RecherchearXiv cs.RO 18 septembre 2026

INSPECT : apprendre à un robot à choisir son point de vue grâce à l'usage d'un assistant

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article publié le 18 septembre 2026 sur arXiv (2609.20615) présente INSPECT, une méthode qui apprend à un robot à choisir ses points de vue d'inspection à partir d'enregistrements d'un assistant porté sur des lunettes connectées, utilisé par des opérateurs humains pour vérifier la présence de pièces et la bonne installation d'un assemblage. Le système combine trois mécanismes: PI-TwinSwap (Presence-Invariant TwinSwap), qui calibre l'évidence visuelle des objets via des interventions d'identité appariées; une supervision indexée sur les confirmations vocales de l'opérateur, qui distingue ce qui relève d'une vraie preuve de ce qui n'est qu'un changement de cadrage caméra; et un calibrage centré sur l'objet qui adapte les préférences de vue relative à la pose du robot, complété par un filtrage au niveau des clauses. Le robot sélectionne sa prochaine vue uniquement à partir de son observation courante et des poses connues, sans comparer d'images candidates. Sur des assemblages physiques de boîtes de vitesses, INSPECT obtient la meilleure utilité de vue parmi les politiques non-oracle testées et fait passer le taux de vérifiabilité complète, jugé par des évaluateurs humains, de 34,8% à 41,7% par rapport à un robot qui conserverait sa vue actuelle. Transféré sans réentraînement à des enregistrements commerciaux de meuleuses d'angle du jeu de données IMPACT, avec une tête de perception gelée, le sélecteur de vue relative fait passer le taux de décision correcte de 50,6% à 54,3%. Le code source est publié sur GitHub (Kratos-Wen/INSPECT).

L'intérêt pour les intégrateurs et les équipes de contrôle qualité industriel tient moins au produit, il s'agit d'un travail de recherche académique et non d'un système commercialisé, qu'à la méthode d'apprentissage: entraîner une politique de sélection de vue sans étiquettes de vue coûteuses dans le domaine cible, en réutilisant les traces d'usage d'un assistant d'assemblage déjà déployé. C'est un signal utile dans le débat sur le passage à l'échelle des politiques de perception robotique, mais les gains rapportés restent modestes, autour de sept points de pourcentage dans les deux évaluations, ce qui laisse un taux d'erreur encore substantiel et invite à la prudence avant toute extrapolation à d'autres tâches d'inspection.

Le travail s'inscrit dans la lignée des recherches qui exploitent des interactions égocentriques homme-machine, ici les vidéos et confirmations vocales issues d'un assistant à lunettes intelligentes, comme signal d'apprentissage supervisé indirect plutôt que comme simples journaux d'usage. Aucun acteur français ou européen du secteur robotique n'est mentionné dans cette publication. Les auteurs comparent leur approche à des politiques oracle et non-oracle existantes et valident sa capacité de transfert entre deux domaines très différents, l'assemblage mécanique de précision et la maintenance d'outillage industriel, ce qui constitue le principal argument de généralisation avancé. Aucun pilote industriel ni calendrier de déploiement n'est annoncé; la contribution reste, à ce stade, une preuve de concept méthodologique accompagnée d'un code source ouvert.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprendre à exploiter la compliance : un cadre d'apprentissage de politique en admittance pour l'insertion robotique

