FR/EU ecosystemearXiv cs.RO 16 juillet 2026

Apprentissage de compétences avant/arrière à partir d'une seule démonstration inachevée pour tâches de manipulation contraintes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Chercheurs de l'Automation and Control Institute (ACIN) de la TU Wien publient un nouveau framework d'apprentissage par démonstration (LfD) pour les tâches de manipulation en contact, dans un article arXiv daté du 16 juillet 2026 (arXiv:2607.13882v1). Contrairement aux méthodes existantes qui exigent plusieurs démonstrations complètes, leur système apprend à la fois l'exécution avant et arrière d'une compétence à partir d'une seule démonstration, potentiellement inachevée. La méthode découpe chaque démonstration en phases sans contact et en phases de contact : les premières sont encodées via des primitives de mouvement dynamiques (DMP), les secondes représentées comme une séquence de primitives de mouvement vissé (screw motion primitives), segmentées grâce à un algorithme de segmentation par direction de torsion géométrique conçu par les auteurs. À l'exécution, ces primitives sont enchaînées sous correction de pose et régulation de vitesse pilotées par admittance, ce qui permet au robot d'aller au-delà de la trajectoire démontrée et de rejouer la tâche à l'envers sans données supplémentaires. Les tests portent sur quatre tâches : insertion de tige (peg insertion), insertion de batterie, ouverture de serrure et vissage.

L'enjeu est la réduction drastique du coût d'apprentissage pour les tâches contraintes géométriquement, un point faible connu du LfD classique, qui peine sur les interactions riches en contact et en force. En ne nécessitant qu'une démonstration, même incomplète, la méthode limite le travail de téléopération ou de capture de données habituellement requis pour entraîner un robot industriel à des gestes d'assemblage précis. La capacité d'exécution inverse sans réapprentissage est particulièrement utile pour les cycles assemblage/désassemblage, un besoin fréquent en ligne de production. Les auteurs rapportent des taux de succès et une robustesse supérieurs aux baselines de segmentation et d'apprentissage de trajectoire en un coup, ce qui positionne l'approche comme une alternative crédible pour les intégrateurs cherchant à automatiser des tâches de préhension fine sans multiplier les démonstrations.

Le travail s'inscrit dans la lignée des recherches sur les primitives de mouvement (DMP) et la modélisation par torseurs cinématiques pour la robotique de contact, un champ actif face aux limites des approches purement basées trajectoire. Le site du projet (tuwien-asl.github.io/LfD-Screw) propose des démonstrations vidéo ; aucune date de publication de code ni de partenariat industriel n'est mentionnée à ce stade.

Impact France/UE

La recherche émane d'une université autrichienne (TU Wien, ACIN), renforçant l'écosystème européen de R&D en robotique de manipulation, sans partenariat industriel européen annonce a ce stade.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprentissage de la séparation contrôlée de petits objets entre deux doigts avec une peau tactile

Des chercheurs du DLR (Deutsches Zentrum für Luft- und Raumfahrt, le centre aérospatial allemand) publient sur arXiv (2605.31486) une approche inédite pour la séparation contrôlée de petits objets par une main robotique à deux doigts. La tâche est précise : après avoir saisi une poignée de billes de 6 mm de diamètre dans un bac, le système doit en lâcher progressivement jusqu'à n'en conserver qu'un nombre cible entre ses doigts. Aucune caméra n'intervient dans la boucle de contrôle ; le robot s'appuie exclusivement sur une peau tactile à résolution spatiale positionnée sur le bout d'un doigt. La politique de contrôle est apprise en simulation par apprentissage par renforcement avec une récompense sparse qui se déclenche uniquement lorsque le nombre désiré d'objets est atteint. Le transfert sim-to-real est démontré sur la DLR-Hand II, une main mécatronique multi-doigts de référence dans la communauté académique robotique. L'analyse conduite sur les capteurs tactiles constitue le principal apport scientifique. Un capteur idéal à haute résolution permet de résoudre la tâche quasi parfaitement, tandis qu'un capteur réduit à une grille de 4x4 taxels améliore encore les résultats de 20% par rapport à l'utilisation des seuls encodeurs articulaires des doigts. Un estimateur entraîné conjointement prédit les positions de contact réelles, ce qui permet d'instrumenter finement l'apport de chaque niveau de résolution sensorielle. Pour les industriels, cette démonstration valide l'hypothèse que le toucher seul peut suffire pour des tâches de tri et de dosage en environnement encombré, sans éclairage contrôlé ni vision, ce qui élargit le spectre applicatif des cellules de picking autonomes dans des contextes où la caméra est inutilisable ou coûteuse à intégrer. Le DLR développe sa ligne DLR-Hand depuis les années 1990, avec la DLR-Hand II comme référence académique de longue date en manipulation dextère. Sur le plan concurrentiel, la manipulation fine de très petits objets reste un problème ouvert que ciblent plusieurs acteurs : Shadow Robotics et ses tendons haute précision, les capteurs tactiles Digit (Meta AI) et GelSight (MIT), ou encore Xela Robotics côté intégration commerciale. La combinaison apprentissage par renforcement en simulation, transfert sim-to-real réussi et retour tactile seul sur des objets de 6 mm reste très peu documentée à cette échelle. Le travail est un preprint non encore évalué par les pairs ; une soumission à IROS ou ICRA préciserait les limites de la généralisation à d'autres géométries d'objets et à des contextes de production réelle.

