RecherchearXiv cs.RO 17 septembre 2026

Contrôle adaptatif de précision basé sur un modèle pour la poussée planaire sur table en dynamique incertaine

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs a publié une nouvelle version (v2) d'un article sur arXiv (2510.03768) décrivant un système de contrôle pour la manipulation par poussée non préhensile sur table, c'est-à-dire déplacer un objet en le poussant plutôt qu'en le saisissant avec une pince. Le système combine un modèle de dynamique appris, bâti sur une architecture récurrente GRU enrichie de couches non linéaires, avec un contrôleur MPPI (Model Predictive Path Integral), une méthode d'optimisation par échantillonnage. L'entraînement se fait entièrement en simulation, avec randomisation de domaine pour faciliter le transfert vers le réel. Les auteurs valident l'approche en simulation puis sur un bras robotique Franka Panda équipé d'un suivi sans marqueurs. Les résultats montrent des taux de réussite élevés pour le positionnement de précision sous des seuils stricts, ainsi que de bonnes performances en suivi de trajectoire, évitement d'obstacles, changement de côté de poussée et longueurs de poussée variables.

L'apport principal tient à la polyvalence : un seul modèle appris couvre plusieurs tâches simplement en changeant la fonction objectif du contrôleur, sans réentraînement. Cela contraste avec la majorité des travaux antérieurs sur la poussée pilotée par les données, généralement limités à une capacité étroite (changement de côté, précision ou entraînement mono-tâche) et devant être réentraînés pour chaque nouvel objectif. Pour des équipes travaillant sur la manipulation non préhensile en industrie, réarrangement d'objets, alignement de pièces, tri sans préhenseur dédié, ce résultat suggère qu'un modèle de dynamique unique peut remplacer plusieurs politiques spécialisées, réduisant le coût d'ingénierie. Le transfert sim-to-réel réussi, sans données réelles pour l'entraînement, confirme aussi la viabilité de cette approche pour un déploiement rapide sur du nouveau matériel.

Le travail s'inscrit dans la lignée des méthodes de poussée pilotées par les données, apparues en réaction aux limites des approches analytiques classiques, trop dépendantes d'une modélisation manuelle précise de la friction et des contacts. Le système reste pour l'instant restreint à un seul type d'objet : les auteurs indiquent l'étendre via des longueurs de poussée plus variées et un contrôleur équilibré réduisant le nombre d'étapes pour les objectifs à horizon long. Aucun calendrier de déploiement industriel n'est mentionné ; il s'agit à ce stade d'une contribution de recherche académique, sans acteur français ou européen identifié dans le texte.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

BEACON : contrôle adaptatif basé sur la croyance pour l'apprentissage par imitation en contexte incertain

Une équipe de recherche présente BEACON (Belief-Enabled Adaptive CONtrol), une méthode d'apprentissage par imitation pour la manipulation robotique en environnement partiellement observable, décrite dans un article publié sur arXiv le 22 septembre 2026 (arXiv:2609.22730v1). Le problème ciblé : quand une tâche de manipulation dépend d'un état caché qui ne peut être observé directement mais doit être inféré via des interactions physiques successives, conditionner une politique uniquement sur l'historique brut d'observations récentes produit de mauvaises performances, un phénomène appelé aliasing d'état, où des observations identiques correspondent à des états cachés différents et génèrent des étiquettes d'action contradictoires pour une même entrée. BEACON conditionne à la place une politique de diffusion sur une représentation structurée de croyance bayésienne, qui expose à la fois l'estimation la plus probable de l'état courant et l'incertitude résiduelle. La méthode est testée sur deux tâches aux représentations de croyance qualitativement différentes : une croyance continue pour l'alignement d'une pince sur une tige de maïs via détection tactile, et une distribution catégorielle discrète pour l'ouverture d'une porte verrouillée. Sur les deux tâches, la politique conditionnée par la croyance surpasse nettement la référence fondée uniquement sur l'observation et s'approche de la performance obtenue avec un accès privilégié à la vérité terrain sur l'état caché. Des ablations montrent que la politique module implicitement son comportement entre exploration et exploitation selon le niveau d'incertitude au moment de l'inférence, sans bascule de mode explicite ni ingénierie de récompense. Ce résultat cible une limite connue des politiques d'apprentissage par imitation conditionnées sur historique brut, y compris dans des architectures type vision-langage-action : leur difficulté à distinguer des états physiquement différents mais similaires en apparence ou au toucher, un problème fréquent en manipulation fine où le contact porte l'essentiel de l'information utile. Pour des intégrateurs travaillant sur la préhension délicate ou la manipulation d'objets à contrainte mécanique cachée (loquets, verrous, alignement d'outils agricoles), l'approche esquisse une voie pour réduire l'écart entre démonstrations contrôlées et robustesse en conditions réelles, sans dépendre uniquement de volumes massifs de données. BEACON s'inscrit dans la lignée des politiques de diffusion pour l'apprentissage par imitation, devenues une approche de référence en manipulation robotique ces dernières années, et s'attaque spécifiquement à leur angle mort en environnement partiellement observable. L'article ne mentionne ni déploiement industriel ni partenariat commercial : il s'agit d'un travail de recherche évalué en laboratoire sur des tâches ciblées, sans mise à l'échelle annoncée ni calendrier de transfert vers des plateformes commerciales.

