Aller au contenu principal
Apprentissage de la dynamique des objets linéaires déformables par oscillateurs couplés pour la manipulation robotique bimanuelleIllustration générée par IA
RecherchearXiv cs.RO 

Apprentissage de la dynamique des objets linéaires déformables par oscillateurs couplés pour la manipulation robotique bimanuelle

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

Une équipe de chercheurs publie sur arXiv (v1, novembre 2026) Φ-CON, un modèle qui apprend la dynamique pilotée par les forces des objets linéaires déformables (DLO : câbles, cordes, tubes), avec une application à la manipulation bimanuelle. Le modèle associe un réseau d'oscillateurs couplés à base flottante (FBCON), dont l'énergie potentielle latente dépend uniquement de la forme de l'objet, à un difféomorphisme affine appris, noté Φ, qui relie les positions observées le long du DLO aux coordonnées latentes. La dynamique de forme est stable par construction, et la structure lagrangienne donne des expressions explicites des énergies cinétique et potentielle. Les auteurs en tirent un contrôleur proportionnel-dérivé (PD) à base de modèle, qui compense les forces potentielles apprises. Testé sur quatre DLO simulés et sur un banc bimanuel réel, Φ-CON atteint en simulation une précision de prédiction comparable à celle des réseaux de neurones à équations différentielles ordinaires (NODE) et des réseaux de neurones lagrangiens (LNN), avec respectivement 97,2 % et 90,2 % de paramètres en moins. Face à un PD sans modèle, l'erreur moyenne de régulation des extrémités baisse de 97,5 à 99,7 % en simulation, et de 27,9 % en moyenne par cible, sur les deux extrémités, dans les essais réels.

Pour les intégrateurs et les équipes de recherche, l'enseignement tient moins à la performance brute qu'à la nature des garanties. Beaucoup d'approches apprises pour les DLO reposent sur des modèles de déformation simplifiés, quasi statiques, qui fonctionnent pour des objets légers et souples manipulés lentement, mais s'effondrent dès que la rigidité, la masse ou la vitesse comptent : faisceaux de câbles automobiles, flexibles hydrauliques, tubes épais. Ici, la stabilité du modèle et la convergence en boucle fermée sont démontrées par construction, ce qui est rare dans un domaine dominé par des politiques de type boîte noire dont la fiabilité reste difficile à certifier. Le gain en compacité, un à deux ordres de grandeur de paramètres en moins, laisse aussi envisager des modèles embarquables et rapides à identifier. Il faut toutefois relativiser : la réduction d'erreur de 27,9 % en conditions réelles est nettement plus modeste que les 97,5 à 99,7 % obtenus en simulation, ce qui signale un écart sim-to-real non négligeable. Le banc expérimental reste un laboratoire, sans cadence ni charge de production, et rien n'indique à ce stade de validation sur une tâche industrielle complète.

Ce travail s'inscrit dans le courant de l'apprentissage de dynamiques à structure physique (réseaux lagrangiens, hamiltoniens, et plus récemment les réseaux d'oscillateurs couplés, ou CON), qui cherche à concilier expressivité des réseaux de neurones et garanties issues de la mécanique. Il se positionne face aux modèles NODE et LNN, utilisés ici comme références, et face aux approches de manipulation de câbles par politiques apprises de bout en bout, plus flexibles mais sans garanties. Les suites logiques sont l'extension à des tâches contactuelles (insertion, routage, enroulement), à des objets aux propriétés hétérogènes ou non linéaires, et une validation sur des cellules bimanuelles industrielles, où la manipulation de câbles reste l'un des derniers bastions de l'assemblage manuel. Aucune échéance de transfert industriel n'est annoncée, et il s'agit d'une publication de recherche, non d'un produit.