Une équipe de chercheurs a publié le 28 septembre 2026 sur arXiv (référence 2609.31439v1) un nouveau cadre baptisé LeCo, pour "Leverage Compliance", destiné à l'assemblage robotique de précision par insertion de connecteurs. Le système combine une politique visuelle apprise par apprentissage automatique avec un contrôle en admittance à raideur fixe, et ajoute un mécanisme de rétroaction multi-fréquence qui agrège les mesures de contact haute fréquence en récompenses au niveau des transitions de la politique. Deux termes de coût inédits structurent l'apprentissage: un coût de conflit intégré, qui pénalise les situations où la politique continue de pousser pendant que le contrôleur relâche la pression sans progression réelle, et un coût de traînée directionnelle en force, qui sanctionne les épisodes de chargement prolongé au sein d'une même transition. Testé sur quatre tâches réelles d'assemblage de connecteurs avec un bras robotique physique, LeCo atteint un taux de réussite agrégé de 94%. Par rapport à une méthode de référence, les pics de force résultante chutent d'environ 30% et les pics de couple d'environ 64% sur les essais réussis, tandis qu'une étude d'ablation montre que le seul ajout du coût de conflit réduit de 53% la densité médiane de conflits en situation de contact. L'enjeu dépasse la simple démonstration technique: l'assemblage par insertion (connecteurs électriques, câblage automobile, électronique) reste l'un des points faibles classiques des politiques visuo-motrices, car une politique entraînée à atteindre un objectif visuel peut continuer à pousser mécaniquement même quand un contrôleur conforme cède sous la résistance, générant des charges inutiles sans avancement. LeCo apporte une preuve empirique que ce défaut de coordination entre perception, décision et contrôle physique peut être corrigé par un signal de récompense dédié, plutôt que par un simple ajustement de la raideur mécanique. Pour les intégrateurs industriels visant l'automatisation de lignes d'assemblage fin (connectique, PCB, câblage), ce type de résultat réduit concrètement le risque de casse de pièces fragiles et améliore la fiabilité des cycles d'insertion, un enjeu direct de rentabilité en production. Ce travail s'inscrit dans une littérature plus large sur la manipulation robotique en contact riche, où l'articulation entre contrôle hybride position/force et politiques apprises par imitation ou renforcement reste un problème ouvert, distinct des efforts actuels sur les modèles généralistes vision-langage-action (Pi-0, GR00T N2, Helix) qui visent une polyvalence de tâches plutôt qu'une précision d'insertion fine. Les auteurs ne précisent pas d'affiliation industrielle ni de calendrier de transfert vers une ligne de production; il s'agit à ce stade d'une contribution de recherche validée sur quatre tâches en laboratoire, sans annonce de déploiement commercial.

RecherchePaper

1 source

2arXiv cs.RO

Apprendre de l'humain pour une assistance proactive dans le transport collaboratif homme-robot

Une équipe de recherche en robotique présente PROACT, un framework pour le transport collaboratif homme-robot, décrit dans un article arXiv (2609.25351v1) publié en septembre 2026. Le système combine anticipation du comportement humain et contrôle compliant du corps entier d'un robot, via une architecture transformer entraînée sur un vaste jeu de données réel de démonstrations de transport en binôme humain-humain. Ce modèle apprend à prédire le mouvement futur de l'objet transporté à partir du comportement collaboratif observé. Testé sur 108 essais réels avec un manipulateur mobile à 9 degrés de liberté, PROACT réduit le travail d'interaction moyen de 59,2% par rapport à une approche purement compliante, et de 20,4% par rapport à une commande prédictive (MPC) classique. Le temps de complétion moyen baisse de 12,9% et 6,9% respectivement face à ces deux références. Une vidéo des expériences a été mise en ligne pour illustrer les résultats. Le transport collaboratif d'objets lourds ou encombrants reste un problème non résolu en robotique, avec des applications directes en logistique, en manufacturing et à domicile. Jusqu'ici, les approches se scindaient en deux familles incompatibles: des robots efficaces pour déplacer l'objet mais rigides face aux ajustements de l'utilisateur, ou des robots souples et réactifs mais incapables d'agir sans guidage humain constant. En démontrant qu'un seul modèle peut réduire simultanément l'effort physique perçu par l'utilisateur et le temps d'exécution, PROACT apporte une preuve empirique que l'anticipation apprise et la compliance mécanique ne sont pas mutuellement exclusives, un résultat qui intéresse directement les intégrateurs travaillant sur la cobotique industrielle et l'assistance physique. Le travail s'inscrit dans la lignée des recherches sur le contrôle compliant et le model prédictive control appliqués à la manipulation collaborative, deux approches jusque-là traitées séparément dans la littérature. L'apport de PROACT est de fusionner ces deux paradigmes grâce à un modèle appris du comportement humain plutôt qu'à des règles ou une planification pure. L'article ne précise pas de partenariat industriel ni de calendrier de déploiement commercial: il s'agit à ce stade d'un résultat de recherche validé en environnement contrôlé, avec du matériel expérimental, et non d'un produit ou d'un pilote industriel annoncé.

RecherchePaper

1 source

3arXiv cs.RO

Lancer un objet sans le saisir : le point de vue de l'apprentissage par renforcement

