Aller au contenu principal
Cet étudiant diplômé dote les robots de la NASA de compétences en assemblage
RechercheIEEE Spectrum Robotics 

Cet étudiant diplômé dote les robots de la NASA de compétences en assemblage

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

Sarah Downs, membre étudiante diplômée de l'IEEE et titulaire d'un master en génie électrique de l'Université de Tulsa (Oklahoma), a développé lors de son projet de fin d'études un algorithme destiné à un robot assemblant des satellites en orbite. Réalisé en collaboration avec la NASA et l'US Air Force, ce travail s'attaque au problème classique dit du "peg-in-hole" en robotique : permettre à un bras robotique d'insérer précisément une antenne dans son logement correspondant, une tâche de manipulation fine cruciale pour l'assemblage en orbite. Downs poursuit désormais un doctorat en génie électrique à Texas A&M University, à College Station, où elle continue ses recherches sur l'assemblage et la manipulation de satellites, cette fois "à une échelle beaucoup plus grande", selon ses propres termes.

Ce type de recherche répond à un enjeu concret pour l'industrie spatiale : automatiser l'assemblage et la maintenance de satellites directement en orbite, sans intervention humaine, réduirait les coûts et les risques des missions de servicing spatial. Le problème peg-in-hole, en apparence trivial, reste l'un des verrous techniques les plus tenaces en robotique de manipulation, notamment en environnement contraint comme l'espace, où la précision, la gestion des tolérances mécaniques et l'absence de retour haptique fiable compliquent chaque insertion. Que ce travail émerge d'un partenariat universitaire avec la NASA et l'Air Force illustre aussi comment les agences américaines s'appuient sur les laboratoires universitaires pour alimenter leur pipeline de recherche en robotique spatiale, plutôt que de tout développer en interne.

Le parcours de Downs éclaire ce choix de carrière. Originaire de Tulsa, elle a perdu son père, conseiller sécurité dans l'industrie pétrolière, d'une crise cardiaque en 2015 alors qu'elle avait 13 ans ; sa mère a ensuite repris des études pour subvenir aux besoins de la famille. Cette précarité a orienté Downs vers une carrière alliant passion technique et sécurité financière. Initiée à la robotique via un club First Lego League au collège, puis au lycée via le programme FIRST Robotics et une formation en alternance à Tulsa Tech, elle a intégré l'Université de Tulsa en 2020 avec bourse, avant de basculer vers le génie électrique. Un retard de financement gouvernemental ayant repoussé son projet NASA initial, elle a d'abord rejoint l'Institute for Robotics and Autonomy de Tulsa, où elle a conçu un bras robotique assistif inspiré par sa grand-mère, immobilisée par l'arthrite, destiné à aider les personnes âgées et utilisateurs de fauteuil roulant à vivre de façon autonome.

À lire aussi

AlphaNIST : des compétences d'assemblage émergent de simples récompenses binaires de réussite
1arXiv cs.RO 

AlphaNIST : des compétences d'assemblage émergent de simples récompenses binaires de réussite

AlphaNIST, un travail publié sur arXiv (2610.13354) en octobre 2026, montre qu'une politique unique, entraînée par apprentissage par renforcement (RL) à partir de zéro en simulation, parvient à résoudre les 20 tâches d'assemblage de la NIST Assembly Task Board #1, avec 98,2 % de succès global à l'entraînement. Aucune démonstration humaine, aucun façonnage de la récompense par la progression (progress shaping), aucune primitive scriptée ni réglage par tâche n'ont été utilisés: la seule supervision est une récompense binaire, accordée quand la tâche est accomplie. Les auteurs entraînent aussi des politiques capables d'assembler dix paires de pièces dans un même épisode, sans ordre imposé, la réussite n'étant récompensée que lorsque les dix paires sont simultanément assemblées. Ils décrivent des comportements émergents: choix d'une prise en anticipation de l'assemblage ultérieur, exploitation de la géométrie environnante pour réorienter une pièce, et séquences du type préparer une pièce, en assembler une autre, puis revenir terminer la première, sans planificateur explicite. L'intérêt tient à ce que le résultat remet en question l'idée selon laquelle l'assemblage de précision exige une forte part de connaissance injectée par l'humain. Jusqu'ici, les progrès sur ce banc d'essai reposaient sur des démonstrations, la décomposition des tâches et des récompenses denses. Montrer qu'une récompense éparse suffit, à condition de disposer de diversité de tâches et d'échelle de calcul, suggère que l'ingénierie de récompense et la collecte de données de téléopération ne sont pas des passages obligés. Pour les intégrateurs, cela laisse entrevoir un déploiement moins coûteux de cellules d'assemblage, puisqu'il suffirait de spécifier le résultat attendu plutôt que le geste. Les réserves sont toutefois nettes: les résultats portent sur la simulation uniquement, le chiffre de 98,2 % est un taux d'entraînement et non une évaluation sur tâches inédites, et rien n'est démontré sur le transfert sim-to-real, qui reste le point dur des tolérances serrées et du contact riche. Les vidéos sont publiées sur le site du projet, sans que l'on sache quelle part des essais elles représentent. Les auteurs se placent explicitement dans la lignée d'AlphaGo puis AlphaGo Zero, où l'apprentissage par renforcement à grande échelle avait découvert des stratégies sans qu'on lui prescrive comment gagner. La NIST Assembly Task Board #1, référence de l'évaluation en manipulation, combine insertions fines de petites pièces à faible jeu et enchaînements longs nécessitant des récupérations sur erreur. Les approches concurrentes s'appuient plutôt sur l'imitation et les modèles vision-langage-action (VLA), qui misent sur les données réelles et la généralisation, là où AlphaNIST parie sur la simulation massive et une supervision minimale. La suite logique serait un test sur matériel réel, avec randomisation de domaine et gestion des erreurs de perception, avant de juger de la portée industrielle de l'approche.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Comment enseigner la même compétence à différents robots
2Robohub 

