Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Estimation du décalage par force pour l'assemblage de pièces clavetées en trou grâce à la régression par processus gaussien local
RecherchearXiv cs.RO 

Estimation du décalage par force pour l'assemblage de pièces clavetées en trou grâce à la régression par processus gaussien local

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

Une équipe de recherche présente, dans une prépublication arXiv (2608.17691v1), une méthode d'estimation de désalignement basée sur la force pour l'assemblage de type clé-rainure (keyed peg-in-hole), une opération de précision très sensible aux erreurs de préhension. Le système repose sur un pipeline en trois étapes, perception, validation, insertion, et estime le désalignement résiduel directement à partir des mesures de force et de couple au poignet du bras robotique, sans capteur de vision haute précision dédié à l'insertion. Un régresseur hybride combinant recherche des plus proches voisins (KNN) et processus gaussien local traite ces signaux, en distinguant deux régimes de contact, collision dure et insertion guidée par chanfrein, chacun orienté vers un modèle dédié grâce à un seuil de durée de fenêtre de contact. La précision du régresseur est renforcée en combinant le KNN à une recherche déterministe s'appuyant sur les résultats d'une validation visuelle monoculaire post-préhension, dans une application de pick-and-place fondée sur la détection de points clés. Testée sur le capteur force/couple intégré d'un bras collaboratif, la méthode a fait passer le taux de réussite de l'insertion de 67 % à 87 %.

Cette approche s'attaque à un problème classique et coûteux en robotique industrielle: l'assemblage par insertion de pièces clavetées ou chanfrenées exige une tolérance géométrique très serrée, difficile à garantir avec des cobots équipés de capteurs standards plutôt que de systèmes de vision 3D ou de gabarits mécaniques onéreux. En exploitant uniquement les données de force/couple déjà présentes sur de nombreux bras collaboratifs du marché, la méthode ouvre la voie à des solutions d'assemblage flexible moins dépendantes d'un outillage spécialisé, un enjeu direct pour les intégrateurs en électronique, automobile ou petite série industrielle où les connecteurs et pièces clavetées sont fréquents. Le gain de 20 points de réussite illustre aussi une tendance plus large: l'usage de modèles d'apprentissage statistique légers (GP, KNN) pour compenser l'incertitude de perception plutôt que de chercher une précision mécanique absolue en amont.

Ce travail s'inscrit dans la recherche continue sur la manipulation robotique riche en contact, où la fusion de signaux de force et de vision reste un axe actif face aux approches purement visuelles ou par apprentissage par renforcement, plus gourmandes en données. L'article ne mentionne ni partenaire industriel ni déploiement commercial: il s'agit d'un résultat expérimental en laboratoire, sur un seul type de bras collaboratif, dont la généralisation à d'autres géométries de pièces ou d'autres capteurs reste à démontrer dans de futurs travaux.

Dans nos dossiers

Manipulation robotiquearXiv cs.RO

À lire aussi

Voir à travers le cadre décalé : distillation de bruit privilégié pour l'assemblage de précision vision-force
1arXiv cs.RO 

Voir à travers le cadre décalé : distillation de bruit privilégié pour l'assemblage de précision vision-force

Des chercheurs publient sur arXiv (2610.07745) une méthode d'assemblage de précision par vision et force, centrée sur un problème précis : l'erreur de pose ne fausse pas seulement ce que le robot observe, elle déplace aussi le repère dans lequel il agit. Sur le benchmark FORGE, la politique officielle fondée sur l'état réussit 97 à 99 % des épisodes avec la pose exacte. Elle tombe à 32-60 % avec le bruit de pose du benchmark (σ = 5 mm). La même pose estimée alimente l'observation et ancre le repère d'action. Avant le contact, le décalage est donc impossible à identifier à partir de la seule proprioception. Les auteurs injectent cette information manquante pendant l'entraînement, de deux façons. Un professeur privilégié voit le décalage en simulation. Sinon, des démonstrations propres sont réétiquetées dans le repère déplacé, en forme fermée. L'élève, entraîné par clonage comportemental puis un tour de DAgger, ne reçoit au test que l'état bruité, une fenêtre brute de couple-force et deux caméras RGB. Les résultats sont nets, mais ils restent ceux d'un papier académique. Sur les tâches FORGE non modifiées, l'élève issu du professeur garde 92 à 99 % de réussite pour σ de 0 à 5 mm. Six références sans information privilégiée chutent à 2-80 %. Une expérience contrôlée isole la cause, avec la même architecture, le même budget de données et la même procédure. Les démonstrations générées sans accès au décalage donnent 31,5 % à σ = 5 mm. Les démonstrations privilégiées atteignent 88,7 % et les démonstrations réétiquetées 95,8 %. En déploiement zéro-shot sur un Franka, l'élève obtient 83,3 % de réussite agrégée à 5 mm, contre 34,4 % pour la meilleure politique fondée sur l'état. Le test réel ne porte que sur un seul bras, et le papier ne détaille pas le nombre d'essais dans l'extrait disponible. Pour les intégrateurs, le message est que de meilleurs capteurs ne suffisent pas. Ajouter vision et force à une politique ne règle pas le problème si la supervision n'encode pas la compensation du décalage latent. Cela touche directement les cellules d'insertion, de connecteurs ou de vissage, où l'incertitude de calibration et de perception est la norme. Le résultat suggère aussi que la distillation de bruit privilégié, ou le réétiquetage en forme fermée quand c'est possible, peut réduire l'écart simulation-réel. Il reste à voir si cela tient sur des pièces et des tolérances industrielles variées. Le travail s'appuie sur FORGE, un benchmark d'assemblage de précision en simulation, et sur la tradition du professeur privilégié suivi d'un élève déployable, déjà courante en locomotion et en manipulation. Il se distingue des grands modèles vision-langage-action généralistes (Pi-0, GR00T), qui visent la généralité plutôt que la précision sub-millimétrique. Une page projet est disponible, mais aucun déploiement commercial n'est annoncé. Les prochaines étapes probables sont des tests sur d'autres bras et d'autres tâches, puis une intégration dans des politiques plus générales.

