Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Précision au niveau supérieur : segmentation du tissu pour le désempilage grâce à des réseaux sensibles aux bords et formes
RecherchearXiv cs.RO 

Précision au niveau supérieur : segmentation du tissu pour le désempilage grâce à des réseaux sensibles aux bords et formes

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

La segmentation précise de la couche supérieure d'une pile de tissus reste un obstacle majeur pour la robotique textile, et un nouvel article de recherche publié sur arXiv (référence 2608.10648v1) propose une architecture d'entraînement dédiée à ce problème. La tâche de déstackage de tissus consiste à identifier et isoler la couche de tissu la plus haute dans un empilement, une opération rendue difficile par des contours flous et une forte similarité visuelle entre les couches successives. Les auteurs étendent le schéma classique encodeur-décodeur en ajoutant deux branches spécialisées qui supervisent le réseau principal pendant l'entraînement: une branche dite "edge-aware", qui affine la délimitation des bords du tissu, et une branche "shape-aware", qui guide le réseau pour aligner la forme globale détectée avec des masques de référence issus de modèles CAO (conception assistée par ordinateur). Les expériences menées sur un jeu de données réel de tissus montrent que cette approche multi-branches surpasse les méthodes de référence existantes, un résultat confirmé par des études d'ablation isolant la contribution de chaque branche.

Pour l'industrie robotique, ce travail cible un maillon technique précis mais critique: la manipulation de matières souples et déformables reste l'un des angles morts de la robotique de préhension, largement en retard par rapport au bin-picking d'objets rigides. Les approches de segmentation sémantique ou par contours classiques échouent souvent face aux tissus empilés, faute de repères visuels nets entre les couches. En démontrant qu'un couplage entre information de contour et contrainte de forme géométrique améliore la précision de segmentation, l'étude apporte une brique utile aux intégrateurs travaillant sur le tri de linge, la préparation de commandes textiles en e-commerce ou l'automatisation de lignes de confection.

L'article ne mentionne ni entreprise, ni robot, ni site de déploiement commercial: il s'agit d'une contribution de recherche académique, validée sur un jeu de données réel mais pas sur un pilote industriel. Aucun chiffre de cadence, de coût ou de volume de production n'est communiqué, ce qui limite pour l'instant la portée de l'annonce à une preuve de concept méthodologique plutôt qu'à un déploiement opérationnel.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Apprentissage par imitation sensible au contact grâce à la factorisation du contact
1arXiv cs.RO 

Apprentissage par imitation sensible au contact grâce à la factorisation du contact

Des chercheurs du laboratoire RCILab de l'université Kyung Hee (Corée du Sud) présentent FACE, un cadre d'apprentissage par imitation « factorisé par le contact », décrit dans un preprint arXiv (2610.09533). Le principe consiste à séparer le comportement de tâche voulu des facteurs de contact propres à l'environnement. Les efforts d'interaction sont exprimés dans des coordonnées normalisées, relatives au contact. Deux estimateurs complètent ce dispositif : un estimateur de normale de contact, appris, et un estimateur de friction en ligne, qui détermine l'échelle de friction effective. À l'exécution, les observations d'effort sont encodées et les sorties de la politique sont décodées en commandes de mouvement et d'effort physiques. L'adaptation se fait donc sans aucune mise à jour des paramètres de la politique. Les essais ont été menés sur robot réel, en manipulation riche en contacts, avec des variations inédites de propriétés de surface et de géométrie. Les auteurs comparent FACE à des variantes qui adaptent des approches antérieures à leur cadre. Le résumé ne chiffre ni taux de réussite, ni nombre d'essais, ni plateforme robotique, et ces éléments restent à vérifier dans l'article complet et sur la page du projet. L'enjeu est un verrou connu de la manipulation de précision, celle de l'essuyage, du ponçage, de l'insertion ou du polissage. Les efforts mesurés varient fortement pour de faibles changements de géométrie, d'orientation ou de friction de la surface. Une politique entraînée sur des mesures brutes de force apprend donc en partie les particularités des démonstrations et se transfère mal. Déplacer cette variabilité dans des estimateurs légers, sans réentraîner la politique, serait précieux pour les intégrateurs. Ils pourraient réutiliser une même politique sur des pièces, des matériaux ou des outillages différents, sans recollecter de démonstrations à chaque changement de référence. Ces résultats restent des essais de laboratoire. La robustesse face à des surfaces courbes, à des frottements non stationnaires ou à des cadences industrielles n'est pas établie, et les comparaisons portent sur des variantes adaptées par les auteurs, non sur des systèmes tiers inchangés. Ce travail s'inscrit dans le virage des politiques visuo-motrices (diffusion, VLA) vers la prise en compte du toucher et de l'effort. Les premières versions de ces modèles, comme Pi-0 ou Helix, s'appuient surtout sur la vision et la proprioception. La commande en force et en impédance, issue de la robotique classique, offre une adaptation fine au contact, mais elle exige des modèles d'environnement qu'il faut régler à la main. FACE vise un compromis : conserver l'apprentissage par imitation et déléguer au contact une partie de la physique, estimée en ligne. La suite logique serait de brancher ce principe sur des politiques généralistes plus grandes et de le valider sur plusieurs plateformes. Le preprint, publié en version 1, n'a pas encore passé de relecture par les pairs.

