Aller au contenu principal
ForwardDLO : appariement bimanuel de forme pour objets linéaires déformables non contraints
RecherchearXiv cs.RO 

ForwardDLO : appariement bimanuel de forme pour objets linéaires déformables non contraints

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

Des chercheurs en robotique, dont l'identité reste masquée dans le cadre d'une soumission en double aveugle (arXiv:2609.18455), présentent ForwardDLO, un modèle de dynamique latente récurrent destiné à la manipulation bimanuelle d'objets linéaires déformables non fixés, cordes ou câbles posés librement sur une surface, que deux bras robotiques peuvent saisir et déplacer en n'importe quel point de leur longueur. Le modèle prédit à chaque pas de temps le déplacement de chaque segment de la corde à partir de son état observé, sans opérations explicites de segment à segment, ce qui rend son évaluation par lots peu coûteuse en calcul. En prédiction en boucle ouverte sur des mouvements réels de corde, il atteint la plus faible erreur parmi les modèles appris testés, 13% sous la meilleure référence. Dans un budget de temps fixe, il évalue de 8 à 22 fois plus d'actions candidates que des modèles de précision comparable, tout en égalant leurs résultats en mise en forme réelle de corde. Sur une tâche simulée de routage de câble à 30 Hz, ce débit supérieur se traduit par 98% de réussite contre 30% au maximum pour les modèles de référence à budget égal. Les auteurs publient le modèle, le code et un jeu de données de 2,42 millions de transitions simulées et 14 107 transitions réelles.

L'enjeu pour l'industrie robotique tient moins à la précision brute qu'au goulot d'étranglement du calcul : manipuler une corde ou un câble non contraint implique un espace d'actions combinatoirement immense, et c'est le coût de chaque prédiction qui limite ce qu'un planificateur peut explorer en temps réel. En gagnant un facteur de 8 à 22 en débit de recherche d'actions à précision égale, ForwardDLO s'attaque directement à cette limite, pertinente pour le routage de câbles, l'assemblage de harnais électriques, le démêlage ou la suture chirurgicale assistée. Il faut toutefois noter que le résultat le plus spectaculaire, 98% contre 30% de réussite, provient d'une tâche de routage simulée et non d'un déploiement physique validé sur robot réel, ce qui appelle une lecture prudente au-delà des essais réels de mise en forme de corde.

La manipulation d'objets linéaires déformables reste un défi de longue date en robotique, les approches précédentes reposant souvent sur des modèles de dynamique coûteux, notamment des réseaux de graphes modélisant explicitement les interactions entre segments, ce qui limite le nombre d'actions évaluables par unité de temps. ForwardDLO s'en distingue par un choix architectural qui sacrifie cette granularité explicite pour gagner en vitesse sans perdre en précision. Le statut de soumission anonyme suggère un article en cours d'évaluation pour une conférence en double aveugle, avec publication complète du code et des données prévue à la levée de l'anonymat.

Dans nos dossiers

À lire aussi

AssistDLO : téléopération assistée pour la manipulation d'objets linéaires déformables
1arXiv cs.RO 

AssistDLO : téléopération assistée pour la manipulation d'objets linéaires déformables

Des chercheurs ont publié AssistDLO, un cadre de téléopération assistée conçu pour la manipulation d'objets linéaires déformables (DLOs, Deformable Linear Objects), tels que câbles, cordes ou fils industriels. Le système combine trois composants : une estimation d'état en temps réel par vision multi-vue, une assistance visuelle (VA) projetée dans l'interface opérateur, et un contrôleur de partage d'autonomie géométriquement conscient, baptisé SA-CBF, fondé sur les fonctions de barrière de contrôle (Control Barrier Functions). Le tout a été validé dans une étude utilisateur bimanuelle de dénouage de nœuds (N=22), sur des cordes de longueurs et rigidités variables. Le résultat clé : pour les opérateurs novices, SA-CBF fait passer le taux de succès de 71 % à 88 %, tandis que les opérateurs experts préfèrent la VA seule. Ce travail s'attaque à un verrou persistant de la robotique industrielle : les DLOs sont pratiquement impossibles à modéliser en temps réel en raison de leur espace de configuration de dimension infinie et de leurs dynamiques non linéaires. En téléopération, l'incertitude de profondeur aggrave encore la perception d'état. L'apport de SA-CBF est de fonctionner comme un entonnoir géométrique, guidant la saisie précise sans court-circuiter l'autorité de haut niveau de l'opérateur, contrairement aux méthodes classiques d'autonomie partagée qui utilisent de simples attracteurs géométriques. Pour des applications concrètes, câblage automobile, assemblage électronique ou chirurgie assistée, la démonstration d'un gain mesurable en conditions utilisateur réelles est plus significative qu'un résultat de simulation. Le problème de manipulation des DLOs mobilise la communauté robotique depuis plus d'une décennie, avec des approches allant du contrôle par retour visuel pur aux modèles physiques réduits. AssistDLO se distingue en intégrant explicitement le profil de l'opérateur dans la stratégie d'assistance, une piste dite "user-aware shared autonomy" encore peu exploitée à ce niveau de rigueur expérimentale. Les prochaines étapes probables incluent l'extension à des câbles multiconducteurs et l'intégration sur des plateformes industrielles existantes, potentiellement en lien avec des travaux européens sur la cobotique flexible. La conclusion des auteurs est claire : aucune stratégie fixe ne peut couvrir l'ensemble du spectre opérateur-matériau, et l'autonomie adaptative n'est plus une option mais une nécessité.

