RecherchearXiv cs.RO 21 avril 2026

Nouveaux algorithmes pour la construction de variétés de contact régulièrement différentiables et vectorisables

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un préprint déposé sur arXiv le 21 avril 2026 (identifiant 2604.17538) propose deux algorithmes destinés à rendre la détection de collision dans les simulations robotiques à la fois lissément différentiable et massivement vectorisable. Les auteurs ciblent un goulet d'étranglement bien identifié dans les pipelines de simulation standard : lorsqu'un robot interagit avec son environnement en mode contact-riche (manipulation d'objets, locomotion bipède, assemblage industriel), le calcul de gradients utiles au premier et second ordre se heurte à des pathologies à chacune des trois étapes classiques, soit la détection de collision, la dynamique de contact et l'intégration temporelle. La contribution porte ici exclusivement sur la première étape. L'équipe introduit une classe de primitives SDF (signed distance function, ou fonction de distance signée) analytiques à haute expressivité, capables de représenter des surfaces 3D complexes avec une efficacité de calcul élevée, ainsi qu'une routine inédite de génération de variétés de contact (contact manifold) exploitant cette représentation géométrique.

L'enjeu est significatif pour la communauté de la robotique de contact. Aujourd'hui, les méthodes d'ordre zéro, essentiellement des approches par échantillonnage stochastique comme le CEM ou les politiques évolutionnaires, dominent sur les tâches contact-riches précisément parce que les gradients issus des simulateurs existants sont soit discontinus, soit trop bruités pour être exploitables. Si les résultats annoncés dans ce préprint se confirment, des solveurs d'ordre supérieur (gradient descent, méthodes de Newton) deviendraient applicables à ces scénarios, avec des gains potentiels substantiels en vitesse de convergence et en efficacité computationnelle. La propriété de vectorisation massive est également pertinente pour les architectures GPU modernes, ce qui ouvre la voie à un parallélisme étendu dans les boucles de simulation utilisées pour l'apprentissage par renforcement.

Ce travail s'inscrit dans un effort de recherche plus large visant à rendre les simulateurs physiques différentiables de bout en bout, prérequis reconnu pour réduire le sim-to-real gap sur des comportements impliquant du contact. Des environnements comme MuJoCo (DeepMind), Drake (Toyota Research Institute) ou Brax (Google) ont posé des jalons dans cette direction, chacun avec des compromis différents entre fidélité physique et différentiabilité. L'approche SDF analytique proposée ici se distingue par sa vectorisabilité, une propriété moins prioritaire dans les travaux antérieurs. Il s'agit d'un preprint non encore soumis à peer review ; les benchmarks comparatifs et les validations expérimentales sur hardware réel restent à produire, et la robustesse de la méthode sur des géométries industrielles complexes demeure à démontrer.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Reconstruction tactile des repères de tâche de contact et des forces pour la commande hybride force/mouvement

Des chercheurs proposent une méthode pour estimer en ligne la force de contact et un repère de tâche (task frame) potentiellement variable dans le temps, uniquement à partir d'un capteur tactile optique souple, sans capteur force/couple monté sur le robot en fonctionnement. Le système associe une seule image de l'élastomère déformé à quatre grandeurs de contact observables : la profondeur d'indentation, deux angles d'inclinaison entre la surface et le capteur, et la force de contact 3D. Chaque échantillon s'accompagne d'une estimation d'incertitude. Cette correspondance est apprise par une procédure d'auto-étiquetage. Un manipulateur impose des contacts contrôlés, et un capteur force/couple auxiliaire fournit hors ligne les étiquettes de référence. La mesure tactile est ensuite fusionnée avec les données proprioceptives du robot dans un filtre de Kalman étendu (EKF), qui met à jour en continu le repère de contact et la force d'interaction. Les essais utilisent un capteur DigiTac monté sur un bras UR10. Ils montrent une régulation de force en boucle fermée contre une planche rigide plane, pendant que l'opérateur humain la déplace en translation et en rotation. Le toucher est alors la seule rétroaction extéroceptive. L'intérêt tient à la commande hybride force/mouvement, qui exige de connaître à la fois la force d'interaction et le repère définissant les directions asservies en force et celles asservies en mouvement. Ces grandeurs viennent aujourd'hui d'un capteur force/couple ou de résidus issus d'un modèle, avec souvent un modèle nominal de l'environnement. Ce dernier suppose une surface connue et fixe. Ici, le repère est reconstruit en direct, y compris quand la surface bouge, ce qui rapproche la méthode des tâches de contact réelles : polissage, ponçage, insertion ou assemblage sur des pièces mal positionnées. Le capteur force/couple n'intervient que pendant l'apprentissage, ce qui pourrait alléger le coût et l'encombrement d'un déploiement. L'incertitude par échantillon est un point utile pour la sûreté, car elle permet de pondérer la mesure dans le filtre. Il faut toutefois rester prudent. La validation porte sur un seul capteur, un seul bras et une cible plane et rigide, et rien n'indique de résultats sur des surfaces courbes, déformables ou fortement frottantes. Ce travail s'inscrit dans la montée des capteurs tactiles optiques souples de type GelSight, dont DigiTac est une variante dérivée de la famille DIGIT, qui remplacent peu à peu les mesures de force classiques en manipulation de précision. Il repose sur l'hypothèse d'un contact localement plan avec moment de contact négligeable, ce qui limite son domaine d'application. Il s'agit d'une prépublication arXiv (v1), sans évaluation par les pairs, et sans partenaire industriel ni calendrier de transfert annoncés. Les suites naturelles seraient des surfaces non planes, des contacts avec frottement et glissement, et une comparaison avec des approches de politiques apprises de type VLA intégrant le tactile.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Amortissement de l'optimisation de trajectoire pour la MPC résiduelle via différentiation implicite du contact