RecherchePaper
1 source
ReForce : apprentissage du retargeting sensible à la force pour la manipulation dextérique
2arXiv cs.RO 

ReForce : apprentissage du retargeting sensible à la force pour la manipulation dextérique

Une équipe de recherche a publié le 18 août 2026 sur arXiv (référence 2608.15560v1) une méthode baptisée ReForce, conçue pour la manipulation dextre par robot à partir de démonstrations humaines. Le problème visé est le suivant: les pipelines de retargeting (transfert des mouvements humains vers un bras ou une main robotique) restent aujourd'hui essentiellement cinématiques, c'est-à-dire qu'ils copient les trajectoires et postures sans tenir compte des forces de contact, alors que ce sont ces forces qui déterminent la réussite ou l'échec d'une prise en main. ReForce ajoute un résidu de force au-dessus du mouvement retargeté classiquement, calculé par un "force tracker" générique entraîné sur un grand volume d'interactions simulées. La méthode fonctionne en deux modes: téléopération en ligne avec retour de force, et traduction hors ligne de jeux de données de démonstration déjà enregistrés. Les tests, menés à la fois en simulation et sur du matériel réel, portent sur des tâches réputées difficiles car riches en contacts fins: la saisie d'un gobelet en papier et la manipulation de pinces (tongs). Les auteurs rapportent une erreur de suivi de force réduite et un engagement multi-doigts plus stable que les approches purement cinématiques. Pour l'industrie robotique, l'enjeu dépasse le simple gain de précision: la collecte de démonstrations humaines à grande échelle est devenue le principal levier pour entraîner des politiques de manipulation dextre, y compris pour les modèles vision-langage-action. Si le retargeting cinématique ignore la force, les données transmises aux modèles encodent des gestes visuellement corrects mais mécaniquement approximatifs, ce qui explique en partie pourquoi certaines démonstrations impressionnantes en vidéo échouent lors d'un déploiement réel sur objets fragiles, déformables ou glissants. En introduisant un modèle de force générique et transférable, ReForce propose une brique technique susceptible d'améliorer la qualité des jeux de données de téléopération en amont, plutôt que de complexifier uniquement le modèle final. Il s'agit d'une contribution académique en preprint, sans entreprise ni produit commercial associé, à distinguer des annonces de Physical Intelligence (Pi-0), NVIDIA (GR00T N2) ou Figure (Helix), qui portent sur des modèles de bout en bout déployés ou pilotés en conditions réelles. ReForce se positionne en amont de ces systèmes, sur la brique de collecte et de conversion de données de démonstration. L'abstract ne mentionne ni publication de code, ni jeu de données ouvert, ni calendrier de déploiement industriel: les deux tâches testées, prise de gobelet et manipulation de pinces, servent de preuve de concept plutôt que de benchmark étendu, la validation à plus grande échelle restant à faire.

RecherchePaper
1 source
NeurRAFT : planification de mouvement pour robots par mise en correspondance de flux au niveau des ancrages avec réglage de préférence sensible à la garde au sol
3arXiv cs.RO 

NeurRAFT : planification de mouvement pour robots par mise en correspondance de flux au niveau des ancrages avec réglage de préférence sensible à la garde au sol