Comment enseigner la même compétence à différents robots

Des chercheurs de l'EPFL ont publié en 2026 dans la revue Science Robotics un nouveau cadre de contrôle robotique baptisé "Kinematic Intelligence", développé au sein du laboratoire LASA (Learning Algorithms and Systems Laboratory) sous la direction d'Aude Billard. Le principe repose sur trois étapes : une tâche démontrée une seule fois par un opérateur humain est capturée via motion-capture, convertie mathématiquement en une stratégie de mouvement générique, puis automatiquement adaptée aux contraintes cinématiques de chaque robot cible (amplitudes articulaires, positions d'équilibre, limites mécaniques). Dans une expérience conduite sur une ligne d'assemblage, un humain démontre trois actions successives - pousser un bloc de bois d'un convoyeur vers un établi, le déposer sur une table, puis le lancer dans un panier - et trois robots commerciaux de morphologies différentes reproduisent fidèlement cette séquence, y compris lorsque la répartition des étapes entre machines est modifiée en cours d'exécution. L'enjeu industriel est direct : reprogrammer une flotte de robots lors d'un changement de génération matérielle représente aujourd'hui un coût significatif en temps et en expertise, même quand les nouvelles machines remplissent des fonctions identiques. Kinematic Intelligence propose une alternative concrète : démontrer une fois, déployer sur plusieurs plateformes sans réécriture. Pour les intégrateurs et les décideurs industriels, cela ouvre la voie à une réduction du temps de mise en service et à une meilleure résilience face à l'évolution rapide du hardware robotique. La publication valide également une hypothèse structurante : un transfert de compétences cross-robot peut garantir formellement un comportement sûr et prédictible, sans recourir à de l'apprentissage par renforcement spécifique à chaque plateforme. Sthithpragya Gupta (doctorant LASA, co-premier auteur) et Durgesh Haribhau Salunkhe (chercheur LASA, co-premier auteur) soulignent que "chaque robot interprète la même compétence à sa façon, mais toujours dans des limites sûres et faisables". À noter : aucune métrique de taux de succès agrégé ni de temps de cycle n'est communiquée publiquement, ce qui limite l'évaluation quantitative de la robustesse à grande échelle. Le LASA est un laboratoire de référence en apprentissage par démonstration (Learning from Demonstration), avec une trajectoire longue sur l'imitation du mouvement humain. La recherche s'inscrit dans un paysage concurrentiel dense : les approches VLA (Vision-Language-Action) de Google DeepMind, pi-0 de Physical Intelligence ou les frameworks sim-to-real de Figure AI et Boston Dynamics visent eux aussi à réduire le coût de déploiement cross-plateforme, mais s'appuient sur de grands volumes de données et du fine-tuning. Kinematic Intelligence se distingue par son approche analytique et sa garantie formelle de sécurité, deux propriétés potentiellement attractives dans des environnements réglementés comme l'industrie pharmaceutique, automobile ou agroalimentaire. Les prochaines étapes annoncées incluent la collaboration humain-robot et l'interaction en langage naturel, avec l'ambition de rendre le système opérable sans expertise en programmation robotique.

UELa recherche de l'EPFL-LASA ouvre une piste concrète pour les intégrateurs industriels européens souhaitant réduire les coûts de reprogrammation lors des renouvellements de flottes robotiques, notamment dans les secteurs pharmaceutique, automobile et agroalimentaire.

