RecherchearXiv cs.RO 22 avril 2026

Contrôle d'admittance sensible aux torseurs pour la manipulation de charges utiles inconnues

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

En avril 2026, des chercheurs ont présenté sur arXiv (réf. 2604.19469) un framework de contrôle en admittance pour la manipulation robotique d'objets à masse inconnue, validé expérimentalement sur un bras UR5e de Universal Robots. Lorsque le centre de masse d'un objet saisi ne coïncide pas avec le point central outil (TCP), la charge génère un couple parasite au poignet, amplifié par l'inertie de l'objet pendant le déplacement. Sans compensation, ce couple est interprété par le contrôleur comme une force d'interaction extérieure, déclenchant des déviations de trajectoire, des erreurs de suivi et une précision de dépose dégradée. La solution exploite le capteur force-couple du poignet selon deux modes séquentiels : une excitation translationnelle sur trois axes atténue l'effet de la charge en transit sans raidir le robot, puis, après la saisie, le contrôleur estime successivement la masse de l'objet et l'offset de son centre de masse par rapport au TCP en analysant les mesures collectées lors du mouvement.

Pour les intégrateurs industriels, ce travail cible un problème récurrent : adapter un cobot à des lignes à références multiples sans recalibration manuelle à chaque changement de produit. Les contrôleurs en admittance sont le standard de fait pour les applications collaboratives (ISO/TS 15066), mais leur sensibilité aux perturbations non modélisées au niveau du capteur de couple les rend fragiles sur des tâches d'empilage ou de palettisation à charges variables. La méthode démontre qu'il est possible de préserver la compliance mécanique, garante de la cohabitation humain-robot, tout en corrigeant activement les biais de charge, sans recours à l'apprentissage par renforcement. Les résultats expérimentaux indiquent des gains en transport et en précision de dépose par rapport à la commande non corrigée, bien que l'abstract ne fournisse pas de métriques quantitatives détaillées permettant d'évaluer l'ampleur réelle des améliorations.

Le contrôle en admittance, formalisé par Neville Hogan au MIT dans les années 1980, est aujourd'hui intégré nativement dans les plateformes Universal Robots et Franka Robotics. Ce travail s'inscrit dans un courant concurrent des approches VLA (vision-language-action) portées par Physical Intelligence (pi-0) ou Google DeepMind, qui misent sur l'apprentissage massif plutôt que sur la modélisation analytique de la physique. L'avantage différenciant de cette approche est sa traçabilité pour la certification industrielle et l'absence totale de données d'entraînement. Les extensions naturelles incluent la prise en compte des couples en rotation et la validation sur des architectures multi-bras pour la manipulation coordonnée d'objets asymétriques.

Impact France/UE

Cette méthode de contrôle en admittance robuste aux charges inconnues est directement applicable aux cobots UR5e (Universal Robots, Danemark) et Franka (Allemagne) largement déployés dans l'industrie européenne, facilitant la conformité ISO/TS 15066 sur les lignes à références multiples sans recalibration manuelle.

Dans nos dossiers

Physical Intelligence — π0 Cobots & robots collaboratifs Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv 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

2arXiv cs.RO

Robuste contrôle par mode glissant et admittance de manipulateurs aériens sous-actionnés pour l'inspection par contact

Une publication arXiv (référence 2608.10656v1, aout 2026) présente une architecture de contrôle robuste destinée a un hexarotor sous-actionne équipe d'un bras manipulateur a un seul degré de liberté, conçu pour l'inspection industrielle par contact. Le système associe un contrôle par mode glissant (Sliding Mode Control) a action intégrale pour le suivi de trajectoire, et une loi de contrôle par admittance pour réguler la force exercée sur la surface inspectée. La force de contact est convertie en un terme d'attitude anticipe (feedforward), tandis que le bras a 1 DoF compense activement l'inclinaison du drone pour maintenir l'alignement avec la surface. Teste uniquement en simulation software-in-the-loop, le système surpasse un contrôleur PID classique en précision de suivi et en rejet du couplage dynamique entre attitude et force, avec une régulation de force d'une précision RMSE de 0,12 newton et une capacité a exercer jusqu'a 20 newtons de manière stable. Pour les intégrateurs de drones d'inspection industrielle, qui testent l'épaisseur de peinture, la corrosion ou réalisent des contrôles par ultrasons sur des pipelines, des éoliennes ou des coques de navires, ce travail traite un problème concret: maintenir un contact stable malgré les perturbations aérodynamiques et le couplage mécanique entre mouvement du véhicule et force exercée. Les plateformes sous-actionnées, plus légères et moins couteuses que les drones entièrement actionnes, sont notoirement plus difficiles a stabiliser en interaction directe avec une surface. Montrer qu'un bras réduit a un seul degré de liberté, combine a du SMC et de l'admittance, atteint une régulation de force de l'ordre du dixième de newton pourrait réduire la complexité mécanique jugée nécessaire pour ce type de mission. La réserve importante reste que la validation est entièrement simulée: aucun vol réel n'est rapporte, et les 20 newtons annonces sont une performance en boucle logicielle, non mesurée sur banc d'essai physique. Ce travail s'inscrit dans un axe de recherche actif sur la manipulation aérienne, ou plusieurs équipes explorent le contrôle en admittance ou en impédance pour gérer l'interaction physique entre drones et environnement, un problème distinct du vol libre classique. La spécificité des plateformes sous-actionnées, ou l'orientation du véhicule est intrinsèquement liée a la génération de force, pousse ici a des lois de commande hybrides plutôt qu'a l'ajout de degrés de liberté mécaniques. Le PID, encore répandu dans les prototypes commerciaux d'inspection, sert de référence et ressort nettement moins performant face aux perturbations testées. La suite logique, non précisée dans l'article, serait une validation sur plateforme physique réelle afin de confirmer que les gains observes en simulation tiennent en conditions de vol réelles, avec vent, bruit de capteurs et dynamiques de contact non modélisées.