Une équipe de recherche décrit NeurRAFT, un système de planification de mouvement pour bras robotiques, publié le 26 août 2026 sur arXiv sous la référence 2608.24026v1. Le modèle génère des trajectoires à partir d'observations sensorielles brutes, en s'appuyant sur des points d'ancrage compacts plutôt que sur des séquences denses de points de passage, via du flow matching entraîné par une perte pondérée par le jacobien qui priorise l'impact de chaque ancre dans l'espace de la tâche. À l'inférence, deux étapes d'intégration suffisent à générer ces ancres, puis une interpolation en spline cubique restitue une trajectoire lisse et complète. Une phase de Direct Preference Optimization corrige ensuite les trajectoires trop proches des obstacles en orientant le planificateur vers des solutions plus dégagées, sans surcoût de calcul à l'exécution; testé sur un bras Franka Emika, le système transfère en conditions réelles ("zero-shot") sous une perception de profondeur bruitée et partiellement occultée, avec des vidéos publiées sur neurraft.github.io. Le travail cible un angle mort classique de l'apprentissage par imitation: entraîné sur des démonstrations positives, un planificateur ne distingue pas une trajectoire sûre d'une trajectoire frôlant la collision, si bien que des comportements dangereux subsistent au moment du test. En appliquant aux trajectoires une préférence directe, technique popularisée par l'alignement des grands modèles de langage, NeurRAFT corrige ce biais sans vérification de collision post-hoc ni surcoût à l'inférence, un atout pour les intégrateurs qui opèrent des bras robotiques en environnement encombré avec une perception souvent imparfaite. Le résultat nuance l'idée que les planificateurs neuronaux de bout en bout resteraient cantonnés à des conditions de simulation contrôlées, même si les auteurs ne fournissent, dans leur résumé, aucune comparaison chiffrée indépendante face aux méthodes géométriques classiques. NeurRAFT s'inscrit dans la lignée des planificateurs neuronaux de bout en bout, qui remplacent les pipelines géométriques classiques comme RRT ou les champs de distance signée par des politiques apprises, et dans la vague des modèles génératifs par flow matching déjà utilisés en robotique. L'article revendique des améliorations substantielles face à des planificateurs qualifiés d'état de l'art sans les nommer explicitement, une réserve à garder en tête avant de généraliser les chiffres annoncés. Il s'agit à ce stade d'une publication de recherche en preprint, non relue par les pairs et non d'un produit déployé: la validation se limite à un seul bras de laboratoire et à des vidéos choisies par les auteurs, sans calendrier annoncé de portage vers d'autres plateformes comme des manipulateurs mobiles ou des humanoïdes.

RecherchePaper
1 source
FAR : retentative sensible aux échecs pour la récupération en cours de test et l'amélioration continue des politiques
4arXiv cs.RO 

FAR : retentative sensible aux échecs pour la récupération en cours de test et l'amélioration continue des politiques

Les chercheurs à l'origine de ce papier arXiv (référence 2607.01111v1) présentent FAR (Failure-Aware Retry), un framework qui permet à un robot manipulateur d'apprendre de ses propres échecs directement au moment du test, sans intervention humaine, pour finir par accomplir la tâche de façon autonome. Le système combine deux mécanismes: la Failure-Contrastive Preference Adaptation, qui transforme chaque échec en donnée de préférence pour écarter la politique des comportements déjà ratés, et des perturbations d'action légères appliquées lors des tentatives suivantes pour favoriser une exploration locale ciblée autour du point d'échec. Les trajectoires de récupération qui réussissent sont ensuite réinjectées dans une boucle d'entraînement, ce qui permet une amélioration continue de la politique. Testé en simulation et sur des tâches de manipulation réelles, FAR améliore le taux de réussite de 17,6% en moyenne par rapport à une politique de diffusion standard en simulation, et de 11,7% en conditions réelles. Ce travail s'attaque à un problème concret pour l'industrie: la plupart des politiques de manipulation actuelles, notamment celles basées sur la diffusion, échouent silencieusement en réel et se contentent de répéter la même erreur lors d'un nouvel essai, faute de mécanisme pour comprendre pourquoi elles ont échoué. Les méthodes de récupération existantes s'appuient généralement sur un opérateur humain pour réinitialiser ou corriger le robot, ce qui limite le déploiement autonome à grande échelle et alourdit le coût des essais réels. En démontrant qu'un robot peut exploiter ses propres échecs comme signal d'apprentissage plutôt que comme simple bruit à ignorer, FAR va dans le sens d'une meilleure robustesse des politiques VLA et de diffusion en environnement non contrôlé, un enjeu central pour les intégrateurs qui cherchent à réduire la supervision humaine sur des lignes de manipulation. FAR s'inscrit dans la lignée des travaux récents sur les politiques de diffusion et l'apprentissage par imitation appliqués à la manipulation robotique, où la question du "reset" et du "budget de pas de temps" pendant l'entraînement continu reste un goulot d'étranglement pratique. Les auteurs montrent justement que leur méthode améliore l'efficacité des données sous ces deux contraintes de budget, en exploitant préférentiellement les cas d'échec les plus informatifs. Le papier, classé comme nouvelle soumission sur arXiv, ouvre la voie à des extensions vers d'autres familles de politiques et vers des déploiements réels prolongés, sans que des pilotes industriels concrets ne soient encore annoncés à ce stade.

RecherchePaper
1 source