RecherchePaper
1 source
MotionDLO : suivi hybride événement-image des objets linéaires déformables
2arXiv cs.RO 

MotionDLO : suivi hybride événement-image des objets linéaires déformables

Publié sur arXiv sous la référence 2608.22398v1, MotionDLO est un framework de suivi en temps réel pour les objets déformables linéaires (câbles, fils, cordes), une catégorie difficile à percevoir en robotique faute de forme rigide. Le système hybride associe des caméras événementielles, à haute résolution temporelle et flux épars, à des caméras classiques à images qui stabilisent la précision spatiale et l'identité de l'objet suivi, via une segmentation couplée à l'algorithme Coherent Point Drift (CPD) selon les principes de la Motion Coherence Theory. Les auteurs rapportent une fréquence de mise à jour de 12 millisecondes et une erreur de suivi de forme, en distance point-à-courbe, allant jusqu'à 0,43 mm ; le code source et les données de démonstration sont publics. Ce résultat s'attaque à un verrou industriel connu : le suivi de câbles et faisceaux électriques reste un point faible de la manipulation robotique, notamment dans l'assemblage automobile et électronique où le câblage manuel reste difficile à automatiser. Les approches existantes forçaient un compromis entre méthodes événementielles, rapides mais moins précises, et méthodes à base d'images, plus fiables mais plus lentes ou contraintes de sacrifier la sparsité des événements. En combinant les deux sans explosion du coût de calcul, MotionDLO apporte une preuve de concept utile aux intégrateurs visant l'adaptation dynamique de trajectoire en temps réel, par exemple pour le routage de câbles pendant une manipulation. Le suivi des DLO reposait jusqu'ici sur deux approches limitées : le suivi par image, pénalisé par le flou de mouvement et la latence lors de déplacements rapides, et le suivi événementiel, réactif mais bruité en l'absence d'image de référence stable. CPD et la Motion Coherence Theory, outils établis en recouvrement de nuages de points, sont ici adaptés au suivi temporel continu. Il s'agit à ce stade d'une publication de recherche fraîchement déposée sur arXiv, sans partenaire industriel ni déploiement réel mentionné : les chiffres proviennent de tests en laboratoire sur des jeux de données publiés par les auteurs eux-mêmes. La mise à disposition du code ouvre la voie à une reproduction indépendante par la communauté robotique, étape préalable à une intégration dans des pipelines industriels pour l'insertion de câbles ou la suture assistée.

RecherchePaper
1 source
Manipulation d'objets linéaires déformables par contrôle prédictif MPPI et apprentissage LSTM bidirectionnel
3arXiv cs.RO 

Manipulation d'objets linéaires déformables par contrôle prédictif MPPI et apprentissage LSTM bidirectionnel

