RecherchearXiv cs.RO 16 septembre 2026

ConGraspXL : synthèse de mouvements de préhension dextérique contrôlables sous contraintes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article publié sur arXiv (2609.16319v1, catégorie "nouveau") présente ConGraspXL, un système de synthèse de mouvements de préhension dextre pour mains robotiques, conçu comme extension du système précédent GraspXL. GraspXL permettait déjà une synthèse de saisie généralisable à des objets variés et à différentes morphologies de main, mais sans possibilité de contrôler précisément la façon dont la prise s'exécute. ConGraspXL ajoute cette contrôlabilité en conditionnant la génération de mouvement sur des contraintes définies par la tâche: direction d'approche de la main, zones de contact souhaitées sur l'objet, trajectoire imposée au poignet, ou pose fonctionnelle de la main, par exemple tenir un outil dans la bonne orientation pour l'utiliser. Techniquement, les auteurs introduisent une formulation hiérarchique des contraintes, une interface à résidu masqué permettant de combiner librement plusieurs contraintes simultanément, ainsi que des centres de main dynamiques et un guidage du poignet en boucle ouverte pour améliorer la précision du contrôle.

L'intérêt pour l'industrie tient à un problème concret: la plupart des générateurs de mouvements de préhension appris à grande échelle savent produire une prise plausible sur un objet inconnu, mais ne permettent pas de spécifier comment cette prise doit se faire pour remplir une tâche précise, par exemple attraper une tasse par l'anse plutôt que par le corps. ConGraspXL cherche à combler cet écart en conservant la capacité de généralisation de GraspXL tout en ajoutant un contrôle fin, ce qui en fait, selon les auteurs, un contrôleur de préhension bas niveau "prêt à l'emploi" utilisable comme brique dans des systèmes plus larges: complétion de saisie corps entier, préhension fonctionnelle, ou imitation de mouvements humains, des cas d'usage directement pertinents pour l'apprentissage par imitation et les pipelines de téléopération qui alimentent les modèles vision langage action des mains robotiques dextres. L'abstract ne fournit toutefois aucun chiffre de performance, de comparatif ou de temps de calcul, ce qui empêche d'évaluer l'ampleur réelle du gain par rapport à GraspXL ou à des méthodes concurrentes.

Le travail s'inscrit dans la lignée directe de GraspXL, présenté comme une méthode de synthèse de préhension scalable mais non contrôlable, dont ConGraspXL constitue la suite logique. Le papier ne précise ni les auteurs, ni le laboratoire ou l'entreprise d'origine, ni de calendrier de publication de code ou de modèle, ce qui correspond au stade d'un preprint tout juste déposé plutôt qu'à un produit ou un outil diffusé publiquement. Aucun acteur français ou européen n'apparaît dans ce travail. Les usages évoqués, complétion de saisie corps entier, préhension fonctionnelle et imitation de mouvement humain, restent présentés comme des applications aval possibles plutôt que des démonstrations déjà réalisées, et l'abstract ne précise pas si les résultats ont été validés sur du matériel physique ou uniquement en simulation, une distinction pourtant déterminante pour juger de la maturité réelle de l'approche.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Guidage par potentiel de particules pour la préhension dextérique sous contraintes de négation

Des chercheurs publient sur arXiv (papier 2609.00555, type "new", déposé début septembre 2026) une méthode appelée Potential-Guided Particle Steering, conçue pour corriger un défaut des modèles de préhension dextre pilotés par le langage, comme DextER. Ces modèles réussissent bien quand une instruction précise où saisir un objet, mais échouent systématiquement quand elle précise aussi où ne pas saisir, par exemple "attrape la poignée mais évite le corps de l'objet". La raison identifiée : les corpus d'entraînement existants, dont DexGYSNet, ne contiennent quasiment aucune instruction d'évitement, et chaque partie mentionnée pendant l'entraînement est interprétée comme une cible de contact plutôt qu'une zone à exclure. La méthode proposée agit uniquement au moment de l'inférence, sans exemple de négation dans l'entraînement : elle combine du Sequential Monte Carlo avec du classifier-free guidance pour orienter l'échantillonnage vers la partie visée tout en éliminant les candidats de prise dirigés vers la zone interdite, celle-ci étant localisée par un modèle figé de "part-grounding" 3D. Un nouveau benchmark, NegGrasp, associe des instructions positives et négatives appariées avec des métriques tenant compte de la contrainte. Résultat : le taux de violation de la contrainte tombe de 57,9 % pour la meilleure référence à 17,2 % avec la nouvelle méthode, tout en améliorant aussi le taux de réussite physique. Le résultat ne provient pas d'un déploiement robotique réel mais d'expériences sur benchmark, ce qui mérite d'être signalé. Son intérêt pour les intégrateurs et les équipes robotique tient au problème qu'il révèle : des instructions de sécurité banales ("ne touche pas au câble", "évite la lame") peuvent faire échouer des modèles de préhension par ailleurs performants, un angle mort typique du décalage entre démonstration et usage industriel réel. L'approche séduit aussi parce qu'elle ne nécessite ni réentraînement ni collecte de données supplémentaires, contrainte pourtant impossible à satisfaire pour tout cas d'usage imaginable. Un taux de violation résiduel de 17,2 % reste toutefois loin d'une garantie de sécurité exploitable en production. Le travail s'inscrit dans la suite directe de DextER et du corpus DexGYSNet, et emprunte des techniques de guidage habituellement utilisées dans les modèles génératifs de diffusion. Il ne compare pas directement sa méthode aux modèles génération action-langage-vision plus larges comme GR00T N2, Pi-0 ou Helix, laissant ouverte la question de l'intégration à ces pipelines. Les auteurs publient NegGrasp comme benchmark public, ce qui devrait permettre des comparaisons futures, la prochaine étape logique étant une validation sur mains robotiques physiques.

