Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Combien d'échantillons d'entraînement sont nécessaires pour résoudre la cinématique inverse par réseaux de neurones artificiels
RecherchearXiv cs.RO 

Combien d'échantillons d'entraînement sont nécessaires pour résoudre la cinématique inverse par réseaux de neurones artificiels

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Une étude publiée sur arXiv (réf. 2605.23583) apporte une réponse chiffrée à une question pratique restée sans consensus dans la communauté robotique : combien de données d'entraînement sont nécessaires pour qu'un réseau de neurones artificiels (ANN) résolve correctement la cinématique inverse (IK) d'un bras manipulateur ? Les chercheurs ont généré des jeux de paires position-articulation de tailles croissantes pour entraîner des réseaux feedforward sur un manipulateur articulé, puis ont évalué la précision, la convergence et la capacité de généralisation des modèles obtenus. Résultat principal : au-delà de 125 échantillons d'entraînement, l'ajout de données supplémentaires n'améliore plus significativement l'efficacité du modèle ni la précision d'approximation de l'effecteur terminal.

Ce seuil de 125 paires joint-position est une donnée concrète pour les intégrateurs robotiques et les équipes embarquées : il signifie qu'une couverture d'entraînement minimale suffit pour obtenir un solveur IK neuronal opérationnel, sans nécessiter de campagnes de collecte longues ou coûteuses. Cela contredit l'hypothèse implicite selon laquelle les approches par apprentissage exigent systématiquement des volumes de données importants pour rivaliser avec les méthodes analytiques classiques. Pour des systèmes à ressources contraintes, des robots collaboratifs ou des déploiements edge, cette efficacité de données ouvre la voie à une mise en oeuvre plus rapide et moins coûteuse des solveurs IK appris.

La cinématique inverse est l'un des problèmes fondamentaux de la commande de bras robotiques : calculer les angles articulaires qui placent l'effecteur à une position cible donnée. Les méthodes traditionnelles, géométriques, algébriques ou basées sur le jacobien, présentent des limites connues face aux configurations singulières ou aux manipulateurs redondants. Les ANN ont émergé comme alternative depuis une dizaine d'années, portés par des travaux issus de laboratoires académiques et de groupes comme OpenAI Robotics ou des équipes universitaires spécialisées en apprentissage robotique. Cette étude comble un manque pratique dans la littérature : elle fournit un cadre mathématique liant taille du dataset et précision du modèle, et constitue un guide dimensionnel directement exploitable pour optimiser le compromis coût de calcul / qualité de prédiction dans des applications industrielles réelles.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Planification par réseau de neurones en graphe et contrôle prédictif pour la planification de mouvement multi-robots sans étiquettes sous contraintes de communication
1arXiv cs.RO 

Planification par réseau de neurones en graphe et contrôle prédictif pour la planification de mouvement multi-robots sans étiquettes sous contraintes de communication

Une équipe de chercheurs propose, dans un preprint déposé sur arXiv le 25 mai 2026 (arXiv:2605.19209), un framework hiérarchique pour résoudre le problème de planification de mouvement multi-robots sans étiquetage, c'est-à-dire l'assignation simultanée de robots à des objectifs et la génération de trajectoires sûres dans des environnements partagés. Le système combine deux composants : un Graph ATtention Planner (GATP), fondé sur des réseaux de neurones à graphes avec mécanisme d'attention, qui génère des sous-objectifs intermédiaires par coopération entre agents, et un contrôleur NMPC (Nonlinear Model Predictive Controller) décentralisé, exécuté en embarqué sur chaque robot, qui garantit la faisabilité des trajectoires sous dynamiques non-linéaires et contraintes d'actuation réelles. Le framework a été évalué à la fois en simulation et sur des quadrotors physiques. Les auteurs rapportent une tolérance aux délais de communication allant jusqu'à 200 ms, une inférence entièrement décentralisée à bord, et une meilleure généralisation à des équipes de taille croissante. Ce travail s'attaque directement au gouffre sim-to-real qui mine la plupart des approches GNN appliquées à la robotique multi-agents : les méthodes existantes supposent des dynamiques simplifiées et un environnement de simulation idéalisé, ce qui les rend fragiles en conditions réelles. En couplant un planificateur neuronal décentralisé à un contrôleur à modèle prédictif, le framework maintient les propriétés de scalabilité des GNN tout en imposant des garanties de sécurité physiques que les approches purement apprises ne fournissent pas. La robustesse aux délais de communication est particulièrement significative pour les déploiements en entrepôts ou en milieu industriel, où les réseaux sans fil ne sont jamais idéaux. Cette contribution s'inscrit dans un corpus actif de recherche sur les GNN pour la coordination multi-robots, aux côtés de travaux comme MAGAT ou DAN, qui visent à remplacer les solveurs centralisés classiques (MILP, CBS) par des approches distribuées passant à l'échelle. Le preprint n'est pas encore soumis à une revue avec comité de lecture, et aucun déploiement industriel ni partenariat n'est annoncé : il s'agit d'une validation expérimentale académique sur quadrotors, prometteuse mais à consolider. Les prochaines étapes naturelles seraient des expériences sur flottes plus larges et des robots à dynamiques plus complexes, comme des manipulateurs mobiles ou des AMR en environnement entrepôt.