Un article publié sur arXiv (référence 2609.26238v1) décrit une nouvelle méthode de commande pour la manipulation robotique d'objets linéaires déformables (DLO), comme les câbles. L'approche combine deux briques : un modèle de dynamique appris par un réseau récurrent bidirectionnel de type LSTM (biLSTM), entraîné sur des données synthétiques générées par le moteur physique MuJoCo, et un contrôleur prédictif de type Model Predictive Path Integral (MPPI), une variante stochastique et sans calcul de gradient de la commande prédictive classique (MPC). Le système a été validé à la fois en simulation et lors d'essais expérimentaux, sans que l'abstract ne précise le robot utilisé, le laboratoire d'origine ni de date au-delà de sa mise en ligne récente sur arXiv. Aucun chiffre de charge utile, de temps de cycle ou de volume de déploiement n'est communiqué : il s'agit d'un article scientifique, pas d'une annonce produit. La manipulation de câbles, de harnais électriques ou de tuyaux flexibles reste l'un des problèmes non résolus de l'automatisation industrielle, du fait des degrés de liberté quasi infinis et de la dynamique non linéaire de ces objets, difficile à capturer avec des modèles physiques classiques. Une dynamique apprise par réseau de neurones, couplée à un contrôleur robuste aux non-linéarités comme MPPI, intéresse directement les intégrateurs qui doivent automatiser le câblage de faisceaux électriques dans l'automobile, l'assemblage de connecteurs en électronique ou la manipulation de tuyaux en logistique, des tâches encore largement confiées à des opérateurs humains. Ce travail s'inscrit dans l'effort plus large de la recherche en robotique pour réduire l'écart entre simulation et réel sur la manipulation d'objets déformables, un domaine où les résultats publiés restent souvent limités à des démonstrations de laboratoire plutôt qu'à des déploiements en usine. Historiquement, la manipulation de DLO reposait sur des modèles analytiques explicites, systèmes masse-ressort ou éléments finis, coûteux à calibrer pour chaque type de câble et peu généralisables d'un objet à l'autre. L'approche proposée ici s'inscrit dans une tendance plus récente qui remplace ces modèles physiques par des réseaux de neurones entraînés sur des données simulées, MuJoCo étant l'un des moteurs physiques les plus utilisés en recherche pour la robotique et l'apprentissage par renforcement. Le choix de MPPI plutôt que d'un MPC linéarisé classique permet de gérer la non-linéarité et les contraintes sans dérivation explicite de gradient. L'article ne mentionne aucun partenariat industriel, pilote annoncé ni calendrier de transfert vers un produit commercial : il s'agit à ce stade d'une contribution académique dont la portée pour un déploiement industriel reste à démontrer par des travaux futurs.

RecherchePaper
1 source
Estimation en ligne du matériau pour une politique de diffusion conditionnée dans la mise en forme d'objets linéaires déformables
4arXiv cs.RO 

Estimation en ligne du matériau pour une politique de diffusion conditionnée dans la mise en forme d'objets linéaires déformables

Une équipe de recherche publie sur arXiv (2609.12634v1) une méthode pour façonner des objets linéaires déformables, câbles, cordes ou tuyaux, dont le comportement varie selon la rigidité et l'élasticité du matériau. Le système associe une politique de diffusion à un label de matériau estimé en ligne pendant la manipulation par un réseau récurrent, qui analyse en continu des images multi-vues et les états articulaires du robot. Les auteurs ont collecté 480 démonstrations réelles couvrant quatre matériaux et trois tâches de placement en rainure. Une politique conditionnée seulement par la tâche atteint 45,8% de réussite; avec le label de matériau exact, elle grimpe à 60,0%; la méthode proposée, sans connaissance préalable du matériau, atteint 60,8%, un niveau équivalent au label exact. Ce résultat répond à un verrou concret de l'apprentissage par imitation appliqué aux objets déformables: une politique unique doit produire des gestes différents pour un même objectif de forme selon le matériau saisi, sans que celui-ci soit connu à l'avance. Pour les intégrateurs confrontés à du routage de câbles, de l'assemblage de faisceaux électriques ou de la pose de joints en rainure sur des lignes mêlant plusieurs matériaux, cela ouvre la voie à des politiques qui s'adaptent sans étiquetage manuel ni reprogrammation entre lots. Le travail illustre aussi les limites persistantes du domaine: un taux de succès plafonné autour de 60%, loin d'une fiabilité industrielle, et un échec marqué lié à la confusion entre deux matériaux proches, signe que l'estimation en ligne reste fragile face à des textures similaires. Ce travail s'inscrit dans la lignée des politiques de diffusion conditionnées, devenues courantes en apprentissage par imitation robotique, où l'enjeu est de généraliser au-delà des conditions vues à l'entraînement sans multiplier les politiques spécialisées par objet. Publié comme préprint arXiv sans affiliation industrielle mise en avant, il s'agit d'une contribution académique et non d'un produit commercialisé. Les auteurs comparent leur approche à des politiques spécialistes par matériau et à une politique conditionnée par label exact, et pointent la confusion inter-matériaux comme piste de travail future, sans pilote industriel ni calendrier de déploiement annoncés à ce stade.

RecherchePaper
1 source