour rotatif, et une sonde répétitive appliquant 39,2 N (4,0 kgf) à 45 cycles par minute. Le film protecteur du nouveau capteur a cédé après 2 à 3 heures de ponçage, tandis que les neuf exemplaires testés sous charge répétitive restaient tous fonctionnels à l'arrêt des essais : sept après 5 jours, un après 6 jours, un après 8 jours. Les capteurs commerciaux GelSight Mini et DIGIT, eux, ont vu leur film se rompre après seulement 24 à 30 secondes de ponçage et 25 à 35 minutes de charge répétitive. La dégradation du nouveau capteur restait progressive, sans gêner l'imagerie tactile. Cette amélioration de plus de deux ordres de grandeur, obtenue dans des conditions de vieillissement accéléré définies par les auteurs eux-mêmes, vise un angle mort de la manipulation robotique : les capteurs tactiles à vision comme GelSight ou DIGIT livrent une image de contact riche mais s'usent vite sous charges concentrées et frottements répétés, ce qui freine leur usage hors laboratoire. Pour les intégrateurs qui veulent faire passer la préhension robotisée de la démonstration au déploiement industriel, une cartouche remplaçable plutôt qu'un capteur à jeter pèse autant sur le coût total de possession que la résolution du signal tactile. Ces chiffres restent toutefois issus de protocoles de laboratoire propres à l'étude, et non d'une validation en usage prolongé sur un bras ou une main robotique en production. GelSight, issu de recherches du MIT, et DIGIT, le capteur tactile ouvert développé par Meta AI, sont devenus des références de facto pour la recherche en préhension et en manipulation fine ; l'usure rapide de leur film de silicone freine depuis longtemps leur adoption au-delà des bancs d'essai académiques, notamment pour des tâches répétitives de tri ou d'assemblage visées par les mains robotiques humanoïdes actuellement en développement. La prépublication ne mentionne aucun partenariat industriel ni calendrier de commercialisation : il s'agit à ce stade d'une validation en laboratoire, dont la suite logique serait un essai en conditions réelles sur un bras ou une main robotique en fonctionnement continu, avant toute intégration dans un produit commercial.

RecherchePaper
1 source
YUBI : interface bidigitale universelle pour la manipulation dextérique bimanuelle à grande échelle
4arXiv cs.RO 

YUBI : interface bidigitale universelle pour la manipulation dextérique bimanuelle à grande échelle

Des chercheurs ont publié le 10 juin 2026 YUBI (Yielding Universal Bidigital Interface), un préhenseur bi-digital conçu pour la collecte de données bimanuelle dextère à grande échelle. Contrairement aux systèmes pistol-grip comme l'UMI (Universal Manipulation Interface), YUBI adopte un principe d'actionnement dit "yielding" : les mouvements des doigts de l'opérateur sont transcrits directement en mouvement des mâchoires du préhenseur, sans intermédiaire mécanique rigide. Le système intègre un tracking 6 DOF basé sur la réalité virtuelle pour une acquisition de trajectoires haute fidélité. L'équipe a constitué un dataset d'une ampleur inédite dans la littérature : 8 434 heures de démonstrations, 1,20 million d'épisodes répartis sur 119 tâches. Un politique unique entraîné sur ce corpus a été validée sur trois plateformes robotiques bimanuelle distinctes : UR, Franka et ELEY, via simple montage du préhenseur. Ce résultat a une portée directe pour quiconque travaille sur les fondation models robotiques : le bottleneck historique n'est plus le modèle mais la donnée, et YUBI apporte une réponse concrète sur la scalabilité de la collecte. Le fait qu'une seule politique transfère sur trois robots hétérogènes confirme que l'interface impose une représentation suffisamment générique pour servir de supervision directe, sans fine-tuning plateforme-spécifique. C'est un argument fort en faveur de l'approche "data-centric" face aux pipelines sim-to-real, souvent coûteux à valider en conditions industrielles. L'ergonomie améliorée réduit aussi la fatigue opérateur sur les tâches fines, un point non-trivial pour des sessions de collecte longues et répétitives que les démonstrateurs UMI rendaient problématiques. L'UMI, développé à l'Université de Columbia et largement adopté pour sa simplicité et son coût, reste la référence low-cost pour la collecte de données manipulation, mais son grip pistolet montrait ses limites sur les tâches bimanuelle complexes. YUBI s'inscrit dans un mouvement plus large visant à démocratiser la collecte de données pour les robot foundation models, en parallèle d'initiatives comme ACT, Diffusion Policy ou les efforts open-data de Physical Intelligence (Pi-0). L'ensemble du stack est publié en open source : hardware du préhenseur, logiciel de collecte, et dataset complet, ce qui représente une contribution substantielle pour les laboratoires ne disposant pas des moyens de Unitree, Figure AI ou Boston Dynamics pour constituer leurs propres corpus propriétaires. Les prochaines étapes probables incluent l'extension du dataset et l'intégration avec des architectures VLA plus récentes.

UELes laboratoires européens (INRIA, CEA-List, universités) et PME robotiques peuvent directement exploiter le dataset open-source YUBI (8 434 h, 1,2M épisodes) et l'interface hardware pour entraîner des politiques de manipulation sans constituer de corpus propriétaire, avec validation native sur Franka (allemand) et UR (danois).

RechercheOpinion
1 source