RecherchePaper
1 source
Des résistances documentées aux limites de force : insertion robotique guidée par les matériaux pour l'assemblage en construction
2arXiv cs.RO 

Des résistances documentées aux limites de force : insertion robotique guidée par les matériaux pour l'assemblage en construction

Des chercheurs présentent SAGE (Source-grounded Assembly Gating and Execution), un système qui transforme des données documentaires sur les matériaux en limites de force exploitables pour l'insertion robotique dans l'assemblage de construction, selon un preprint publié sur arXiv (2609.22609v1). Le système restreint un grand modèle de langage à une tâche précise : extraire les résistances à la traction et à la compression depuis des passages et tableaux de documents techniques récupérés, en conservant la traçabilité des sources. Un modèle de réponse distinct interpole ensuite des solutions d'éléments finis calculées hors ligne pour convertir ces résistances et les conditions d'assemblage en capacité de charge axiale. Pour les ajustements à jeu positif, cette capacité fixe la limite de force axiale de la politique de contrôle ; pour les ajustements par interférence, elle est comparée à la demande de support mesurée pour décider d'admettre ou non l'insertion. Sur le benchmark principal, SAGE réduit l'erreur moyenne de capacité de 80,65% (estimation directe par le LLM à partir des mêmes preuves) à 10,74%. Sans réajustement, l'erreur reste à 8,00% sur 16 géométries supplémentaires, et le système classe correctement 59 des 62 simulations notées, avec uniquement des erreurs conservatrices. Sur un bras robotique xArm6, les essais physiques enregistrés aboutissent à une insertion réussie dans 9 cas sur 13, un taux d'environ 69% qui reste modeste et signale une marge de progression avant tout usage industriel fiable. L'intérêt de ces travaux tient à la séparation nette entre interprétation documentaire, confiée au LLM, et calcul mécanique, confié à un modèle physique explicite. Un LLM livré à lui-même pour estimer directement une capacité de charge produit une erreur moyenne proche de 81%, ce qui illustre les limites d'une confiance aveugle dans le raisonnement numérique des modèles de langage sur des données d'ingénierie. En combinant extraction sourcée et modélisation par éléments finis, SAGE rend les décisions d'insertion traçables et justifiables, un enjeu concret pour les intégrateurs en construction robotisée où les erreurs de force peuvent endommager des composants ou compromettre la structure assemblée. Ce travail de recherche académique reste à un stade préliminaire : preprint non encore relu par les pairs, testé sur un jeu limité de géométries et un seul bras robotique commercial. Aucun acteur industriel, humanoïde ou plateforme commerciale n'est associé à cette publication, qui s'inscrit dans la recherche sur l'usage des LLM comme interface documentaire couplée à des modèles physiques classiques plutôt que comme calculateur autonome. Les auteurs ne mentionnent pas de calendrier de transfert vers des essais industriels à plus grande échelle.

RecherchePaper
1 source
Apprentissage par renforcement sensible à la force : estimation hybride sans capteur pour la loco-manipulation de robots à roues et jambes
3arXiv cs.RO 

Apprentissage par renforcement sensible à la force : estimation hybride sans capteur pour la loco-manipulation de robots à roues et jambes