RecherchePaper

1 source

3arXiv cs.RO

TactileReflex : contrôle réflexe vision-tactile piloté par les statistiques du bruit pour la manipulation sensible à la force

TactileReflex est un contrôleur en boucle fermée à trois canaux pour la manipulation de contenants déformables fragiles, comme des gobelets plastiques remplis de liquide. Publié sur arXiv (2605.23568), il utilise deux capteurs visuo-tactiles pour extraire, à environ 12 Hz, trois métriques image : l'intensité de cisaillement (Sy), l'intensité de contact (Fn) et le centre de pression (C), pilotant en parallèle la suppression du glissement, le relâchement adaptatif au poids et la protection contre les surcharges de force. La calibration est entièrement automatique : les seuils de contrôle sont dérivés du bruit intrinsèque des capteurs via un court protocole de maintien statique et déchargement, sans modèles physiques spécifiques aux matériaux ni réglage manuel par essais-erreurs. Les résultats sont nets : en tests d'ablation sur déformation de contenant, le système complet atteint 5/5 succès contre au maximum 1/5 pour les configurations partielles ; sur une tâche de versement dynamique, les approches à effort fixe échouent 10 fois sur 10, contre 9/10 pour TactileReflex sur deux volumes d'eau distincts. La difficulté de saisir un gobelet plastique tient à une marge de force extrêmement étroite : trop peu de pression entraîne le glissement, trop la déforme irrémédiablement. C'est un angle mort récurrent des politiques VLA (vision-language-action) et de la téléopération sans retour haptique, qui opèrent à l'aveugle face aux variations de rigidité et de poids des objets manipulés. TactileReflex est présenté comme une couche de sécurité "plug-and-play" pouvant s'intercaler sous tout pipeline de manipulation haut niveau. L'absence de calibration externe et l'interprétabilité du contrôleur réduisent le coût d'intégration, un argument concret pour les intégrateurs déployant des bras robotiques polyvalents sur des lignes incluant des produits fragiles ou déformables. Les capteurs visuo-tactiles de type GelSight ou DIGIT permettent depuis plusieurs années d'imager le contact à l'échelle millimétrique, mais leur intégration dans des boucles de contrôle temps réel avec des seuils fiables reste un défi ouvert. Dans la course actuelle à la manipulation généraliste, Figure AI, Physical Intelligence (Pi-0) et Google DeepMind (RT-2) travaillent principalement avec des objets rigides aux marges de force confortables, laissant la manipulation déformable en marge des grandes démonstrations. L'article reste un preprint non évalué par les pairs, sans affiliation institutionnelle clairement identifiée ni partenaire industriel ni timeline de déploiement annoncés. Sa compatibilité revendiquée avec les pipelines VLA et la téléopération VR ouvre néanmoins une voie vers les frameworks de collecte de données robotiques, un terrain où des acteurs européens comme Enchanted Tools (France) sont actifs.

RecherchePaper

1 source

4arXiv cs.RO

Utilisation de l'inpainting pour la détection de points clés pour le contrôle visuel de manipulateurs robotiques

Des chercheurs présentent, dans une version mise à jour d'un papier arXiv (2604.13309v2, avril 2026), un système d'asservissement visuel pilotant un bras manipulateur robotique via des caractéristiques visuelles naturelles, sans marqueur permanent. Pour entraîner leur détecteur de points clés, ils fixent des marqueurs ArUco sur le bras, utilisent leurs centres comme étiquettes, puis appliquent de l'inpainting pour effacer ces marqueurs et reconstruire les zones occultées, générant des images markerless étiquetées automatiquement, sans calibration caméra ni modèle CAO du robot. À l'exécution, un second modèle d'inpainting reconstruit les zones masquées pour une détection continue, et un filtre de Kalman sans parfum (UKF) stabilise les estimations dans le temps. Le contrôle vision-based fonctionne en visibilité totale comme en occultation partielle, et le pipeline est aussi testé sur des bras souples origami à deux et trois modules. Cette méthode s'attaque à une dépendance classique du contrôle robotique par vision : la calibration caméra précise, les modèles CAO exacts ou les marqueurs fiduciaires visibles en permanence, autant de contraintes fragiles dès qu'un bras s'auto-occulte ou qu'un objet manipulé masque une partie de sa structure. En générant automatiquement des données d'entraînement markerless à partir de données marquées, l'approche réduit le coût d'annotation pour des manipulateurs arbitraires. Son extension aux bras souples origami, où les modèles cinématiques classiques s'appliquent mal faute de structure rigide, élargit sa pertinence à la robotique souple et chirurgicale, un terrain où l'absence de modèle géométrique fiable freine encore l'automatisation. L'asservissement visuel repose traditionnellement sur deux options limitées : une calibration précise caméra-robot, ou des marqueurs fiduciaires comme ArUco, efficaces mais intrusifs et peu adaptés à une interaction naturelle. Les détecteurs de points clés basés sur l'apprentissage profond promettaient une alternative sans marqueur, mais butaient sur le coût d'annotation des données d'entraînement. Ce travail ferme la boucle en utilisant les marqueurs eux-mêmes, via inpainting, pour générer puis effacer leurs propres étiquettes. Aucune entreprise ni laboratoire n'est nommé dans le résumé : il s'agit d'une contribution de recherche méthodologique, dont la suite logique serait une validation plus large sur des manipulateurs industriels et d'autres plateformes de robotique souple.

RecherchePaper

1 source