À lire aussi

Manipulation d'objets linéaires déformables par contrôle prédictif MPPI et apprentissage LSTM bidirectionnel
Illustration générée par IA
1arXiv cs.RO 

Manipulation d'objets linéaires déformables par contrôle prédictif MPPI et apprentissage LSTM bidirectionnel

Un article publié sur arXiv (référence 2609.26238v1) décrit une nouvelle méthode de commande pour la manipulation robotique d'objets linéaires déformables (DLO), comme les câbles. L'approche combine deux briques : un modèle de dynamique appris par un réseau récurrent bidirectionnel de type LSTM (biLSTM), entraîné sur des données synthétiques générées par le moteur physique MuJoCo, et un contrôleur prédictif de type Model Predictive Path Integral (MPPI), une variante stochastique et sans calcul de gradient de la commande prédictive classique (MPC). Le système a été validé à la fois en simulation et lors d'essais expérimentaux, sans que l'abstract ne précise le robot utilisé, le laboratoire d'origine ni de date au-delà de sa mise en ligne récente sur arXiv.

RecherchePaper
1 source
De la prédiction à l'action : apprendre le contexte physique pour manipuler des objets linéaires déformables
Illustration générée par IA
2arXiv cs.RO 

De la prédiction à l'action : apprendre le contexte physique pour manipuler des objets linéaires déformables

Une équipe de recherche publie sur arXiv (2611.14274) une étude sur la manipulation d'objets linéaires déformables (câbles, cordes, tubes), centrée sur le contrôle de forme planaire par une seule prise. Les auteurs introduisent Geometry-Pointer-Flow (GPF), une politique ancrée dans la géométrie qui sépare la sélection du point de saisie de la génération du mouvement conditionnée par cette saisie. Sa variante purement géométrique réduit de 32,8 % l'erreur de forme exécutée en un pas par rapport à une politique de diffusion spécialisée DLO, avec 18,7 fois moins de paramètres et une inférence environ 193 fois plus rapide. Sur cette base, les auteurs comparent trois façons de représenter le contexte physique : paramètres réels, paramètres estimés et représentations apprises de l'historique d'interaction.

RecherchePaper
1 source
Pointer, frapper : manipulation dynamique d'objets linéaires déformables conditionnée par la direction
Illustration générée par IA
3arXiv cs.RO 

Pointer, frapper : manipulation dynamique d'objets linéaires déformables conditionnée par la direction

Des chercheurs publient sur arXiv (2610.09573) une méthode de manipulation dynamique de cordes, cette fois conditionnée par la direction d'arrivée du bout de la corde. Jusqu'ici, les travaux sur les objets linéaires déformables (DLO) se contentaient de fixer comme objectif une position 3D que l'extrémité devait atteindre. Ici, une frappe en un seul balancement doit atteindre une position 3D précise avec une direction d'arrivée donnée, sur tout l'espace de travail et sur différentes cordes. L'équipe étend d'abord le simulateur DeformX avec accélération GPU, un solveur stable de tiges de Cosserat et un modèle aérodynamique à écoulement transverse. Le résultat, DeformX2.0, est plus de 20 000 fois plus rapide.

RecherchePaper
1 source
ORD-WM : apprentissage de la dynamique des corps rigides centrée sur les objets pour la modélisation 3D du monde en manipulation robotique
Illustration générée par IA
4arXiv cs.RO 

ORD-WM : apprentissage de la dynamique des corps rigides centrée sur les objets pour la modélisation 3D du monde en manipulation robotique

Des chercheurs proposent ORD-WM, un modèle de monde 3D conçu pour la manipulation robotique, décrit dans un preprint arXiv (2610.23156) qui n'a pas encore été évalué par des pairs. Le système encode le nuage de points de chaque objet dans une représentation latente qui conserve sa géométrie. Pour cela, il utilise un autoencodeur variationnel à neurones vectoriels (vector-neuron VAE), supervisé par des champs de distance signée (SDF). Un modèle de dynamique conditionné par l'action prédit ensuite, objet par objet, des incréments de mouvement dans SE(3), c'est-à-dire la rotation et la translation d'un corps rigide. Ces transformations sont appliquées analytiquement à l'état latent courant, au lieu de laisser le réseau générer librement l'état suivant.

RecherchePaper
1 source