Mémoire tactile pour robot souple : insertion d'objets robuste par encodage masqué et poignet souple

Une équipe de recherche présente TaMeSo-bot (Tactile Memory with Soft Robot), un système robotique associant un poignet souple et une mémoire tactile pour réaliser des tâches d'insertion de précision, comme l'insertion de chevilles (peg-in-hole) ou de clés, y compris en cas d'incertitude sur la position ou la forme de l'objet. Décrit dans un article déposé sur arXiv (identifiant 2601.19275v2, version corrigée d'une première soumission), le système repose sur un modèle nommé Masked Tactile Trajectory Transformer (MAT3), qui fusionne dans un seul réseau les actions du robot, des signaux tactiles répartis sur plusieurs points de contact, des mesures de force-couple et des données proprioceptives. Par un mécanisme de prédiction de tokens masqués, comparable au principe des modèles de langage masqués, MAT3 reconstruit les informations sensorielles manquantes et extrait seul les caractéristiques utiles à la tâche, sans découpage manuel en sous-étapes. Le poignet souple sécurise l'exploration du contact pendant la collecte de démonstrations, tandis que la mémoire tactile permet de réutiliser ces démonstrations par recherche de similarité pour s'adapter à des situations inédites. Les auteurs valident l'approche sur des insertions de chevilles de formes et conditions variées, lors d'expériences sur robot réel, et rapportent un taux de réussite supérieur aux méthodes de référence dans toutes les conditions testées, avec une bonne généralisation à des pièces non vues à l'entraînement.

Ce travail touche un point sensible de l'automatisation industrielle : l'insertion de précision (assemblage électronique, câblage, connectique) reste difficile à automatiser car elle dépend d'un retour tactile fin que la vision seule ne capture pas. En montrant qu'un réseau unique peut fusionner tactile distribué, force-couple et proprioception pour généraliser à des objets nouveaux, l'étude alimente le débat sur le passage à l'échelle des politiques de manipulation apprises par imitation, un domaine où les modèles génériques vision-langage-action (VLA, type Pi-0 ou GR00T) sont souvent critiqués pour l'écart entre démonstration et déploiement réel. La validation reste toutefois cantonnée à des tâches de laboratoire et ne prouve pas une robustesse industrielle à grande échelle ; elle indique cependant aux intégrateurs qu'une mémoire par récupération, combinée à une compliance mécanique passive, peut réduire le réglage fin tâche par tâche.

La démarche prolonge des travaux en robotique tactile et manipulation compliante, qui cherchent depuis plusieurs années à combiner matériaux souples et apprentissage pour sécuriser le contact physique, en alternative aux approches rigides fortement instrumentées. L'article ne mentionne aucun partenaire industriel ni calendrier de commercialisation : il s'agit d'un résultat de recherche publié en preprint, pas d'un produit livré ni d'un déploiement en usine. Il se situe face à un écosystème actif de recherches sur les politiques VLA généralistes et les architectures de perception tactile, où les laboratoires cherchent à démontrer que l'apprentissage par démonstration peut remplacer la programmation explicite des séquences d'assemblage. Les suites attendues concernent l'extension à d'autres tâches d'assemblage fin et une évaluation sur des plateformes industrielles, sans essai pilote ni date annoncés à ce stade.