RecherchearXiv cs.RO 22 septembre 2026

Saisie octopode : préhension et fixation distribuées avec un bras souple à vitesse limitée

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article publié sur arXiv le 22 septembre 2026 (arXiv:2609.22926v1), intitulé "Embodied Snap", présente un contrôleur inspiré du poulpe pour bras robotique souple à ventouse passive. Le problème visé : les actionneurs à réducteur limitent la vitesse de contact nécessaire à l'accroche, sans qu'un meilleur suivi de trajectoire suffise à compenser ce manque. La solution sépare une phase lente de mise en tension des tendons (préchargement servo-commandé) d'une phase rapide de relâchement élastique. Une politique apprise, partagée par les trois sections du bras, décide où, comment et quand charger puis relâcher le tendon et le mou. Résultats obtenus : un taux d'accroche de 73 % (± 4) sur 400 cibles simulées inédites avec une tolérance latérale de 5 cm, des vitesses en bout de bras de 1,56 à 1,64 m/s (au moins 108 % de plus qu'un relâchement direct par tendon), et sur 18 essais matériels en boucle ouverte répartis sur six placements, 17 essais dépassent le seuil de 1 m/s requis pour l'accroche et neuf permettent de récupérer effectivement l'objet, avec succès sur cinq des six placements testés.

Cette division entre préparation apprise et exécution mécanique passive s'attaque à un verrou connu de la robotique souple : des actionneurs légers et sûrs, adaptés à la cohabitation homme-robot ou aux usages sous-marins et spatiaux, sont souvent trop lents pour des tâches dynamiques comme la capture par ventouse. Plutôt que d'ajouter des moteurs plus puissants, donc plus lourds et coûteux, l'équipe montre qu'un mécanisme de stockage puis décharge d'énergie élastique, piloté par une politique compacte, comble cet écart, avec une convergence atteinte en seulement 17 % du budget d'évaluation nécessaire à un contrôleur centralisé de référence. L'écart simulation-réel reste toutefois visible : sur le matériel réel, seule la moitié des essais aboutit à une récupération effective de l'objet, contre un taux nettement supérieur en simulation.

Le travail relève de la robotique bio-inspirée, qui étudie l'organisation distribuée des bras du poulpe sans chercher à répliquer son système nerveux. Signalé comme nouvelle soumission sur arXiv, ce preprint n'a pas encore été relu par les pairs, et les essais matériels restent des tests en boucle ouverte menés sur un prototype de laboratoire, sans lien annoncé avec un système commercial. Il s'inscrit aux côtés des recherches sur les actionneurs à câbles et tendons et sur les grippers à ventouse utilisés en logistique ou en exploration spatiale. Aucun calendrier de suite, partenariat industriel ou intégration à une plateforme robotique complète n'est mentionné à ce stade : il s'agit d'une preuve de concept de contrôle testée sur un bras isolé, pas d'un produit destiné à un déploiement.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprendre à percevoir et manipuler par interaction distribuée du bras dans un robot souple

Publié début septembre sur arXiv (2608.30773), un article de recherche décrit un cadre d'« intelligence physique » pour la manipulation robotique par contact distribué, sans caméra. Le système s'appuie sur un bras hybride rigide-souple dont la seule source de perception est un réseau de capteurs inertiels (IMU) intégrés dans sa structure compliante. Une politique de contrôle dotée de mémoire, entraînée de bout en bout par apprentissage par renforcement, combine une exploration pré-entraînée, une optimisation conjointe exploration-saisie et une adaptation sim-to-real en deux étapes pour inférer position, forme et prise d'un objet à partir du seul historique des contacts. Résultat : le bras identifie et saisit à l'aveugle des objets variés en coordonnant exploration, détection du contact, localisation et enveloppement stable. Cette approche va à contre-courant de la tendance dominante en robotique humanoïde et industrielle, où la perception visuelle et les modèles vision-langage-action (VLA) comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure concentrent l'essentiel des investissements. En résolvant un problème d'observabilité partielle par le seul toucher distribué, l'étude ouvre une piste complémentaire pour les cas où la caméra échoue (occlusion, poussière, faible luminosité, objets transparents ou déformables), un enjeu concret pour les intégrateurs de préhenseurs souples et d'AMR en logistique. Elle illustre aussi qu'un apprentissage bout en bout mémorisant l'historique tactile, plutôt qu'un simple asservissement réactif, peut transformer un contact brut en information exploitable, sans capteur de force dédié coûteux. Le travail s'inspire de la biologie, notamment de la trompe de l'éléphant et des bras de la pieuvre, capables de combiner exploration sensorielle et manipulation grâce à de vastes surfaces de contact compliantes, un principe que la robotique souple cherche depuis des années à traduire mécaniquement puis, ici, algorithmiquement. Le prototype testé reste un bras hybride de laboratoire, à distinguer des architectures rigides et pilotées par vision des grands acteurs humanoïdes actuels, de Figure AI (Helix) à Nvidia (GR00T N2) en passant par Physical Intelligence (Pi-0) ou Tesla (Optimus). Il s'agit à ce stade d'une publication de recherche arXiv, sans partenariat industriel ni calendrier de commercialisation annoncés, présentée par ses auteurs comme une preuve de principe appelée à s'étendre vers des tâches de manipulation plus complexes.