RecherchePaper

1 source

2arXiv cs.RO

CoRAL : contrôle adaptatif basé sur LLM pour la manipulation robotique en contact riche

Une équipe de chercheurs propose CoRAL (Contact-Rich Adaptive LLM-based control), un framework publié en preprint sur arXiv (2605.02600) en mai 2025, conçu pour résoudre l'une des limites persistantes des grands modèles de langage appliqués à la robotique : la manipulation en contact riche, c'est-à-dire les tâches nécessitant des interactions physiques précises et réactives. L'architecture repose sur un découplage strict entre raisonnement de haut niveau et exécution de bas niveau. Contrairement aux approches VLA (Vision-Language-Action) qui emploient le modèle comme contrôleur direct, CoRAL utilise le LLM comme concepteur de fonctions de coût pour un planificateur par échantillonnage (MPPI, Model Predictive Path Integral). Un VLM fournit des priors sémantiques sur les paramètres physiques de l'environnement - masse et friction - affinés en temps réel par identification de système en ligne, tandis qu'une mémoire par récupération permet de réutiliser des stratégies validées sur des tâches récurrentes. Sur des scénarios incluant le retournement d'objets contre des murs via des contacts extrinsèques, CoRAL affiche un taux de succès supérieur de plus de 50 % en moyenne aux baselines VLA testées, sur des tâches jamais vues en entraînement, aussi bien en simulation que sur hardware réel. L'intérêt principal pour les intégrateurs réside dans la résilience au gap sim-to-real : en adaptant dynamiquement sa représentation des paramètres physiques lors des premières interactions, le système corrige en vol ses erreurs stratégiques sans nécessiter de re-entraînement. La séparation raisonnement/exécution garantit en outre une stabilité temps réel, le LLM étant par nature trop lent pour s'insérer dans une boucle de contrôle réactif. C'est un argument concret contre les VLA pures, qui peinent précisément sur les tâches à fort contact car leurs politiques apprises ne s'adaptent pas aux incertitudes physiques non vues. Le gain de 50 % mérite cependant d'être pondéré : les baselines exactes et le périmètre précis des tâches de test ne sont pas détaillés dans le résumé, et ce travail reste un preprint non relu par les pairs. CoRAL s'inscrit dans un champ de recherche actif qui cherche à hybrider planification symbolique et modèles de fondation pour dépasser les limites des VLA comme Pi-0 (Physical Intelligence), RT-2 (Google DeepMind) ou OpenVLA. Ces modèles ont montré des capacités convaincantes sur des tâches de manipulation standards mais buttent sur les contacts complexes et les environnements non vus. Le planificateur MPPI est une méthode stochastique éprouvée en robotique, ce qui ancre CoRAL dans un socle technique solide plutôt que dans une approche purement émergente. Aucun déploiement industriel ni partenariat n'est annoncé à ce stade - la prochaine étape naturelle serait une validation sur un spectre plus large de tâches industrielles, comme l'assemblage ou la manipulation d'objets déformables, pour mesurer la généralisation réelle de l'approche.

RecherchePaper

1 source

3arXiv cs.RO

Contrôle accéléré par Koopman de la diffusion basée sur modèle pour le contrôle robotique en temps réel

Des chercheurs du RCI Lab de l'université Kyung Hee (Coree du Sud) publient sur arXiv (2609.28920) une méthode de planification en temps réel nommée BK-MBD (bilinear Koopman model-based diffusion). Elle projette l'état du robot dans un espace de haute dimension une seule fois par pas de contrôle, puis propage tous les candidats de trajectoire par simples multiplications matrice-vecteur, évitant de resimuler la dynamique complète comme le fait le model-based diffusion classique. En simulation, chaque mise a jour tient en 14,7 ms maximum pour une période de contrôle de 50 ms, avec un objectif atteint a chaque essai, contre un échec quasi systématique pour un modèle de Koopman linéaire. Sur un manipulateur physique réel suivant une cible mobile inconnue au départ, BK-MBD est la seule méthode a la fois a suivre la cible et a tenir le délai. Ce résultat s'attaque a un verrou connu : les méthodes de diffusion appliquées au contrôle produisent des trajectoires de qualité mais leur cout de calcul les cantonne généralement au hors-ligne, les rendant inutilisables en boucle fermée a cadence élevée. En rendant la dynamique bilinéaire plutôt que linéaire dans l'espace de Koopman, BK-MBD laisse le gain d'entrée varier avec la configuration du robot, une capacité qu'un modèle linéaire ne reproduit pas, ce qui explique l'écart de performance observe. La méthode franchit aussi un passage qu'aucune région convexe unique ne couvre, la ou un contrôleur bilinéaire convexifie échoue presque toujours. Pour les intégrateurs et chercheurs en contrôle robotique, c'est un indice que l'optimisation par diffusion peut devenir compatible avec des cadences de contrôle réelles sans attendre une accélération matérielle massive. BK-MBD s'inscrit dans un courant de recherche récent combinant théorie de l'opérateur de Koopman et diffusion générative pour la planification robotique. L'article, classe comme nouvelle soumission arXiv, ne mentionne aucun partenaire industriel, pilote commercial ni calendrier de déploiement. Il s'agit pour l'instant d'un résultat de laboratoire, valide en simulation et sur un seul manipulateur physique, sans indication de portage vers d'autres plateformes ou vers une chaine de production ; une page projet dédiée est disponible en ligne (rcilab.khu.ac.kr/bkmbd).

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