RecherchePaper

1 source

2arXiv cs.RO

Transférer le contact, pas seulement le mouvement : préhension souple entre mains dextériques

Des chercheurs ont publié mi-juin 2026 sur arXiv (réf. 2606.15516) une méthode de transfert de politiques de préhension dextre entre mains robotiques hétérogènes. L'approche introduit une interface force-position cross-embodiment : le mouvement est encodé dans un espace latent de pose de main commun à toutes les plateformes, tandis que les efforts de chaque main sont calibrés par identification système en couples articulaires physiques exprimés en N.m, puis convertis en forces au bout des doigts et en descripteurs compacts de charge par doigt. Une politique visuomoteur entraînée par flow matching combine vision, proprioception et contact calibré ; un masquage visuel structuré pousse la politique à s'appuyer sur la force lorsque les contacts sont occultés. Le même contrôleur hybride force-position sert à la collecte de démonstrations et à l'exécution, assurant la cohérence des cibles de force entre entraînement et déploiement. L'enjeu est réel : la préhension dextre stable exige la régulation du contact, pas seulement le suivi de trajectoire. Quand un doigt glisse, se déforme ou sort du champ visuel, c'est le retour de force qui maintient la charge appropriée sur l'objet. Les architectures cross-embodiment existantes unifient le mouvement via des poses retargetées ou des actions latentes, mais laissent le signal de force lié au hardware de chaque main, bloquant le transfert. En calibrant ce signal dans une unité physique commune (N.m), les auteurs rendent la boucle de régulation de contact comparable entre plateformes structurellement différentes. Pour un intégrateur qui déploie plusieurs modèles de mains sur une même cellule, cela ouvre la perspective de bibliothèques de skills partagées plutôt que de politiques ad hoc par hardware. Les expériences montrent que des primitives apprises sont réemployables dans des pipelines de manipulation longue portée, test de généralisation nettement plus exigeant qu'une démonstration isolée. La publication s'inscrit dans le sillage des architectures cross-embodiment post-GR00T N2 et pi0, où l'effort de la communauté vise la réutilisation de politiques entre robots sans retraining complet. Elle répond directement aux limites de travaux comme DexMV ou AnyGrasp, qui normalisent le mouvement mais ignorent la physique du contact. Fait inhabituel : l'abstract ne mentionne ni institution ni auteurs explicites, ce qui peut indiquer une soumission industrielle anonymisée ou un groupe en cours de dévoilement. Le travail reste à ce stade un résultat expérimental de laboratoire sans déploiement annoncé ; la prochaine étape naturelle serait une validation sur des mains commerciales comme la Shadow Hand ou l'Ability Hand dans des scénarios industriels réels.

RechercheOpinion

1 source

3arXiv cs.RO

Recherche de mouvement sensible au résultat pour une préhension dextérique consciente de l'impact