RecherchePaper

1 source

2arXiv cs.RO

Optimiser, apprendre, affiner : préhension du corps entier et lancer avec un robot souple en spirale

Des chercheurs ont mis au point un cadre d'optimisation qui permet à un robot continu souple en spirale de saisir et de lancer des objets avec tout son corps, à partir d'un état initial où rien n'est encore saisi. La méthode, décrite dans un preprint arXiv (v1, non évalué par les pairs), repose sur une optimisation dans l'espace d'actionnement guidée uniquement par le résultat. La saisie est mesurée par le balayage angulaire de la pointe et par l'enveloppement de l'objet par le corps du robot. Le lancer ajoute l'alignement de la direction de relâchement et une vitesse minimale à la libération. Aucune force de contact, position de contact ou configuration du corps n'est prescrite : saisie, accélération et relâchement émergent de l'interaction compliante. En simulation, le système réussit 492 saisies sur 500 (98,4 %) et affiche 98 %, 97 % et 94 % de réussite sur trois directions de lancer. Sur le matériel, les auteurs rapportent 100 % de réussite sur 50 saisies et sur 30 lancers (10 par direction). L'intérêt tient à la difficulté de fond : la manipulation corps entier par des robots souples, où les contacts changent en permanence, échappe aux méthodes de planification classiques. La relation entre commande et résultat est non lisse, d'où le recours à CMA-ES, un algorithme d'optimisation sans dérivées. Le cadre « optimiser, apprendre, affiner » fonctionne en trois temps : CMA-ES produit des solutions pour des conditions échantillonnées, un prédicteur conditionné par la tâche apprend des points de départ, puis CMA-ES les raffine pour des conditions inédites. Le gain est mesurable : le taux de saisie passe de 78,6 % à 98,4 % et le nombre médian de simulations par optimisation chute de 1184 à 816. Il faut toutefois relativiser. Les scores de 100 % reposent sur de petits échantillons (30 à 50 essais), le résumé ne précise ni les objets, ni leur masse, ni leur diversité, et l'écart entre simulation et matériel n'est pas chiffré. Il s'agit d'un résultat de laboratoire, sans produit ni déploiement associé. Ce travail s'inscrit dans l'essor des robots continus et souples, qui visent des tâches où la compliance répartie est un avantage : objets fragiles, environnements encombrés, contacts incertains. Il se distingue de la ligne dominante des humanoïdes et des modèles vision-langage-action (VLA), qui apprennent des politiques par imitation ou par apprentissage par renforcement sur des préhenseurs rigides. Ici, l'apprentissage reste léger : il sert uniquement à initialiser une optimisation. Le résumé ne mentionne ni acteur industriel ni calendrier de transfert. Les suites probables sont des tests avec des objets plus variés, des charges plus lourdes et une validation en boucle fermée avec retour perceptif, étapes nécessaires avant toute application logistique ou industrielle.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Manipulation non préhensile orientée saisie par apprentissage d'un champ de préhensibilité