RecherchePaper
1 source
Cinématique inverse en boucle fermée de dimension infinie pour les robots souples via des opérateurs neuronaux
2arXiv cs.RO 

Cinématique inverse en boucle fermée de dimension infinie pour les robots souples via des opérateurs neuronaux

Des chercheurs proposent une cinématique inverse en boucle fermée (CLIK) formulée directement en dimension infinie pour les robots souples, dans un article arXiv (2602.18655, version 3). Pour un robot rigide entièrement actionné, l'inversion cinématique est un problème purement géométrique, que les schémas CLIK résolvent efficacement en calculant des vitesses articulaires. Les robots souples sous-actionnés rendent le problème très mal posé, car toutes les configurations ne sont pas atteignables par la commande. Les extensions existantes passent par des correspondances de bout en bout entre actionnement et espace de la tâche, mais elles supposent un espace de configuration virtuel de dimension finie. Les auteurs composent ici une application actionnement-vers-forme avec une application forme-vers-tâche. Ils obtiennent la cinématique différentielle de bout en bout grâce à une règle de dérivation en chaîne en dimension infinie, ce qui donne un algorithme CLIK fondé sur la jacobienne. Le raisonnement porte sur la forme entière du robot et évite les étapes d'approximation intermédiaires. Comme les modèles de robots souples complexes existent rarement sous forme fermée, ni l'application actionnement-forme ni sa jacobienne ne s'obtiennent en général analytiquement. Les auteurs proposent donc de les apprendre avec des opérateurs neuronaux différentiables, des réseaux qui apprennent des correspondances entre espaces de fonctions plutôt qu'entre vecteurs de taille fixe. La validation se fait en deux temps. Une étude analytique porte d'abord sur un segment à courbure constante. La version neuronale est ensuite appliquée à un bras souple à trois fibres, dont le modèle sous-jacent repose sur la morphoélasticité et la théorie des filaments actifs. Le résumé ne donne aucun chiffre sur la précision de suivi, les temps de calcul ou la robustesse. Il ne dit pas non plus si les essais ont eu lieu en simulation ou sur matériel physique. Le bras à trois fibres semble être évalué sur un modèle physique, ce qui laisse ouverte la question du transfert simulation-réalité. Pour l'industrie, il s'agit de recherche fondamentale sans produit ni déploiement, mais elle touche un verrou réel. Les robots souples promettent la sécurité et l'adaptabilité en manipulation délicate, en alimentaire, en médical ou en inspection, mais leur commande reste le principal frein à l'industrialisation. Une approche qui évite de réduire la forme à quelques paramètres, comme la courbure constante par morceaux, pourrait améliorer la précision sur des structures très déformables. Elle dépend toutefois de la qualité de l'opérateur appris, donc des données d'entraînement et de la généralisation hors distribution, des points que le résumé ne traite pas. Cette voie s'inscrit dans la tendance plus large de l'apprentissage de modèles différentiables pour la commande. Elle reste très éloignée des politiques VLA (vision-langage-action) des humanoïdes, et son horizon est celui du laboratoire. La suite logique est une validation sur matériel, une évaluation en temps réel et une comparaison chiffrée avec les méthodes CLIK à dimension finie.

RecherchePaper
1 source
Combinaison d'échantillonnage contraint et d'apprentissage par renforcement pour la manipulation robotique
3arXiv cs.RO 

Combinaison d'échantillonnage contraint et d'apprentissage par renforcement pour la manipulation robotique

Manipulation robotique non préhensile : des chercheurs de la TU Berlin combinent échantillonnage contraint et apprentissage par renforcement Une équipe de la TU Berlin, associée au laboratoire de Marc Toussaint, publie une nouvelle version de ses travaux sur l'entraînement de politiques de manipulation robotique en environnement riche en contacts (arXiv:2602.08557v2). Le problème visé est la manipulation dite non préhensile, c'est à dire pousser, faire glisser ou réorienter un objet sans le saisir, une tâche où l'apprentissage par renforcement (RL) peine souvent à explorer suffisamment l'espace des stratégies possibles. La méthode proposée combine deux idées existantes mais rarement associées : d'une part des stratégies de réinitialisation qui contrôlent la distribution des états de départ de chaque épisode d'entraînement, et d'autre part un échantillonnage basé modèle sur des variétés contraintes, une technique reconnue pour son efficacité à générer des états physiquement valides. Le nouvel échantillonneur tient explicitement compte de la structure des contacts pour couvrir un large éventail de modes de contact, le tout combiné à une interpolation projetée et à un apprentissage curriculaire progressif. Sur le plan des résultats, l'équipe affirme surpasser à la fois le RL classique sans échantillonnage contraint et les méthodes alternatives de réinitialisation, en entraînant des politiques universelles, non préhensiles et dynamiques. L'intérêt pour le secteur tient moins à un produit qu'à une brique méthodologique : la manipulation en contact riche, aujourd'hui l'un des points durs de la robotique appliquée (tri industriel, réorientation d'objets sur convoyeur, préhension d'objets déformables), reste largement dominée par des politiques apprises en simulation qui échouent à généraliser sur des configurations de contact non vues à l'entraînement. Une méthode qui améliore la couverture des modes de contact pendant l'apprentissage adresse directement ce problème de généralisation, sans dépendre d'un matériel ou d'un actionneur particulier. Il s'agit ici d'une contribution académique, pas d'une annonce produit ni d'un déploiement industriel, du matériel supplémentaire étant disponible sur le site du laboratoire. Le travail s'inscrit dans la continuité des recherches de Toussaint sur la planification géométrico logique et les approches hybrides modèle/apprentissage, un courant de recherche européen qui contraste avec les approches purement data-driven (type VLA) privilégiées par les laboratoires américains sur les plateformes humanoïdes commerciales.

