RecherchearXiv cs.RO 10 septembre 2026

Assembler deux pièces d'une seule main

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article publié le 10 septembre 2026 sur arXiv (référence 2609.10137) présente une méthode d'apprentissage par renforcement permettant à une seule main robotique dextre d'assembler deux pièces rigides sans bras secondaire ni fixation externe, une tâche baptisée "in-hand assembly". Les chercheurs, à l'origine du projet hébergé sur ltbgbird.github.io, ont testé leur approche sur trois tâches distinctes: capuchonner une bouteille, assembler une seringue et refermer un marqueur, chacune définie par une pose relative cible entre les deux objets à joindre. L'apprentissage repose sur une récompense auxiliaire fonction de la coordination entre doigts, régularisée vers une unique pose de référence humaine, combinée à de la randomisation de domaine et à la fusion de l'historique de proprioception avec les observations visuelles pour compenser le bruit d'estimation dû aux occlusions. Les politiques, entraînées uniquement en simulation, ont été transférées sans réentraînement (zero-shot) sur du matériel réel équipé d'une seule caméra, démontrant une robustesse face aux erreurs d'estimation d'état provoquées par les occlusions des doigts sur l'objet manipulé.

Ce travail s'attaque à un problème resté largement irrésolu en robotique dextre: la coordination fine entre doigts d'une même main pour accomplir une manipulation composite, plutôt que la simple préhension ou le transfert d'objet entre deux mains ou deux bras. Pour les intégrateurs et chercheurs en manipulation robotique, la démonstration qu'une seule recette d'entraînement en simulation, sans réglage spécifique par tâche, résout trois assemblages différents et transfère directement sur du matériel réel constitue un signal encourageant sur la généralisation du sim-to-real appliqué à la dextérité fine. Les auteurs notent aussi que cette tâche impose des contraintes fortes sur la morphologie de la main, ce qui en fait un candidat de référence (benchmark) pour évaluer les mains robotiques dextres actuelles, un domaine où les comparaisons standardisées manquent encore.

Le papier s'inscrit dans la lignée des travaux récents combinant apprentissage par renforcement en simulation massivement parallèle et transfert zero-shot vers du matériel physique, une approche déjà explorée pour la préhension ou la manipulation en main mais rarement poussée jusqu'à l'assemblage bimanuel intra-main de pièces rigides. L'article ne précise ni l'identité des auteurs, ni le type de main robotique utilisé, ni de partenariat industriel; il s'agit d'une contribution de recherche académique publiée en prépublication, sans annonce de déploiement commercial. Les vidéos et le code étant mis à disposition publiquement, les prochaines étapes attendues concernent l'extension à d'autres géométries d'assemblage et une possible adoption comme protocole d'évaluation comparatif entre plateformes de mains robotiques.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

Architecture reconfigurable à double opposition pour la manipulation et l'assemblage à une main

Publié sur arXiv (2609.22871v1) sous le titre "A Reconfigurable Dual-Opposition Architecture for Single-Hand Assembly and Manipulation", ce travail de recherche présente une main robotique à quatre doigts indépendamment actionnés, organisés en deux paires d'opposition virtuelle (virtual finger, VF), dont la configuration relative est ajustée par une paume reconfigurable. L'objectif est de permettre à une seule main de saisir simultanément deux pièces distinctes tout en contrôlant leur mouvement relatif, une opération typique de l'assemblage industriel incluant la saisie, l'alignement, le vissage et le pressage. Les auteurs ont construit un modèle cinématique des doigts et de la paume ainsi qu'une formulation de l'espace de travail conditionnée par la taille des objets, puis caractérisé le suivi des mouvements articulaires et de la paume. En simulation, la main atteint un taux de réussite moyen de 98,6% pour la rotation continue de sphères de 40 à 230 mm de diamètre, contre 73,8% pour la LEAP Hand, une main de référence open source. Après un réglage fin de la politique face à des perturbations externes multidirectionnelles, le taux grimpe à 92,8% contre 45,2% pour la LEAP Hand, et des démonstrations matérielles confirment la rotation en main d'objets de tailles variées à partir de politiques entraînées en simulation. Ce travail cible un verrou précis: la plupart des mains dextres sont conçues pour manipuler un seul objet à la fois, alors que l'assemblage en main de deux pièces distinctes exige de maintenir deux prises simultanées tout en pilotant leur position relative, une contrainte rarement adressée par les architectures existantes. Des expériences d'ablation montrent que l'abduction/adduction des doigts et la reconfiguration de la paume sont toutes deux nécessaires à la réussite de l'assemblage en main, ce qui suggère que le gain de robustesse provient autant du design mécanique que de l'apprentissage par renforcement seul. Pour les intégrateurs et équipes R&D en robotique industrielle, la comparaison chiffrée face à une main de référence connue offre un point de repère plus crédible que des vidéos sélectionnées sans baseline, et pèse dans le débat sur l'écart entre démonstrations et usage réel. Le travail reste toutefois au stade de la preuve de concept en laboratoire, sans volumes de déploiement ni partenariat industriel annoncés. La LEAP Hand, utilisée ici comme point de comparaison, est une main robotique dextre open source largement adoptée par la communauté recherche en manipulation, ce qui en fait une baseline standard pour ce type de benchmark. Le paysage des mains dextres reste par ailleurs dominé par des architectures fixes à cinq doigts, comme la Shadow Hand ou l'Allegro Hand, ou par des mains simplifiées intégrées aux humanoïdes commerciaux, rarement optimisées pour la saisie simultanée de deux pièces plutôt que la simple préhension. L'article ne mentionne ni calendrier de commercialisation ni partenaire industriel; les prochaines étapes évoquées portent sur l'extension des tâches d'assemblage testées et une validation matérielle plus poussée au-delà des démonstrations de rotation présentées.

