Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Modélisation de Cosserat de bras souples en hélicoïde découpé avec une loi de comportement à sections séparées
RecherchearXiv cs.RO 

Modélisation de Cosserat de bras souples en hélicoïde découpé avec une loi de comportement à sections séparées

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

Un preprint publié le 23 septembre 2026 sur arXiv (arXiv:2609.25264v1) présente une nouvelle loi constitutive pour modéliser les bras robotiques souples hélicoïdaux taillés (trimmed helicoid), des structures en spirale dont les zones porteuses de charge ne sont reliées qu'à de rares points de fusion. Contrairement aux modèles de tige de Cosserat classiques, qui additionnent les propriétés matérielles sur une section transversale commune, la méthode évalue chaque domaine hélicoïdal dans son repère local, tient compte de la compliance créée par le mouvement relatif entre domaines fusionnés, puis ramène sa réponse vers l'axe central du bras : la flexion et l'extension chutent d'environ un ordre de grandeur, la torsion restant proche de la rigidité brute. Intégrée dans un modèle Cosserat dynamique avec discrétisation GVS et tendons routés, la méthode a été validée sur 103 configurations mesurées, réparties en trois jeux de données, avec des erreurs de position poolées de 7,7 %, 6,7 % et 7,8 %, pour un temps de résolution d'environ 0,3 seconde par bras sur un cœur Intel Xeon Cascade Lake à 2,8 GHz.

Le résultat comble un angle mort des modèles de robotique souple : l'hypothèse de section transversale unifiée, héritée des tiges homogènes, échoue pour les architectures spiralées découpées où la charge suit des chemins matériels discontinus. En la corrigeant, les auteurs rendent les prédictions de déformation utilisables pour la planification de trajectoire, l'estimation d'état et de charge, et la co-conception morphologie/commande. Le temps de calcul, 0,3 seconde par résolution sur un simple cœur CPU sans GPU, ouvre la voie à un contrôle quasi temps réel pour des bras souples architecturés, un segment où les modèles physiques réalistes restent rares face aux approches purement data-driven.

Les modèles de tige de Cosserat sont l'outil standard en robotique continue et souple depuis plus d'une décennie, mais leur simplification sectionnelle restait peu questionnée pour les architectures composites sans section pleine. Les bras hélicoïdaux taillés, découpés en spirale puis assemblés par fusion ponctuelle, illustrent une famille émergente de robots souples réglant leur compliance par la géométrie plutôt que par le seul matériau. L'abstract ne cite ni auteurs ni laboratoire : il s'agit d'un travail de modélisation théorique diffusé sur arXiv avant relecture par les pairs, sans produit ni déploiement industriel annoncés à ce stade.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Modélisation d'actions généralement covariante : construction de variétés généralisées par découplage spatio-temporel
1arXiv cs.RO 

Modélisation d'actions généralement covariante : construction de variétés généralisées par découplage spatio-temporel