Une équipe de chercheurs a publié le 30 juin 2026 un preprint (arXiv:2606.30474) présentant une nouvelle approche de la manipulation non-préhensile orientée vers la saisie robotique. La manipulation non-préhensile désigne l'ensemble des techniques qui repositionnent un objet sans le saisir directement (poussée, glissement, basculement), typiquement utilisées comme étape préparatoire avant une prise ferme. L'innovation centrale est un "champ de saisissabilité" (graspability field) : au lieu de cibler une pose précise prédéfinie, le système apprend à mesurer, pour chaque configuration de l'objet, dans quelle mesure cette configuration est propice à une saisie réussie. Cette mesure scalaire dense sert de signal d'apprentissage pour un algorithme de renforcement (RL), et détermine automatiquement quand arrêter la phase de manipulation pour passer à la prise. Les expériences ont été conduites à la fois en simulation et sur un robot physique réel, confirmant que la politique apprise reconfigure fiablement les objets en états saisissables sans planificateur externe ni condition d'arrêt définie manuellement. L'intérêt industriel de cette approche réside dans l'élimination d'une contrainte longtemps considérée comme incontournable : la nécessité de spécifier a priori une pose cible pour l'objet. En pratique, un intégrateur robotique sait qu'un objet doit être saisi, mais pas toujours dans quelle orientation exacte. En reformulant le problème comme optimisation d'un objectif de saisissabilité, les auteurs obtiennent un pipeline fermé piloté par une seule politique, sans recours à un planificateur de mouvement séparé. La corrélation mesurée entre la distance de saisissabilité prédite et le taux de succès de saisie réelle est un résultat notable : elle indique que la représentation apprise capture effectivement la faisabilité de la prise, et pas seulement un comportement émergent de la simulation. La manipulation non-préhensile est un domaine de recherche classique en robotique, mais le couplage direct avec un objectif de saisissabilité apprend est une contribution plus récente, rendue possible par la maturité des méthodes RL appliquées à la manipulation. Ce travail s'inscrit dans une tendance plus large qui cherche à réduire le fossé simulation-réalité (sim-to-real gap) pour des tâches de manipulation fine, aux côtés d'approches comme les politiques de diffusion ou les architectures vision-langage-action (VLA). Aucune entreprise partenaire ni timeline de déploiement n'est mentionnée dans ce preprint purement académique. Les suites logiques incluent l'intégration de ce champ de saisissabilité dans des pipelines de manipulation industrielle multi-étapes et son couplage avec des modèles de fondation capables de raisonner sur des catégories d'objets variées.

RecherchePaper

1 source

4arXiv cs.RO

CALM : manipulation de liaison alignée sur le courant pour soulever des objets surdimensionnés à bras unique

Une équipe de recherche présente CALM (Current-Aligned Link Manipulation), un framework publié sur arXiv en septembre 2026 sous la référence 2609.29017v1, qui permet à un bras robotique unique de soulever des objets surdimensionnés en mobilisant tout le bras, avant-bras et coude compris, et pas seulement son effecteur terminal. La méthode combine trois politiques entraînées en simulation avec des informations privilégiées, couvrant le repositionnement, la préhension et le levage, qu'un routeur de stade enchaîne pour produire des démonstrations complètes de la tâche. Le transfert vers le matériel réel repose sur un "causal current mapper", un module qui prédit le courant moteur physique à partir des historiques articulaires simulés, afin d'aligner l'observation du courant entre simulation et robot réel. Une politique étudiante unique apprend ensuite à partir de ces démonstrations en n'utilisant que des capteurs réellement déployables, puis est affinée par DAgger. Résultat annoncé: 76,2% de réussite en simulation (762 essais sur 1000) et 73,3% sur robot physique (22 essais sur 30) pour la tâche complète de levage séquentiel d'objets surdimensionnés. Ce travail cible un angle mort de la manipulation robotique actuelle: la plupart des bras industriels et humanoïdes ne saisissent qu'avec leur pince ou effecteur, ce qui limite la taille et le poids des objets manipulables, contrairement à l'humain qui cale un objet encombrant contre l'avant-bras ou l'épaule. En utilisant le courant moteur comme substitut à un retour tactile coûteux pour estimer la charge de contact le long du bras, CALM propose une piste pour réduire l'écart sim-to-real sur la dynamique de contact et des actionneurs, un obstacle classique qui fait échouer en conditions réelles des politiques pourtant efficaces en simulation. Le taux de 73,3% sur seulement 30 essais physiques reste un résultat de laboratoire préliminaire, à confirmer sur un échantillon plus large avant toute extrapolation vers un usage industriel en logistique ou en entrepôt. L'abstract ne précise ni les auteurs, ni leur affiliation, ni le type de bras utilisé pour les essais physiques, et ne mentionne aucun acteur français ou européen du secteur. Le papier s'inscrit dans la lignée des méthodes de distillation de politique enseignant-élève, déjà répandues en locomotion pour robots quadrupèdes et humanoïdes, appliquées ici à la manipulation de contact riche sur horizon long. Aucun calendrier de déploiement, partenariat industriel ou suite commerciale n'est annoncé à ce stade: il s'agit d'une contribution de recherche académique, non d'un produit ni d'un pilote en conditions réelles.

RecherchePaper

1 source