RecherchePaper
1 source
WRAP : planification d'assemblage multi-robot sans montage, tenant compte des efforts (wrench)
3arXiv cs.RO 

WRAP : planification d'assemblage multi-robot sans montage, tenant compte des efforts (wrench)

Wrap se passe de fixations dédiées et raisonne explicitement sur les forces en jeu pendant le montage, coordonnant plusieurs robots pour assembler des pièces multiples. A partir des dépendances d'ordre entre pièces, de leurs maillages 3D et de leur position initiale, le système calcule une séquence de montage réalisable. Un programme linéaire vérifie si une prise donnée peut supporter les forces générées pendant l'assemblage, tandis qu'une heuristique bon marche, calculée par recherche arrière, guide une recherche avant plus couteuse, résolue étape par étape de manière gloutonne. Le plan obtenu est ensuite converti en problème de planification de mouvement multi-robot et multi-objectif, puis décompose a l'exécution en compétences de manipulation a contact riche et en trajectoires en espace libre. Les auteurs, dans un article publie sur arXiv (référence 2609.29407v1), ont teste Wrap sur plusieurs assemblages multi-pièces et sur des groupes de robots de tailles et cinématiques différentes, en simulation physique et en conditions réelles ; code et vidéos sont publies sur vhartmann.com/wrap. Cette méthode s'attaque a une limite classique de l'assemblage robotise industriel, ou les fixations sur mesure, couteuses et rigides, et les stratégies purement descendantes limitent la flexibilité des lignes face aux petites sériés ou aux produits variables. En automatisant le choix entre ajouter un second robot pour maintenir une pièce ou s'appuyer sur un support externe comme une table, Wrap traite une décision habituellement laissée a l'ingénieur d'intégration. Pour les intégrateurs et décideurs industriels, une planification automatisée de l'allocation de taches entre plusieurs bras pourrait réduire le temps de programmation des cellules d'assemblage flexibles, même si le travail reste, a ce stade, valide en laboratoire et non déployé en usine. Le problème cible s'inscrit dans un champ ou la combinatoire des attributions de taches et des ordres possibles explose des que plusieurs robots interviennent, ce qui a longtemps pousse l'industrie vers des cellules a fixation unique et séquence figée. Wrap se présente comme une alternative générique, indépendante du nombre et du type de robots, combinant recherche heuristique, programmation linéaire pour la validité des prises et planification de mouvement multi-robot. Les auteurs ne revendiquent ni déploiement industriel ni partenariat commercial : la contribution reste, pour l'instant, un planificateur open source publie avec son code et ses démonstrations vidéo, destine a être repris par la communauté robotique pour d'autres familles d'assemblages.

RecherchePaper
1 source
ASPIRE : découverte de compétences à base d'agents pour la robotique
4arXiv cs.RO 

ASPIRE : découverte de compétences à base d'agents pour la robotique

ASPIRE (Agentic Skill Programming through Iterative Robot Exploration) est un nouveau système d'apprentissage continu pour la robotique, décrit dans un article publié sur arXiv (2607.00272) début juillet 2026. Contrairement à la programmation robotique traditionnelle, qui impose de coder manuellement la perception multimodale, la gestion des contacts physiques et la diversité des échecs d'exécution, ASPIRE écrit et corrige lui-même ses programmes de contrôle selon le paradigme "code-as-policy", puis capitalise chaque correction validée dans une bibliothèque de compétences réutilisables. Le système s'appuie sur trois briques : un moteur d'exécution en boucle fermée qui expose des traces multimodales fines pour diagnostiquer les échecs et synthétiser des réparations ; une bibliothèque de compétences qui s'enrichit en continu de correctifs transférables ; et une recherche évolutionnaire qui génère des séquences de tâches et des programmes de contrôle variés, au-delà du simple raffinement trajectoire par trajectoire. Sur les bancs d'essai simulés, ASPIRE dépasse les méthodes précédentes de 77% sur les manipulations perturbées de LIBERO-Pro, 72% sur les transferts bimanuels de Robosuite, et 32% sur les tâches ménagères longues de BEHAVIOR-1K. Ce travail s'attaque directement à un point de friction connu du secteur : la difficulté à faire generaliser des politiques de contrôle robotique au-delà de la tâche pour laquelle elles ont été conçues, sans réentraînement lourd à chaque nouvelle configuration. La bibliothèque cumulative d'ASPIRE permet une généralisation zero-shot à des tâches longues jamais vues : 31% de réussite sur LIBERO-Pro Long, contre seulement 4% pour les meilleures méthodes concurrentes, qui pourtant s'appuient sur du raisonnement et des tentatives répétées au moment de l'exécution. Pour les intégrateurs et décideurs robotique, c'est un signal encourageant sur la viabilité de bibliothèques de compétences auto-construites plutôt que de politiques VLA monolithiques entraînées une fois pour toutes, mais les auteurs restent prudents : ils ne parlent que de "premières preuves" de transfert simulation-vers-réel, pas d'un problème résolu. Ce résultat s'inscrit dans la lignée des travaux récents sur les politiques de contrôle générées ou affinées par des grands modèles de langage, où l'enjeu principal est de dépasser le stade de la démonstration isolée pour atteindre une robustesse répétable en conditions réelles. Contrairement aux approches par apprentissage par renforcement pur ou aux VLA entraînés de bout en bout (type Pi-0 ou GR00T), ASPIRE mise sur l'exploration itérative et la mémoire de compétences pour réduire l'effort de programmation à chaque nouvel embodiment ou API robotique. Les auteurs annoncent vouloir approfondir la validation du transfert sim-to-real sur des plateformes physiques variées, une étape encore à venir puisque l'article ne documente pour l'instant que des résultats en simulation.

RecherchePaper
1 source