Cette étude publiée sur arXiv (2607.24959v1) s'attaque à un goulot d'étranglement classique de la robotique de contact : l'optimisation de trajectoire dans des simulateurs différentiables. Les chercheurs introduisent une méthode de dérivation implicite assistée par différentiation automatique (AD), appliquée au moteur MuJoCo MJX et fondée sur le théorème des fonctions implicites (IFT). Contrairement aux différences finies, coûteuses et sensibles au choix du pas, ou au déroulement complet de l'AD à travers un solveur de contact itératif, qui fait exploser la trace de calcul stockée en mémoire, leur approche différencie directement le résidu de stationnarité à la solution convergée, sans reconstruire à la main les systèmes KKT propres à chaque solveur. Résultat mesuré : la mémoire temporaire compilée reste quasi constante quel que soit l'effort du solveur, avec moins de 4% de variation entre une et dix itérations, contre une croissance de 10,6 fois pour l'AD déroulée classique. Le gain s'accentue avec la complexité du problème : 20 fois moins de mémoire à 256 contacts actifs, 6 fois moins à 16 contacts et 96 degrés de liberté. L'équipe va plus loin avec une technique de "distillation d'optimiseur" pour le contrôle prédictif résiduel (residual MPC) : un iLQR complet, calculé en batch sur tout l'horizon temporel, est condensé en une politique qui guide ensuite un iLQR résiduel à horizon court, bien moins coûteux à exécuter en ligne. Sur trois bancs d'essai (Finger, bras Franka, quadrupède Unitree), cette approche améliore le taux de succès à six pas de 28 à 98 points de pourcentage par rapport à un iLQR standard. Pour les équipes qui développent du contrôle robotique riche en contacts, manipulation fine, locomotion sur terrain irrégulier, l'intérêt est double : réduire drastiquement l'empreinte mémoire permet de faire tourner des simulations différentiables à plus grande échelle ou en temps réel embarqué, tandis que la distillation d'optimiseur offre une voie pour transférer la qualité d'une planification hors-ligne coûteuse vers un contrôleur exécutable en boucle rapide sur le robot. Le travail s'inscrit dans la lignée des efforts récents autour de MuJoCo MJX et de la simulation différentiable pour la robotique, un axe de recherche actif depuis que des laboratoires comme DeepMind ou des groupes académiques cherchent à exploiter les gradients de simulateurs physiques pour accélérer l'apprentissage et la planification, plutôt que de s'appuyer uniquement sur l'apprentissage par renforcement sans modèle. La méthode proposée ici comble un vide méthodologique entre les approches génériques mais gourmandes en mémoire et les dérivations KKT sur mesure, difficiles à maintenir et à généraliser d'un solveur à l'autre. Les auteurs ne précisent pas de calendrier de publication du code ni de partenariat industriel, mais la validation croisée sur des plateformes hétérogènes (doigt robotique, bras manipulateur Franka, quadrupède Unitree) suggère une ambition de généralisation au-delà d'un cas d'usage unique, avec un potentiel d'intégration dans des piles de contrôle MPC pour la manipulation ou la locomotion dynamique.

