Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RigPI : identification des paramètres dynamiques d'un corps rigide par simulation différentiable guidée par VLM
RecherchearXiv cs.RO 

RigPI : identification des paramètres dynamiques d'un corps rigide par simulation différentiable guidée par VLM

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

Des chercheurs présentent RigPI (arXiv:2606.25212, juin 2026), un framework d'identification des paramètres dynamiques d'objets rigides manipulés par un bras robotique, sans connaissance préalable de leurs propriétés physiques. Le système fusionne trois sources : un modèle vision-langage (VLM) qui initialise sémantiquement les estimations à partir de l'apparence de l'objet, des capteurs force-couple pour capturer les interactions réelles, et un simulateur physique différentiable qui affine les paramètres par descente de gradient. RigPI couvre les objets libres non contraints et les corps multi-articulés à joints rotoïdes ou prismatiques. Une optimisation en deux étapes atténue la sensibilité au bruit et évite les solutions physiquement aberrantes. Des expériences en conditions réelles valident que le robot reproduit fidèlement les trajectoires de manipulation en utilisant les paramètres identifiés.

L'enjeu pour l'industrie est direct : construire des jumeaux numériques fiables exige de connaître les propriétés inertielles et frictionnelles d'un objet inconnu, pas seulement sa géométrie. Les pipelines classiques d'identification de système déraillent face au bruit capteur, aux erreurs de modèle et à l'absence de prior. RigPI innove sur deux fronts : l'usage d'un VLM comme oracle physique pour contraindre l'espace de recherche avant optimisation numérique, réduisant le risque de minima locaux incohérents ; et l'exploitation de la simulation différentiable pour propager des gradients analytiques plutôt que de procéder par essais-erreurs. Pour un intégrateur ou un responsable de production, cela signifie qu'une cellule de manipulation peut s'auto-calibrer sur un nouvel objet sans intervention humaine, comprimant les délais de mise en service.

Ce travail prend place dans un effort de recherche dense autour de la simulation différentiable en robotique, où des groupes de MIT, Stanford et de laboratoires comme DeepMind publient des approches parallèles. Le sim-to-real sur les paramètres physiques reste un problème ouvert : la majorité des pipelines actuels supposent des masses et frictions connues, ou les approximent grossièrement. RigPI est à ce stade un prototype académique, preprint non encore peer-reviewé, sans partenaire industriel annoncé. Les prolongements logiques incluent l'intégration avec des politiques VLA (vision-language-action) pour fermer la boucle perception-identification-contrôle, et l'extension aux matériaux déformables ou aux contacts multi-points.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Dynamique différentiable et simulation rapide d'un poisson robotique élastique continu
1arXiv cs.RO 

Dynamique différentiable et simulation rapide d'un poisson robotique élastique continu

Des chercheurs publient sur arXiv (article 2509.16145, version 3, remplaçant une version antérieure) un nouveau modèle de dynamique différentiable couplé à un cadre de simulation rapide pour poissons robotiques à corps élastique actionnés par moteur. La formulation, fondée sur le principe de Hamilton, représente le robot comme un corps élastique continûment déformable et couple sa dynamique structurelle aux forces hydrodynamiques sans imposer au préalable la cinématique du corps, c'est-à-dire sans prescrire la façon dont il doit onduler. Le simulateur obtenu est différentiable par rapport aux paramètres du modèle et de conception, ce qui permet une optimisation par descente de gradient. Les auteurs valident leur cadre par des études de convergence numérique ainsi que par des expériences menées sur un poisson robotique physique, puis démontrent son utilité en optimisant par gradient la distribution de raideur le long du corps pour améliorer l'efficacité de nage. Cette avancée cible un verrou concret de la robotique bio-inspirée sous-marine : les approches existantes imposaient soit une cinématique corporelle fixe, soit approximaient le corps par des segments rigides ou compliants discrets, soit reposaient sur des simulations d'interaction fluide-structure trop coûteuses pour être intégrées dans une boucle d'optimisation de conception. En rendant la simulation différentiable et rapide, ce travail permet de co-concevoir la répartition de raideur et le contrôle moteur sans recourir à des campagnes d'essais physiques répétées, un enjeu direct pour les concepteurs de robots souples et de véhicules sous-marins autonomes bio-inspirés. La flexibilité du corps est identifiée depuis longtemps comme un facteur clé de la propulsion des poissons : la répartition spatiale de la raideur détermine la déformation, les charges hydrodynamiques et la performance propulsive. Les méthodes antérieures peinaient à capturer simultanément cette élasticité continue, le couplage fluide-structure et le mouvement auto-propulsé résultant, sans exploser en coût de calcul. Ce travail s'inscrit dans le courant plus large de la robotique molle différentiable, où la simulation rapide et dérivable devient un outil standard pour l'optimisation automatisée de conception, à l'image des approches sim-to-real développées pour d'autres classes de robots.