UEContribution de la TU Berlin (laboratoire de Marc Toussaint) qui renforce l'expertise européenne en manipulation robotique hybride modèle/apprentissage, une approche qui se distingue des méthodes VLA data-driven privilégiées par les laboratoires américains.

RecherchePaper
1 source
Apprentissage de la dynamique de contact par le toucher : réseaux de neurones sur graphes conditionnés par l'action pour l'insertion de tiges robotique
4arXiv cs.RO 

Apprentissage de la dynamique de contact par le toucher : réseaux de neurones sur graphes conditionnés par l'action pour l'insertion de tiges robotique

Une équipe de recherche publie sur arXiv (2509.12151, version 3) un modèle physique apprenable capable de prédire le mouvement de l'effecteur terminal d'un robot ainsi que la force et le couple de réaction lors de manipulations à contact riche. L'architecture représente l'effecteur et l'environnement comme des maillages en interaction organisés en graphe, et conditionne explicitement ses prédictions sur la commande de contrôle appliquée : elle prédit directement la mise à jour de pose au niveau de l'objet, tandis que le couple de réaction émerge d'un champ de force calculé par sommet du maillage. L'entraînement est auto-supervisé, à partir des seules données des encodeurs articulaires et du capteur de force-couple, pendant que le robot touche aléatoirement son environnement sans consigne de tâche. En simulation, ce modèle se transfère à une tâche d'insertion de pièce (peg insertion) sur des géométries concaves inédites : un agent de commande prédictive (MPC) qui l'utilise atteint jusqu'à 98% de taux de réussite, et après un réglage fin sur des données auto-collectées, il égale un agent planifiant avec la dynamique de référence au jeu le plus serré testé, 1 mm. Dans le monde réel, ce modèle surpasse un modèle MuJoCo calibré par identification de système classique de 45% en précision de position, et de 74% et 63% respectivement en erreur de force et de couple. L'enjeu dépasse la démonstration académique : l'insertion de pièces à tolérances serrées reste un point de blocage classique pour l'assemblage robotique de précision, car les simulateurs physiques standards peinent à modéliser fidèlement le frottement et la déformation de contact, ce qui creuse l'écart simulation-réel et oblige les intégrateurs à des campagnes coûteuses de calibration manuelle. En montrant qu'un modèle appris à partir de simples contacts aléatoires, sans démonstration de tâche, généralise à des géométries jamais vues et rivalise avec une dynamique de référence à 1 mm de clearance, ce travail suggère une voie pour réduire la dépendance à l'identification de système traditionnelle et améliorer la robustesse hors simulation, un enjeu direct pour les intégrateurs travaillant sur l'assemblage électronique ou mécanique fin. Les résultats restent toutefois circonscrits à une tâche unique testée en conditions contrôlées, avec une comparaison réelle limitée à un seul modèle de référence, et non à un déploiement industriel à l'échelle. Cette approche s'inscrit dans un courant de recherche appliquant les réseaux de neurones sur graphes à la simulation physique à base de maillages, et l'étend ici à la dynamique de contact robot-environnement conditionnée par l'action. Elle se distingue des politiques de bout en bout de type vision-langage-action, qui apprennent un comportement directement à partir de démonstrations massives et spécifiques à la tâche, en misant plutôt sur un modèle dynamique générique et réutilisable appris de façon indépendante de la tâche. Le principal point de comparaison méthodologique reste l'identification de système classique utilisée dans des moteurs comme MuJoCo, que ce travail cherche explicitement à dépasser sur la fidélité des forces de contact. Le fait que le papier en soit à sa troisième version sur arXiv signale des itérations après relecture, sans partenariat industriel, pilote ou calendrier de déploiement mentionné à ce stade ; les suites attendues porteraient sur l'extension à d'autres tâches d'assemblage à tolérances serrées et une validation sur davantage de plateformes robotiques réelles.

RecherchePaper
1 source