Aller au contenu principal
TMA : manipulation humanoïde en force par transfert simulation-réel grâce à l'adaptation motrice guidée par le tactileIllustration générée par IA
RecherchearXiv cs.RO 

TMA : manipulation humanoïde en force par transfert simulation-réel grâce à l'adaptation motrice guidée par le tactile

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs publient sur arXiv (2611.18976v1) un système baptisé Tactile-Driven Motor Adaptation (TMA), qui vise la manipulation humanoïde « forceful », c'est-à-dire exigeant des efforts de contact maîtrisés plutôt qu'un simple placement géométrique. Le benchmark retenu est l'ouverture d'une poignée de porte ronde, une tâche qui impose une prise frictionnelle stable à plusieurs doigts, un couple suffisant sans glissement, une poussée régulée en force et une stabilité du corps entier. La politique de manipulation du haut du corps est entraînée entièrement en simulation, en parallèle d'un contrôleur de locomotion générale préentraîné, pour coordonner dextérité et stabilisation. Elle est ensuite transférée en zero-shot sur un Unitree G1 équipé de mains multi-doigts BrainCo Revo2. Selon les auteurs, TMA surpasse nettement la Rapid Motor Adaptation (RMA) standard et des baselines tactiles purement réactives sur quatre poignées rondes du commerce. Le résumé fourni ne donne ni taux de réussite chiffré, ni nombre d'essais, ni temps de cycle.

L'intérêt tient au déplacement du problème. Une grande partie des travaux récents de loco-manipulation humanoïde en environnements articulés (portes, tiroirs, meubles) reste dominée par la géométrie : trouver la bonne pose et exécuter le mouvement. Or les tâches industrielles et domestiques réelles dépendent de dynamiques de contact incertaines, comme la friction, le jeu mécanique ou la résistance d'un mécanisme. TMA propose de les traiter via l'historique tactile, avec une géométrie de cône de friction comme biais inductif pour représenter les contacts multi-doigts, et une adaptation du comportement moteur en ligne. Si les résultats se confirment, cela suggère que le transfert sim-to-real zero-shot est praticable au-delà de la locomotion, y compris pour la manipulation dextre riche en contacts, et que le retour tactile apporte un gain réel face à l'adaptation RMA fondée sur la proprioception. Pour les intégrateurs, le signal reste de l'ordre de la recherche : une seule tâche, quatre objets, une plateforme d'entrée de gamme, sans évaluation de robustesse en conditions de production.

Ce travail s'inscrit dans la montée en puissance du Unitree G1, devenu une plateforme de recherche répandue grâce à son prix relativement bas, et dans l'essor de mains dextres abordables comme la Revo2 de BrainCo. Il prolonge la lignée RMA, popularisée en locomotion quadrupède, et les approches de politiques entraînées en simulation avec contrôleur de marche préentraîné. Il se distingue des efforts menés par Figure (Helix), Tesla (Optimus) ou NVIDIA (GR00T), qui privilégient les politiques VLA généralistes entraînées sur de grandes quantités de données, alors que TMA cible une compétence précise avec une architecture structurée. Les suites probables incluent l'extension à d'autres mécanismes à effort (vannes, leviers, bouchons), la comparaison avec des approches par téléopération et imitation, et l'intégration à des modèles de plus haut niveau. Aucun déploiement commercial n'est annoncé : il s'agit d'une démonstration de laboratoire.

À lire aussi

Représentation tactile factorisée et contrôle pour la manipulation en transfert simulation-réel
Illustration générée par IA
1arXiv cs.RO 

Représentation tactile factorisée et contrôle pour la manipulation en transfert simulation-réel

Des chercheurs proposent, dans un preprint arXiv (2610.10510v1), un cadre de représentation tactile « factorisée » et de contrôle destiné au transfert sim-to-real en manipulation. L'idée est de projeter la force normale et la zone de contact vers une « réponse de contact effective », récupérable à partir des lectures du capteur, plutôt que de tenter de reproduire fidèlement la physique propre à chaque capteur. Cette réponse est ensuite scindée en trois composantes: la géométrie du contact, la distribution des forces et la variation temporelle du contact. Chacune dispose de son propre encodage et de sa propre randomisation de domaine. Le contrôleur, baptisé Tactile Gated Policy, conserve ces trois représentations séparées tout au long de la chaîne de contrôle.

RecherchePaper
1 source
SMART : manipulation d'objets articulés en transfert simulation-réel sans entraînement préalable, grâce à un pré-entraînement synthétique à grande échelle
Illustration générée par IA
2arXiv cs.RO 

SMART : manipulation d'objets articulés en transfert simulation-réel sans entraînement préalable, grâce à un pré-entraînement synthétique à grande échelle

Des chercheurs présentent SMART, un système qui s'appuie sur des démonstrations synthétisées à grande échelle pour apprendre aux robots à manipuler des objets articulés (portes, tiroirs, charnières). Son noyau est SMART-Sim, une plateforme de simulation conçue pour représenter la sémantique des parties d'objet et leurs contraintes d'articulation. Elle permet de générer des tâches de façon agentique, c'est-à-dire par des agents logiciels qui proposent eux-mêmes les scénarios, et de collecter des démonstrations efficacement. Un système de synthèse distribué alimente le jeu de données SMART-Data, qui compte plus d'un million de démonstrations couvrant 44 types de tâches atomiques, 5 configurations de robots et 2 507 objets articulés.

RecherchePaper
1 source
TAM : Module d'adaptation du couple pour un transfert de mouvement robuste en manipulation
Illustration générée par IA
3arXiv cs.RO 

TAM : Module d'adaptation du couple pour un transfert de mouvement robuste en manipulation

Des chercheurs ont publié sur arXiv (arXiv:2606.06218) le Torque Adaptation Module (TAM), un module appris qui corrige les commandes de couple envoyées au robot pour aligner son comportement sur celui d'un robot de référence idéal. TAM s'insère entre le contrôleur bas niveau et l'interface couple du robot, et opère via deux composants : un encodeur d'historique proprioceptif, qui compresse les états mécaniques récents en représentation latente, et un adaptateur de couple calculant des corrections résiduelles en temps réel. L'évaluation porte sur un bras Franka Panda réel, en transfert zéro-shot, sur trois tâches de manipulation dynamique : un pushing de boîte guidé par vision (apprentissage par renforcement), un retournement d'objet par imitation comportementale (BC), et un équilibrage balle-sur-plateau par MPC.

RecherchePaper
1 source
FAME : RL adaptatif à la force pour élargir l'enveloppe de manipulation d'un robot humanoïde grandeur nature
Illustration générée par IA
4arXiv cs.RO 

FAME : RL adaptatif à la force pour élargir l'enveloppe de manipulation d'un robot humanoïde grandeur nature

Des chercheurs du laboratoire CORRELL proposent FAME, un cadre d'apprentissage par renforcement qui permet à un humanoïde grandeur nature de rester stable lorsqu'il subit des forces aux mains pendant une manipulation bimanuelle. Le travail, publié sur arXiv (2603.08961, version 2), conditionne une politique de maintien debout sur un contexte latent appris qui encode à la fois la configuration articulaire du haut du corps et les forces d'interaction aux deux mains. L'entraînement applique des forces 3D échantillonnées de façon isotrope sur chaque main, selon un curriculum de postures du haut du corps.

RecherchePaper
1 source