RecherchePaper

1 source

3arXiv cs.RO

Planification sur des cartes différentiables de variétés à contraintes avec des solveurs IK généraux

Des chercheurs présentent une nouvelle méthode pour planifier des trajectoires de bras robotiques manipulateurs soumis à des contraintes cinématiques d'égalité, un problème qui restreint les mouvements possibles à un sous-espace de mesure nulle dans l'espace des configurations. L'approche s'appuie sur des solveurs de cinématique inverse (IK) génériques comme IKFast, largement utilisés dans l'industrie mais dont les sorties ne sont normalement pas différentiables, ce qui les rend inutilisables pour l'optimisation de trajectoire par gradient. Les auteurs utilisent le théorème de la fonction inverse pour reconstruire les gradients recherchés à partir du jacobien de cinématique directe classique, une opération standard et déjà différentiable. Ils ajoutent aussi une extension de domaine par moindres carrés et une formulation de la contrainte d'accessibilité compatible avec l'optimisation, qui conserve un signal de gradient exploitable même en dehors de l'espace de travail atteignable. La méthode a été validée par des expériences numériques et une démonstration matérielle sur un bras RB-Y1, qui a saisi une boîte et l'a déposée sur une table. L'intérêt pratique est de rendre différentiables des solveurs IK automatisés déjà déployés massivement dans l'industrie, sans réécrire à la main des fonctions IK analytiques sur mesure pour chaque robot, une tâche coûteuse réservée jusqu'ici à des cas particuliers. Pour les intégrateurs et ingénieurs en robotique, cela signifie pouvoir brancher l'optimisation de trajectoire par gradient sur des chaînes d'outils IK existantes plutôt que de dépendre d'implémentations bespoke. Cela s'inscrit dans une tendance plus large de rapprochement entre planification classique basée sur des contraintes géométriques et optimisation différentiable, sans recourir à l'apprentissage profond ni aux modèles vision-langage-action (VLA) type Pi-0 ou GR00T N2. La démonstration reste toutefois limitée à une seule tâche de prise-dépose sur un unique bras, ce qui en fait une preuve de concept plutôt qu'un résultat généralisable à grande échelle. Le travail s'inscrit dans la littérature sur la planification sous variétés de contraintes, où paramétrer l'espace des configurations faisables via la cinématique inverse analytique est une stratégie reconnue, mais jusqu'ici limitée par le manque de différentiabilité des solveurs automatisés génériques. Publié le 10 septembre 2026 sur arXiv, l'article ne précise pas les auteurs ni leur affiliation dans le résumé fourni, mais met à disposition un site de projet dédié pour la reproduction des résultats. Aucun acteur français ou européen n'est mentionné dans cette publication.

RecherchePaper

1 source

4arXiv cs.RO

Contrôle robuste aux distributions via l'inférence de Stein pour la manipulation au contact

Une équipe de chercheurs publie sur arXiv (référence 2605.19029) une méthode de contrôle robuste pour la manipulation robotique en contact riche, domaine couvrant la saisie, l'assemblage et l'insertion précise d'objets. Le travail formalise le problème comme une optimisation de contrôle robuste aux distributions (distributionally robust control), résolue via l'inférence variationnelle de Stein, une technique probabiliste déterministe issue du machine learning bayésien. Les contrôleurs qui en résultent modélisent explicitement l'incertitude paramétrique liée aux contacts, sans nécessiter les volumes massifs de données d'entraînement qu'exigent les approches data-driven modernes. Les résultats expérimentaux rapportés indiquent une robustesse améliorée jusqu'à un facteur 3 par rapport aux méthodes classiques à base de modèles, sur une gamme de tâches avec incertitude paramétrique large. Ce chiffre est à nuancer : il provient des propres benchmarks des auteurs, sans validation indépendante. La manipulation en contact riche reste l'un des goulots d'étranglement critiques pour le déploiement de robots industriels polyvalents. Les approches VLA (Vision-Language-Action models), comme pi-0 de Physical Intelligence, offrent une flexibilité remarquable mais se dégradent fortement lorsque les données d'entraînement sont rares, ce qui limite leur adoption dans des environnements industriels où les jeux de données sont difficiles à constituer. Les contrôleurs classiques à base de modèles, à l'inverse, sont computationnellement efficaces mais peinent à représenter l'incertitude task-sensitive, c'est-à-dire celle qui impacte réellement la performance sur une tâche précise. L'approche proposée tente de combler ce fossé en injectant une modélisation probabiliste flexible dans le cadre déterministe des contrôleurs classiques, un compromis potentiellement attractif pour les intégrateurs industriels cherchant fiabilité sans pipeline de données massif. Ce travail s'inscrit dans une tendance académique cherchant à réconcilier le model-based engineering (Boston Dynamics, ABB) et les learned policies (Physical Intelligence avec pi-0, Google DeepMind avec ses architectures GR00T-style). L'inférence variationnelle de Stein, popularisée par Liu et Wang en 2016, est ici adaptée au contrôle optimal, ce qui représente une contribution méthodologique notable. Le résumé disponible ne mentionne ni déploiements réels ni partenaires industriels, signalant clairement un stade de recherche fondamentale, probablement conduite en simulation ou sur bancs d'essai de laboratoire. Une validation sur des plateformes hardware standardisées comme les bras Franka Emika ou UR10, dont les propriétés de contact sont bien documentées, constituerait la prochaine étape logique avant toute perspective d'industrialisation.

RecherchePaper

1 source