UELa publication du DLR valide l'usage du toucher seul pour le tri fin sans vision, ouvrant une piste compétitive pour les équipes de robotique industrielle européennes qui développent des cellules de picking en environnement contraint.

FR/EU ecosystemePaper

1 source

2arXiv cs.RO

Apprentissage en une démonstration pour la manipulation robotique à contacts riches, par identification des interactions physiques

Un preprint publié sur arXiv (arXiv:2608.24741v1, août 2026) présente une méthode de Learning from Demonstration (LfD) qui modélise explicitement les interactions physiques entre un robot et son environnement, notamment la création et la rupture de contact pendant une manipulation. Un contrôleur hybride position-force suit la trajectoire démontrée par un humain jusqu'à ce que les conditions de transition liées au contact, identifiées durant cette démonstration, soient atteintes. La méthode a été validée sur un robot réel via quatre tâches riches en contacts, ouverture de portes et de serrures, prise et vissage de boulons, dégagement d'objets coincés et suivi de contour de surface, chacune apprise à partir d'une seule démonstration et sans connaissance préalable de la tâche. Cette approche tranche avec la tendance dominante de la manipulation robotique, où les modèles vision-langage-action (VLA) à grande échelle exigent des milliers de démonstrations pour généraliser. En rendant explicite la physique du contact plutôt que de la confier à un réseau de neurones opaque, les auteurs visent une interprétabilité rare dans la littérature du LfD, où l'on sait précisément pourquoi et quand le robot change de comportement. Pour des intégrateurs industriels confrontés à des tâches d'assemblage ou de maintenance à forte variabilité géométrique, comme le boulonnage ou le verrouillage, l'intérêt tient à une programmation par démonstration unique, robuste aux variations imprévues et généralisable quand ces variations sont connues à l'avance, ce qui contredit l'idée que seule l'échelle des données garantit une manipulation fiable. Le travail s'inscrit dans un courant du LfD qui, selon les auteurs, néglige généralement la modélisation explicite du contact physique, alors que celui-ci est central dans la plupart des tâches de manipulation réelles. Ils présentent leur contribution comme un moyen de combler cette lacune d'interprétabilité en apprentissage à partir de très peu d'exemples, en détaillant comment robustesse, généralisation et adaptabilité peuvent être implémentées explicitement plutôt que laissées à l'apprentissage statistique. Publié comme preprint non encore évalué par les pairs, sans indication d'institution ni de calendrier de valorisation industrielle, il se positionne comme une contribution méthodologique plutôt qu'un produit, dans un paysage de la manipulation robotique dominé par des modèles fondationnels de type VLA entraînés sur de vastes corpus de démonstrations.

RecherchePaper

1 source

3Interesting Engineering

AEON rejoint Humanoid Gym pour apprendre des tâches industrielles avant un déploiement de 1 000 robots