RecherchePaper

1 source

2arXiv cs.RO

Manifold-Guided pour assemblages serrés

Des chercheurs de l'Université de Tel-Aviv publient CMG-RRT (Critical-Manifold Guided RRT), un nouvel algorithme de planification de mouvement destiné aux assemblages mécaniques à tolérances serrées. Le problème visé est classique en robotique industrielle : lorsque deux pièces doivent s'emboîter avec un jeu quasi nul, les trajectoires valides passent souvent par des configurations où les pièces sont en contact permanent, une zone que les planificateurs par échantillonnage classiques (type RRT) explorent très mal. L'idée centrale de CMG-RRT est d'identifier cette "variété critique", le sous-ensemble de l'espace des configurations où au moins un point de contact existe entre les pièces, et de biaiser activement l'échantillonnage vers son voisinage, via une subdivision hiérarchique de l'espace de configuration. Les auteurs démontrent que leur méthode reste probabilistement complète sous des hypothèses standard de clairance, et rapportent un taux de réussite de 100% sur une série de benchmarks d'assemblage rotationnel réputés difficiles, incluant ce qu'ils présentent comme la première résolution entièrement automatique du casse-tête de désenchevêtrement "Elk". Le code est disponible en open source sur la page du projet. Pour l'industrie robotique, ce type d'avancée s'attaque à un goulot d'étranglement bien identifié dans l'assemblage automatisé de précision : les tâches de type peg-in-hole serré, montage de composants électroniques ou de pièces mécaniques à faible jeu restent aujourd'hui largement programmées manuellement ou confiées à des approches d'apprentissage par renforcement coûteuses à entraîner, faute de planificateurs capables de gérer nativement les configurations de contact quasi permanent. Un planificateur garanti complet et open source sur ce créneau spécifique intéresserait directement les intégrateurs travaillant sur l'assemblage robotisé fin, en électronique ou en horlogerie/mécanique de précision, potentiellement en complément ou substitut aux stratégies actuelles de compliance active ou d'apprentissage par démonstration. Le papier s'inscrit dans la lignée des travaux sur les RRT (Rapidly-exploring Random Trees), une famille de planificateurs par échantillonnage largement utilisée depuis les années 2000 mais historiquement peu adaptée aux environnements à faible clairance. Les benchmarks utilisés, des puzzles de désenchevêtrement rotationnel, sont un terrain de test classique pour ce genre d'algorithme géométrique. À ce stade, il s'agit d'une publication de recherche (arXiv, non encore évaluée par les pairs) accompagnée d'un code source, sans indication de partenariat industriel ni de déploiement en environnement de production ; la validation empirique reste limitée aux benchmarks de simulation présentés par les auteurs eux-mêmes.

RecherchePaper

1 source

3arXiv cs.RO

Dex-One2Many : apprendre la manipulation dextérique à partir d'une seule démonstration humaine