RecherchePaper
1 source
Simulateur différentiable neuronal adaptatif : modélisation des contacts rigides par transfert réel-vers-simulation
2arXiv cs.RO 

Simulateur différentiable neuronal adaptatif : modélisation des contacts rigides par transfert réel-vers-simulation

Des chercheurs ont publié sur arXiv (référence 2603.06218v2) un framework baptisé "Few-Shot Neural Differentiable Simulator", conçu pour calibrer des simulateurs analytiques rigides à partir d'un volume réduit de données réelles, puis générer des jeux de données synthétiques à grande échelle. L'approche combine un simulateur analytique traditionnel, utilisé comme générateur de données après calibration, avec un réseau de neurones sur graphe (GNN) basé sur des maillages 3D, chargé de modéliser la dynamique avant des corps rigides. La contribution technique centrale réside dans la dérivation de gradients de substitution pour la détection de collision, rendant l'ensemble du pipeline entièrement différentiable. Les expériences portent sur des scénarios d'interaction multi-objets, où le système apprend des politiques de manipulation directement par optimisation basée sur les gradients dans le simulateur. Ce travail s'attaque à l'un des verrous majeurs du apprentissage robotique : le coût prohibitif de la collecte de données réelles et l'écart persistant entre simulation et réalité (sim-to-real gap). En n'exigeant qu'un petit nombre d'épisodes réels pour recaler le simulateur analytique, plutôt que des milliers de trajectoires pour entraîner un modèle purement appris, le framework réduit significativement la barrière d'accès à la simulation haute-fidélité. La différentiabilité complète est un avantage concret pour les concepteurs de politiques robotiques : elle permet de propager des gradients à travers la dynamique de contact, évitant le recours à des méthodes d'optimisation sans gradient (evolutionary strategies, RL model-free) typiquement moins efficaces en échantillons. Les résultats présentés indiquent que le GNN ainsi entraîné surpasse des baselines différentiables analytiques pour répliquer des trajectoires réelles, bien que ces résultats restent à ce stade expérimentaux et non validés en conditions industrielles réelles. Le problème de la simulation de contact rigide mobilise depuis plusieurs années des équipes académiques et industrielles majeures. Les simulateurs dominants comme MuJoCo (DeepMind), Isaac Sim (NVIDIA) et PyBullet offrent une différentiabilité partielle, mais peinent à modéliser fidèlement les contacts complexes sans paramétrage expert lourd. Des approches concurrentes comme DiffTaichi ou Brax (Google) ont exploré la différentiabilité à l'échelle, tandis que des laboratoires comme MIT CSAIL et Stanford travaillent sur des simulateurs neuronaux pour la manipulation. Ce preprint, non encore soumis à révision par pairs, ouvre une direction crédible vers des simulateurs "grounded" en peu de données réelles, pertinente pour les déploiements en manipulation industrielle et en robotique de service où les données réelles sont coûteuses à acquérir.

RecherchePaper
1 source
Gradients de contact groupés : stabiliser la simulation différentiable pour des tâches dynamiques déployables
3arXiv cs.RO 

Gradients de contact groupés : stabiliser la simulation différentiable pour des tâches dynamiques déployables

