PhysCoRe : modèles du monde résiduels corrigés par la physique pour la dynamique déformable adaptée aux matériaux
Voici l'article traduit et résumé. Une équipe de recherche présente PhysCoRe, un modèle physique hybride destiné à prédire le comportement d'objets déformables manipulés par un robot, un problème resté longtemps non résolu en robotique. Le système combine un simulateur différentiable de type Material Point Method (MPM) avec deux réseaux de neurones feed-forward complémentaires. Le premier module, baptisé Material from Motion (MfM), déduit l'élasticité de chaque particule de l'objet à partir d'observations visuelles, ce qui ancre le simulateur dans la physique réelle propre à chaque objet plutôt que dans des paramètres génériques. Le second module, Residual from Dynamics (RfD), apprend l'écart entre les prédictions du simulateur analytique et la réalité observée, et corrige les biais systématiques que le modèle physique pur ne peut pas capturer. Sur des séquences réelles de manipulation d'objets déformables, PhysCoRe dépasse les méthodes de référence de l'état de l'art en précision de prédiction. Cette approche s'attaque directement à un compromis classique du secteur de la robotique de manipulation : les méthodes d'optimisation par objet, qui calibrent les paramètres matériaux au cas par cas, sont lentes et ne généralisent pas d'un objet à l'autre, tandis que les modèles appris de bout en bout extrapolent mal et violent souvent des contraintes physiques élémentaires (conservation de la masse, cohérence géométrique). En couplant simulation physique et correction résiduelle apprise, PhysCoRe vise un entre-deux praticable pour des tâches comme le pliage de tissu, la manipulation de câbles ou l'emballage d'objets mous, autant d'opérations encore mal maîtrisées en logistique et en assemblage industriel. Point notable pour les intégrateurs : le système permet une identification de matériau en ligne sur des objets jamais vus, le module MfM s'adaptant à partir d'un nombre limité d'interactions, et sa confiance prédictive orientant l'exploration robotique vers les zones où l'estimation reste la moins fiable, un signal utile pour guider l'apprentissage actif plutôt que l'exploration aléatoire. Le travail s'inscrit dans une lignée de recherche qui cherche à réconcilier simulateurs physiques différentiables et apprentissage profond, une piste explorée notamment autour des méthodes MPM depuis plusieurs années pour modéliser des matériaux mous, granulaires ou élastiques. Il se positionne face aux approches purement data-driven de prédiction de dynamique déformable, ainsi qu'aux pipelines classiques d'optimisation de paramètres matériaux par essais successifs. Publié comme prépublication arXiv (2607.20653), l'article ne mentionne pas de déploiement industriel ni de partenariat commercial à ce stade ; il s'agit d'un résultat de recherche validé sur des séquences de manipulation réelles en laboratoire, dont la suite logique serait une évaluation sur des tâches de manipulation plus longues et des objets plus variés.