Un article publié le 2 septembre 2026 sur arXiv (2609.00771) décrit une méthode de lancer robotique sans préhension pilotée par apprentissage par renforcement, testée sur un bras UR5e d'Universal Robots poussé à 5 m/s en bout d'effecteur. Déployée sans réentraînement sur le robot réel, elle lance des objets variés, dont une pièce de 790 grammes et un colis de 20x20x28 cm, vers des cibles situées jusqu'à 350 cm de distance ou 180 cm de hauteur, avec un taux de réussite réel de 97%. En simulation, la politique atteint 99% de succès sur des milliers de configurations et généralise à des objets inédits. Le lancer non préhensile étend le rayon d'action d'un robot au-delà du pick-and-place, une capacité utile pour les objets lourds, volumineux ou déformables que les pinces classiques gèrent mal. Les approches précédentes s'appuyaient sur des modèles de contact simplifiés et des trajectoires paramétrées en basse dimension, ce qui limitait la qualité des lancers et l'espace atteignable ; ici, la politique optimise directement les trajectoires articulaires en exploitant glissement et roulement comme modes de contact. Le transfert simulation-vers-réel réussi sur du matériel poussé près de ses limites est un signal encourageant pour la manipulation dynamique par RL, même si la forte sensibilité révélée à la friction dynamique, contrastant avec la bonne tolérance à l'incertitude de masse, reste un point de vigilance pour tout intégrateur. Le papier reste au stade de la recherche académique publiée sur arXiv, sans annonce de produit, de partenaire industriel ni de calendrier de commercialisation. Il se positionne face aux méthodes historiques de lancer robotique fondées sur la préhension dynamique et des modèles de contact analytiques, en misant sur l'apprentissage par renforcement plutôt que sur l'optimisation classique pour gagner en généralisation à des objets et des cibles non vus à l'entraînement. Le choix d'un UR5e, cobot industriel largement déployé en usine et en logistique, suggère une volonté de portabilité vers du matériel déjà répandu, sans qu'aucun pilote ni déploiement commercial ne soit annoncé à ce stade.

UELe choix du cobot UR5e (Universal Robots, origine danoise), très répandu dans l'industrie européenne, suggère une portabilité potentielle vers du matériel déjà déployé en Europe, sans pilote ni déploiement annonce a ce stade.

RecherchePaper

1 source

4arXiv cs.RO

Easy-IIL : alléger la charge de l'opérateur humain en apprentissage par imitation interactif grâce à un expert assistant

Easy-IIL est un cadre d'apprentissage par imitation interactive (IIL) publié sur arXiv (2603.12769, version 2) qui vise à réduire la charge opérationnelle de l'opérateur humain. L'IIL classique mobilise beaucoup l'humain, d'abord pour les démonstrations hors ligne, puis pour l'interaction en ligne, où l'opérateur corrige le robot pendant l'exécution. Les travaux antérieurs ont surtout cherché à alléger la surveillance passive, pas le pilotage actif. Les auteurs proposent de remplacer l'opérateur humain, pour l'essentiel de la collecte de données, par un « expert assistant ». Cet expert est une méthode d'imitation à base de modèle, disponible telle quelle, qu'une seule démonstration humaine suffit à initialiser. L'humain n'intervient ensuite que dans les états critiques, lorsque la tâche est près d'échouer. Les auteurs affirment que le dispositif préserve la qualité des données hors ligne et en ligne. Ils ont testé Easy-IIL en simulation et sur robot réel. Ils rapportent une baisse nette de la charge opérationnelle, avec des performances comparables à celles des références IIL courantes. Des études utilisateurs indiquent aussi une charge de travail subjective plus faible pour l'expert humain. L'intérêt tient à un goulot d'étranglement connu de la robotique pilotée par les données. Le coût du temps d'opérateur qualifié limite le passage à l'échelle de l'imitation, que ce soit pour des bras industriels ou des politiques VLA (vision-langage-action) affinées sur démonstrations. Si une seule démonstration suffit à lancer la collecte, et si l'humain n'intervient que sur les échecs imminents, le coût de déploiement d'une nouvelle tâche baisse pour un intégrateur. L'approche s'appuie aussi sur une asymétrie déjà observée. Les méthodes structurées à base de modèle atteignent de bons résultats avec très peu de démonstrations, mais les politiques de bout en bout les dépassent quand les données augmentent. Easy-IIL emploie les premières pour amorcer la collecte et laisse les secondes prendre le relais. Une réserve s'impose : le résumé ne chiffre ni la réduction d'effort, ni les tâches testées, ni le nombre d'essais. « Comparable » reste donc à vérifier dans l'article complet, en particulier sur des tâches riches en contacts ou à longue durée. Ce travail s'inscrit dans la famille des méthodes à intervention humaine, comme HG-DAgger et ses variantes, qui ont déjà réduit la supervision continue mais gardent l'humain aux commandes dès qu'il faut corriger. L'angle ici est différent : déléguer l'action à un expert algorithmique et réserver l'humain aux cas limites. L'étape suivante probable est de vérifier si le gain tient sur des tâches plus longues ou plus variées, avec des politiques de grande taille. Il restera aussi à voir s'il tient avec des assistants à base de modèle moins fiables, ce qui conditionnera son adoption dans des cellules industrielles réelles.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source