Un article scientifique publié sur arXiv (arXiv:2609.13779, prépublication non encore relue par les pairs) présente une méthode d'apprentissage par renforcement sensible à la force pour des robots à locomotion mixte roues-pattes effectuant simultanément déplacement et manipulation. Le système estime la force exercée par l'effecteur terminal sans capteur de force/couple dédié, en combinant trois briques : une observation du moment généralisé du robot, une projection du torseur des efforts sous contrainte de contact, et un réseau de neurones qui apprend en résiduel les biais liés au mouvement non captés par les modèles physiques. Cette estimation alimente une politique de contrôle « corps entier » conditionnée par mode, dotée d'un sélecteur axe par axe entre position et force, permettant de basculer entre mouvement libre, régulation de force pure et contrôle hybride force/position au sein d'un seul contrôleur. Les auteurs rapportent des gains en simulation sur la précision de l'estimation de force sans capteur et sur les performances de contrôle en force, puis valident l'approche sur un robot à roues-pattes réel lors de quatre tâches : rotation de valve, essuyage en mode hybride, ouverture de porte guidée par la force, et suivi à force nulle lorsqu'un humain guide le bras manuellement. Pour l'industrie, l'intérêt est d'abord économique : supprimer le capteur de force/couple dédié à l'effecteur réduit le coût, la fragilité et la maintenance des bras manipulateurs montés sur plateformes mobiles, un frein connu au déploiement des robots mobiles à bras dans des tâches à contact physique comme les vannes, les portes ou l'essuyage de surfaces. Qu'un seul contrôleur passe de façon fluide entre mouvement libre et régulation de force, sans recalibrage ni bascule manuelle de mode, répond à une limite fréquente des contrôleurs hybrides classiques sur bases flottantes à contacts changeants, typiques des plateformes combinant roues et pattes. Les gains annoncés restent toutefois qualitatifs, sans chiffres de précision ou de temps de cycle publiés dans le résumé, et les essais matériels portent sur un nombre limité de tâches et une seule plateforme, ce qui invite à la prudence avant d'en déduire une généralisation à d'autres robots ou environnements industriels. Le travail prolonge des recherches antérieures sur les observateurs de moment généralisé, déjà utilisés en robotique à pattes pour détecter des forces externes et des contacts, en les associant pour la première fois à un apprentissage par renforcement conditionné par mode sur une base mobile roues-pattes, catégorie intermédiaire entre robots à roues purs et humanoïdes bipèdes, plus rapide que la marche et plus stable que les roues seules sur terrain irrégulier. L'article ne précise ni le laboratoire ni l'industriel à l'origine des travaux, ni le nom du robot utilisé pour les essais, ce qui limite la comparaison directe avec des acteurs identifiés du secteur des plateformes hybrides. Il s'agit à ce stade d'une publication de recherche, sans annonce de produit ni de calendrier de déploiement commercial ; la suite logique évoquée serait une extension à davantage de tâches de manipulation en contact et une comparaison quantitative face à des contrôleurs équipés de capteurs de force réels.

RecherchePaper
1 source
Estimation des forces multi-contacts pour robots continus via graphes de facteurs paramétrés par gaussiennes
4arXiv cs.RO 

Estimation des forces multi-contacts pour robots continus via graphes de facteurs paramétrés par gaussiennes

Des chercheurs ont publié en préprint sur arXiv (arXiv:2606.29165) un nouveau cadre d'estimation unifiée de la forme et des forces de contact pour robots continus. Ces structures flexibles et déformables, contrairement aux robots articulés classiques, peuvent naviguer dans des environnements non structurés et des espaces confinés, à l'image d'un endoscope actif ou d'un bras chirurgical souple. Le verrou central : estimer en temps réel la position et l'intensité des forces de contact extérieures s'exerçant à des points inconnus le long du corps du robot est mathématiquement mal conditionné, particulièrement lorsque plusieurs contacts sont simultanés. La solution repose sur un graphe de facteurs intégrant une paramétrisation par mélange gaussien des forces externes, couplée à un modèle probabiliste de tige de Cosserat discrétisée, référence mécanique standard pour les structures élastiques filiformes. Le système fusionne trois flux capteurs : déformation (strain), tension des tendons et pose du robot. En simulation numérique, la méthode surpasse les approches existantes pour la localisation et l'amplitude des forces, aussi bien en contact unique qu'en contacts multiples. Une variante progressive, introduisant des fonctions de base à la demande, permet une estimation séquentielle des contacts lors d'une tâche de navigation en espace confiné. La capacité à estimer des forces de contact multiples en ligne est un verrou opérationnel majeur pour les robots continus. En chirurgie mini-invasive ou en inspection de conduites, le robot entre inévitablement en contact avec son environnement à des points non prédéfinis : une mauvaise estimation des forces peut provoquer des lésions tissulaires ou des blocages mécaniques. L'approche probabiliste par graphe de facteurs gère explicitement les incertitudes de modélisation et de capteurs, là où les méthodes déterministes échouent en multi-contact. La réduction de dimensionnalité via les mélanges gaussiens contourne le mal-conditionnement sans discrétisation spatiale excessive, rendant le calcul tractable en ligne. Les robots continus font l'objet d'une recherche académique soutenue depuis deux décennies, avec des cibles en endoscopie, inspection industrielle et intervention en milieu sinistré. La modélisation par tiges de Cosserat reste la référence théorique dominante, mais l'estimation multi-contact demeure un problème ouvert face auquel des approches concurrentes existent : réseaux de neurones pour la calibration haptique, capteurs FBG (Fiber Bragg Grating) distribués, ou méthodes d'apprentissage par contact. Ce travail n'est pas affilié à une entreprise commerciale identifiée et n'a été validé qu'en simulation numérique, limite importante à souligner avant tout transfert vers des applications cliniques ou industrielles réelles. Des expérimentations sur robot physique constitueraient la suite logique annoncée.

RecherchePaper
1 source