Des chercheurs présentent Bundled Contact Gradients (BCG), une méthode qui stabilise l'apprentissage de politiques par simulation différentiable pour des tâches dynamiques transférées à des humanoïdes réels. Le papier, publié sur arXiv (2609.30951v1) le 28 septembre 2026, s'attaque à un problème connu de la simulation différentiable : pour obtenir des gradients exploitables à travers les contacts rigides, il faut habituellement assouplir les modèles de contact, ce qui dégrade la fidélité physique et limite les politiques apprises à la simulation. Augmenter la raideur du contact améliore le réalisme mais rend la dynamique très sensible aux petites perturbations d'état, produisant des gradients à haute variance qui déstabilisent l'optimisation du premier ordre. BCG répond à ce problème par un lissage aléatoire localisé au contact : quand un contact rigide est détecté, la méthode évalue un ensemble de rollouts perturbés autour de cette configuration et agrège leurs signaux de gradient pour réduire la variance. Les auteurs rapportent un entraînement et un transfert zero-shot réussis de mouvements dynamiques sur une plateforme humanoïde réelle Unitree G1, avec vidéos disponibles sur le site du projet. L'enjeu dépasse la seule prouesse académique : le fossé sim-to-real reste l'un des principaux freins à la commercialisation des humanoïdes, en particulier pour les mouvements dynamiques (sauts, contacts pied-sol impulsifs, manipulation en force) où les modèles de contact assouplis échouent typiquement à se transférer au réel. Une méthode qui permet d'augmenter la raideur des contacts en simulation sans faire exploser la variance des gradients touche directement à la crédibilité des pipelines d'apprentissage par renforcement ou par optimisation différentiable utilisés par les fournisseurs de plateformes humanoïdes (Unitree, mais aussi les architectures VLA comme GR00T N2, Pi-0 ou Helix qui s'appuient sur des politiques apprises). Pour les intégrateurs et laboratoires de recherche, cela suggère une voie pour entraîner des comportements dynamiques plus riches sans dépendre uniquement du reinforcement learning classique, plus gourmand en échantillons. Le travail s'inscrit dans une lignée de recherches sur la simulation différentiable appliquée à la robotique, où la gestion du contact rigide reste un verrou technique majeur depuis plusieurs années. Les auteurs ne précisent pas d'affiliation industrielle ni de partenariat de déploiement commercial : il s'agit d'un résultat de recherche démontré sur une seule plateforme (Unitree G1), avec transfert zero-shot en environnement contrôlé plutôt qu'un déploiement en production. Aucun calendrier de suite n'est communiqué au-delà de la publication des vidéos et du code supplémentaire sur le site dédié du projet ; il reste à voir si la méthode sera reprise par d'autres laboratoires ou intégrée dans des pipelines d'entraînement à plus grande échelle pour des humanoïdes commerciaux comme Figure 03 ou Optimus.

RecherchePaper
1 source
Cadre d'identification reproductible et physiquement réalisable des paramètres dynamiques pour bras robot à faible coût
4arXiv cs.RO 

Cadre d'identification reproductible et physiquement réalisable des paramètres dynamiques pour bras robot à faible coût

Des chercheurs ont soumis sur arXiv en mai 2025 (arXiv:2605.15949) un pipeline d'identification des paramètres dynamiques pour le CRANE-X7, bras à 7 degrés de liberté de RT Corporation destiné aux laboratoires à faible budget. Le modèle corps-rigide est réduit de 65 à 39 paramètres de base en supprimant les produits d'inertie là où la symétrie des segments le permet. Quarante trajectoires d'excitation, construites à la main à partir de primitives mono et bi-articulation dans les limites mécaniques de chaque axe, alimentent une chaîne enchaînant moindres carrés ordinaires (OLS), projection par programmation semi-définie positive (SDP) pour rétablir la faisabilité physique, puis raffinement par erreur d'entrée en boucle fermée (CLIE). Un espace d'analyse en composantes principales (PCA) permet de sélectionner le candidat statistiquement central parmi les 40 modèles résultants. Un audit final de définie-positivité de la matrice d'inertie sur toutes les poses articulaires valide le résultat; un step SDP de secours corrige les violations résiduelles si nécessaire. L'enjeu est pratique: les méthodes par moindres carrés standard produisent régulièrement des paramètres physiquement incohérents (matrices d'inertie non définies positives), ce qui rend instables les contrôleurs en couple et les simulations physiques. Pour les intégrateurs et équipes de recherche, un modèle dynamique certifié est un prérequis pour la commande d'impédance, la compensation de gravité, ou l'apprentissage par démonstration. Les résultats expérimentaux montrent une concentration progressive du nuage de paramètres d'OLS vers SDP puis CLIE, avec une bonne précision prédictive conservée sur des trajectoires de validation hors-échantillon. La réduction 65-à-39 paramètres mérite toutefois d'être testée sur d'autres morphologies avant d'être généralisée. Le CRANE-X7 est une plateforme académique japonaise répandue dans les labos universitaires, mais elle manque de données dynamiques calibrées fournies par le constructeur, problème typique des bras à actionneurs modulaires de type Dynamixel. L'identification par SDP pour garantir la faisabilité physique remonte aux travaux d'Atkeson et al. dans les années 1990; son intégration dans un pipeline ouvert et reproductible avec sélection statistique et audit final reste peu documentée. Des approches concurrentes comme l'optimisation non-linéaire directe ou l'identification neuronale offrent moins de garanties de cohérence physique. Des plateformes de segment supérieur telles que le Kinova Gen3 ou le Franka Research 3 bénéficient de spécifications constructeur plus complètes. Une validation croisée sur d'autres robots à faible coût, voire une intégration dans des frameworks open-source comme Drake ou ros2_control, constituerait la suite logique de ces travaux.

UELes laboratoires européens équipés de bras modulaires à actionneurs Dynamixel (CRANE-X7 ou similaires) peuvent appliquer ce pipeline open pour obtenir des modèles dynamiques certifiés physiquement cohérents, prérequis pour la commande d'impédance et l'apprentissage par démonstration.

RecherchePaper
1 source