Hexagon Robotics et l'équipementier allemand Schaeffler, spécialiste des roulements et des technologies de mouvement, ont annoncé le mois dernier l'entrée du robot humanoïde AEON dans le Humanoid Gym, un centre d'entraînement industriel installé en Allemagne. Cette étape s'inscrit dans un partenariat stratégique entre les deux groupes visant à déployer au moins 1 000 unités AEON dans l'industrie au cours des prochaines années. Le site fonctionne selon un modèle en trois phases, entraînement, validation puis déploiement, appliqué à chaque nouvelle capacité avant que le robot ne soit autorisé à l'exercer en conditions réelles de production. Aucune des deux entreprises n'a communiqué de calendrier pour les déploiements individuels, ni précisé quelles tâches manufacturières AEON apprendra en premier. Aucun robot de la flotte annoncée n'est actuellement en service : l'arrivée dans le Humanoid Gym marque le début de la préparation industrielle, pas son aboutissement. Cette annonce illustre un écart récurrent dans le secteur des humanoïdes entre les objectifs de déploiement à grande échelle affichés par les fabricants et la réalité opérationnelle, où l'essentiel du travail reste concentré sur l'acquisition et la validation de capacités de base avant toute mise en production. L'absence de calendrier ou de tâches définies pour les 1 000 unités promises rappelle que cette annonce relève encore de la feuille de route stratégique plutôt que d'un produit déployé. Pour les intégrateurs industriels et les décideurs qui évaluent l'adoption de robots humanoïdes, le cas Schaeffler met en avant une dimension souvent sous-estimée : l'entreprise cliente doit elle-même bâtir une expertise interne en pilotage, en formation et en intégration des robots, en parallèle du développement des capacités du robot lui-même. La réussite d'un déploiement à grande échelle dépend donc autant de la maturité organisationnelle du site industriel que des progrès techniques de la machine. Le partenariat entre Hexagon Robotics et Schaeffler a été noué pour accélérer l'adoption de l'automatisation de nouvelle génération dans le secteur manufacturier ; l'entrée d'AEON dans le Humanoid Gym constitue l'étape suivante de cette collaboration, après les phases antérieures de développement du robot. Schaeffler y apporte sa connaissance des lignes de production automobile et industrielle, tandis que Hexagon Robotics fournit la plateforme robotique et ses capacités logicielles. Ce type de centre d'entraînement dédié rappelle les démarches d'autres acteurs du secteur humanoïde, comme Figure AI avec Figure 03, Tesla avec Optimus, ou les fournisseurs de modèles vision-langage-action tels que Pi-0 ou GR00T N2, qui cherchent tous à valider leurs robots sur des tâches industrielles concrètes avant une commercialisation élargie. Aucune date de première mise en service n'a été communiquée ; les deux partenaires indiquent seulement que le travail mené dans ce centre doit servir de fondation aux étapes suivantes, qui verront AEON passer progressivement du développement de capacités à une exploitation industrielle effective.

UELe partenariat associe l'allemand Schaeffler et Hexagon Robotics (groupe suédois) pour déployer jusqu'a 1000 robots AEON dans l'industrie manufacturière européenne, avec un centre d'entrainement installe en Allemagne.

FR/EU ecosystemeOpinion

1 source

4arXiv cs.RO

Pipeline d'intégration simulation-réel pour l'entraînement et le déploiement de politiques VLA de manipulation par blocs

Des chercheurs du laboratoire ISIR (Sorbonne Université, Paris) ont publié le 21 septembre 2026 sur arXiv (2609.21817) un protocole open-source de transfert simulation-vers-réel pour entraîner des modèles Vision-Language-Action (VLA) de manipulation. Sur un bras Franka FR3, des trajectoires expertes générées en simulation sont rejouées en boucle ouverte, tandis que les observations visuelles et proprioceptives réelles correspondantes sont enregistrées et converties dans un format compatible avec l'entraînement VLA, qui prédit des actions dans l'espace de pose de l'effecteur sous forme de chunks. La même chaîne de déploiement sert ensuite, en boucle fermée, à évaluer la politique entraînée sur un matériel identique. Les jeux de données sont publiés sur Hugging Face et le code sur GitLab (gitlab.isir.upmc.fr/kappel). L'enjeu vise le principal goulot d'étranglement de l'entraînement des VLA : la collecte de démonstrations réelles par téléopération humaine, coûteuse, lente et difficile à faire monter en échelle. En appariant chaque enregistrement réel à la trajectoire simulée qui l'a produit, le protocole offre surtout une mesure directe et chiffrée de l'écart sim-to-real, là où la plupart des annonces du secteur se contentent d'affirmer le problème résolu sans le quantifier. Pour les laboratoires et équipes d'intégration sans flotte de téléopération, l'outil permet de constituer des jeux d'entraînement reproductibles et de comparer objectivement des politiques VLA sur un même banc matériel plutôt que sur des vidéos de démonstration sélectionnées. Ce travail s'inscrit dans une course plus large aux modèles VLA, où des acteurs comme Physical Intelligence (Pi-0), NVIDIA (GR00T N2) ou Figure (Helix) misent sur de vastes jeux de données réelles collectés par téléopération, une dépendance que l'ISIR cherche justement à alléger. Le Franka FR3, bras à sept degrés de liberté du fabricant allemand Franka Robotics, est une plateforme standard des laboratoires de manipulation, sans lien avec les humanoïdes commerciaux comme Optimus ou Figure 03. Il s'agit ici d'une publication académique et non d'un produit ou d'un déploiement industriel : aucun chiffre de charge utile, de temps de cycle ou de volume n'est communiqué, l'ISIR misant sur l'adoption communautaire du code et des données pour que d'autres équipes reproduisent et étendent le protocole à d'autres plateformes robotiques.

UELe laboratoire français ISIR (Sorbonne Universite) publie un protocole et des données open-source qui renforcent la visibilité de la recherche européenne en robotique VLA et offrent aux équipes françaises sans flotte de téléopération un outil reproductible pour entrainer et comparer leurs propres politiques de manipulation.

FR/EU ecosystemePaper

1 source