Un preprint publié sur arXiv sous la référence 2609.29020 fin septembre 2026 présente une méthode nommée Outcome-Sensitive Motion Search, conçue pour apprendre à un bras robotique à attraper des objets lancés à grande vitesse sans les briser ni endommager l'effecteur. Le principe repose sur un enseignant entraîné par apprentissage par renforcement (RL), disposant d'un accès privilégié à l'état complet de la scène, dont le comportement sert à distiller une politique élève entraînée par apprentissage par imitation (IL), seule déployable en pratique puisqu'elle n'a pas cet accès privilégié. Les auteurs définissent une "fenêtre sensible au résultat" (outcome-sensitive window) marquant les instants où de faibles variations du geste avant contact changent radicalement l'issue de la prise et de l'impact, puis corrigent par recherche géodésique locale les trajectoires de l'enseignant, y compris ses échecs, avant de valider chaque candidat via un modèle calibré d'erreur d'action de l'élève. En simulation, la politique IL obtenue dépasse l'enseignant RL privilégié à la fois en taux de réussite de capture et en atténuation de l'impact, sans que l'abstract ne fournisse de chiffres précis de performance. Le résultat cible un point faible connu de la manipulation dynamique en robotique : la distillation d'un enseignant RL performant vers une politique déployable échoue souvent précisément près de l'instant de contact, où de minimes écarts d'action entre élève et maître se traduisent par des prises ratées ou des chocs mal absorbés. Le papier montre que cette sensibilité doit être caractérisée et réparée activement dans les démonstrations plutôt que traitée comme du simple bruit, ce qui nuance l'idée reçue qu'un enseignant RL capable fournit automatiquement de bonnes démonstrations pour l'imitation. Pour les équipes travaillant sur des bras collaboratifs ou des mains robotiques amenées à réceptionner des objets en mouvement, en logistique ou sur ligne d'assemblage, le message pratique est que l'imitation de trajectoires enseignantes réussies ne suffit pas à garantir un comportement robuste une fois l'accès aux informations privilégiées retiré au moment du déploiement. La méthode s'inscrit dans la lignée classique des architectures enseignant privilégié puis élève par imitation, largement utilisées en robotique pour transférer des comportements appris en simulation vers des politiques compactes exploitables sur du matériel réel. L'article ne cite aucune entreprise, plateforme commerciale ni acteur français ou européen : il s'agit d'un travail académique validé uniquement par des expériences en simulation étendue, sans essai sur robot physique ni calendrier de déploiement annoncé. La suite logique, non couverte par cet abstract, serait une validation sur un bras ou une main robotique réels pour vérifier si les gains observés en simulation sur le taux de capture et l'atténuation d'impact se maintiennent lors du transfert sim-to-réel.

RecherchePaper

1 source

4arXiv cs.RO

CoorGrasp : contrôle de contact coordonné pour une préhension dextérique adaptative sous incertitude

Une équipe de recherche propose CoorGrasp, un contrôleur prédictif piloté par le toucher (tactile-driven model predictive controller) conçu pour améliorer l'exécution de prises dextres complexes lorsque la forme ou la position exacte d'un objet reste incertaine. Le problème ciblé est concret : en boucle ouverte, une main robotique dextre a tendance à établir des contacts mal coordonnés entre ses doigts, ce qui provoque des mouvements indésirables de l'objet en main, voire des échecs de prise complets. La méthode repose sur trois apports techniques précis : une séparation des phases sensible à la coordination (approche puis serrage), une coordination bras-main destinée à compenser les erreurs de position, et une coordination adaptative des forces pour augmenter les forces de contact de façon équilibrée entre les points d'appui. Un modèle analytique relie les forces de contact aux mouvements articulaires du robot pour piloter cette commande prédictive. L'équipe a validé l'approche via 15 000 prises simulées portant sur 478 objets différents, testées sur trois mains robotiques distinctes, complétées par des essais réels sur 8 objets physiques. L'enjeu dépasse la seule prouesse algorithmique. Une grande partie de la recherche récente en manipulation dextre s'est concentrée sur la génération de poses de prise (où poser les doigts), en traitant l'exécution comme une étape secondaire. Or c'est précisément cette exécution qui échoue en conditions réelles, quand les capteurs de vision se trompent sur la géométrie ou la position exacte d'un objet. En démontrant un gain mesurable de taux de réussite et une réduction des mouvements parasites de l'objet, ce travail s'attaque directement à l'écart classique entre démonstration en laboratoire et robustesse en environnement non contrôlé, un frein connu à l'adoption industrielle des mains robotiques multi-doigts pour la logistique ou l'assemblage fin. Le point notable de généralité de CoorGrasp est qu'il ne dépend pas d'un type de prise ou d'une configuration de contact particulière : il s'intègre à n'importe quelle méthode existante de génération de poses de prise, ce qui en fait potentiellement une brique complémentaire plutôt qu'un système fermé. Publié sur arXiv début juillet 2026, ce travail s'inscrit dans un effort de recherche plus large visant à combler l'écart entre planification de prise et contrôle tactile en temps réel, un axe suivi de près par les laboratoires travaillant sur les mains dextres pour l'humanoïde et la manipulation fine.

RecherchePaper

1 source