Des chercheurs présentent Dex-One2Many, un cadre « real-to-sim-to-real » qui apprend une politique de manipulation dextre généralisable à partir d'une seule vidéo de démonstration humaine. Le système convertit la vidéo en une séquence de graphes de scène, c'est-à-dire des représentations des relations entre la main, les outils et les objets à chaque étape de la tâche. Ces graphes servent à deux choses : ils contraignent la génération d'états de réinitialisation variés en simulation, et ils fournissent une récompense dense pour chaque étape. L'entraînement par apprentissage par renforcement (RL) se fait entièrement en simulation, puis la politique est transférée sans réglage supplémentaire (zero-shot) vers une main robotique multi-doigts réelle. Sur cinq tâches d'usage d'outils et de manipulation, la méthode dépasse les approches de référence de 6,5 % dans les configurations vues pendant la démonstration, et l'écart atteint 71 % dans les scénarios non vus. Ce travail s'attaque à un compromis bien identifié. Beaucoup de méthodes actuelles d'apprentissage à partir d'une vidéo humaine imitent strictement les mouvements montrés, ce qui limite leur généralisation à des positions initiales d'objet, des positions cibles ou des prises absentes de la vidéo. À l'inverse, le RL pur généralise largement, mais explore mal les espaces de grande dimension d'une main dextre sur des tâches à plusieurs étapes. En contraignant des relations plutôt que des poses exactes, les graphes de scène couvrent des configurations et des prises au-delà de la démonstration, tout en gardant l'exploration courte et guidée. Le gain modeste en configurations connues contre un écart de 71 % hors distribution suggère que la valeur de l'approche tient surtout à la robustesse. Cela compte pour les intégrateurs, car la collecte de démonstrations robotiques reste coûteuse. Il faut toutefois rester prudent : il s'agit d'un préprint (arXiv, v1) sans relecture par les pairs. Le résumé ne précise ni les baselines, ni le matériel, ni le nombre d'essais réels, et cinq tâches de laboratoire ne disent rien de la fiabilité en production. Le contexte est celui d'une course à la dextérité qui mobilise à la fois la recherche académique et les acteurs industriels des mains humanoïdes. Deux grandes familles s'y opposent : l'imitation à partir de vidéos humaines, qui réduit le coût des données mais généralise mal, et le RL en simulation, qui généralise mieux mais exige un important travail de conception de la récompense et de l'exploration. Dex-One2Many se place entre les deux, en utilisant la structure symbolique de la scène comme prior. Aucun pilote industriel, délai de commercialisation ou code publié n'est mentionné dans le résumé. La suite logique serait des évaluations sur davantage de tâches, de mains et de scènes encombrées, ainsi qu'une comparaison avec les modèles vision-langage-action (VLA) généralistes, qui visent la même promesse d'apprentissage à partir de peu de données.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Deux par deux : apprentissage multi-tâches de l'assemblage d'objets appariés pour une manipulation robotique généralisable

Des chercheurs publient 2BY2, un jeu de données annoté à grande échelle pour l'assemblage d'objets appariés du quotidien, décrit dans une version révisée d'un article arXiv (2504.06961v2). Il couvre 18 tâches fines inspirées de gestes réels comme brancher une prise, disposer des fleurs dans un vase ou insérer du pain dans un grille-pain, avec 1034 instances et 517 paires d'objets annotées en pose et en symétrie. Les auteurs proposent une méthode d'estimation de pose SE(3) en deux étapes, basée sur des caractéristiques équivariantes, qui atteint des performances état de l'art sur les 18 tâches du benchmark. Des expériences robotiques réelles confirment la fiabilité et la capacité de généralisation de cette méthode sur des tâches d'assemblage 3D complexes. Ce travail comble un vide méthodologique pour la robotique domestique : la plupart des benchmarks d'assemblage existants portent sur des fragments géométriques abstraits ou des pièces industrielles standardisées, loin des interactions fonctionnelles et asymétriques des objets du quotidien. En ciblant explicitement les futurs robots d'assistance à domicile, 2BY2 offre un terrain d'évaluation plus représentatif que les jeux de données orientés usine. Le transfert réussi de la méthode du benchmark simulé vers des essais robotiques physiques est un signal notable, suggérant que les approches de pose SE(3) équivariante peuvent réduire l'écart simulation-réel sur des tâches de manipulation fine, un problème persistant pour les politiques de manipulation généralistes. Les résultats « état de l'art » restent toutefois mesurés sur le benchmark propre des auteurs, une limite à garder en tête avant toute extrapolation. L'article, référencé 2504.06961 sur arXiv et republié en version 2, s'inscrit dans la lignée des travaux de « shape assembly » qui se concentraient jusqu'ici sur des fragments cassés ou des composants industriels aux formes régulières. 2BY2 étend le problème à des objets paires à forte composante fonctionnelle, des gestes triviaux pour un humain mais qui exigent une compréhension conjointe de la géométrie et de l'usage. Les auteurs comparent leur méthode aux approches antérieures de shape assembly sur l'ensemble des 18 tâches et revendiquent une supériorité systématique. La publication de ce dataset annoté pose une base de comparaison pour de futurs travaux, sans qu'un calendrier de mise à disposition du code ou de partenariat industriel ne soit précisé à ce stade.

RecherchePaper

1 source