Un préprint soumis sur arXiv le 2 juin 2026 (identifiant 2606.00110) introduit le cadre GAM (Generalized Action Manifold), une approche architecturale pour améliorer la généralisation des politiques robotiques en intelligence incarnée. Le problème ciblé est précis : les méthodes actuelles de Vision-Language-Action (VLA) entraînent les robots à régresser des coordonnées absolues, liant la politique à un style de mouvement et une vitesse d'exécution fixes. GAM résout cela via deux mécanismes orthogonaux. Le premier, l'Arc-Length Parameterizer, sépare la géométrie spatiale d'une trajectoire de sa dynamique temporelle, rendant la politique insensible aux variations de vitesse. Le second, le Schema-Affine-Factorization, projette les trajectoires dans un repère normalisé (pose-normalized coordinate frame), distinguant les schémas géométriques invariants des modulations affines locales. Intégré dans une architecture VLA structurée, GAM permet à un faible nombre de démonstrations de peupler densément un manifold d'actions continu et valide. Les auteurs rapportent des performances supérieures aux baselines geometry-agnostic sur des benchmarks empiriques, sans préciser les robots ou plateformes testés. L'enjeu industriel est direct : la généralisation depuis un nombre limité de démonstrations reste l'un des verrous les plus coûteux du déploiement robotique. Dans les usines où les intégrateurs doivent collecter des milliers de trajectoires par variante de tâche, réduire ce volume a un impact économique concret. Le principe de covariance générale, emprunté à la physique relativiste, stipule qu'une loi ne doit pas dépendre du système de coordonnées choisi. Appliqué à la robotique, cela signifie apprendre la structure géométrique intrinsèque d'une tâche plutôt que les habitudes motrices d'un démonstrateur humain. Si validée à l'échelle, cette approche s'attaquerait directement au demo-to-reality gap et au sim-to-real transfer, deux obstacles persistants pour des systèmes VLA commerciaux comme Pi-0 de Physical Intelligence ou OpenVLA. La recherche VLA s'est accélérée depuis 2024 avec Pi-0, RDT-1B, Octo, et les travaux de NVIDIA sur GR00T N2. GAM se positionne comme une couche d'invariance structurelle compatible avec ces architectures existantes plutôt que comme un modèle concurrent. Ce papier reste à ce stade un preprint non relu par des pairs, sans validation sur des robots physiques identifiés ni données de déploiement réel. Aucun auteur, institution ou partenaire industriel n'est mentionné dans l'abstract disponible, ce qui limite l'évaluation de la crédibilité et de la roadmap concrète. La prochaine étape naturelle serait une soumission à CoRL, ICRA ou RSS avec des expériences sur manipulateurs physiques dans des environnements semi-structurés.

RechercheOpinion
1 source
LeWAM : modélisation de bout en bout du monde et de l'action avec les JEPA
2arXiv cs.RO 

LeWAM : modélisation de bout en bout du monde et de l'action avec les JEPA

LeWAM, un modèle publié sur arXiv (2610.12818) par une équipe de chercheurs, propose d'entraîner de bout en bout une architecture JEPA (joint-embedding prédictive architecture) dédiée au contrôle robotique. Les JEPA apprennent des modèles du monde compacts dans un espace latent, sans reconstruction de pixels. Jusqu'ici, les pipelines existants entraînaient d'abord les représentations visuelles, puis la dynamique conditionnée par l'action, et ajoutaient ensuite une politique de contrôle ou un solveur de planification. LeWAM fusionne ces étapes avec deux ingrédients: un objectif d'entraînement conjoint qui combine la prédiction de l'état latent suivant et le « flow matching » sur les actions, et une contrainte gaussienne isotrope sur l'espace latent. Un même modèle peut alors exécuter directement une politique ou planifier en évaluant des actions échantillonnées via sa dynamique latente. Sur les tâches de planification visuelle, le taux de réussite passe de 28,6 % à 89,7 % pour les tâches riches en contacts, et de 10,9 % à 46,2 % pour les tâches à long horizon, avec une planification 32,3 fois plus rapide que les JEPA antérieures. L'intérêt tient à l'unification. Les équipes robotiques arbitrent aujourd'hui entre des politiques réactives de type VLA ou behavior cloning, rapides mais sans anticipation explicite, et des modèles du monde qui permettent de planifier mais restent lourds à entraîner et à exécuter au moment du test. Un gain de vitesse d'un facteur 32 sur la planification rapproche l'approche « imaginer avant d'agir » des contraintes de cadence d'un déploiement réel. Les auteurs indiquent aussi que LeWAM reste compétitif avec des méthodes établies en behavior cloning, en simulation comme sur robots physiques, ce qui suggère qu'on n'a pas à sacrifier la qualité de la politique pour obtenir un modèle du monde utilisable. Les analyses d'interprétabilité indiquent que les représentations apprises sont pertinentes pour le contrôle et que la distribution d'actions guide efficacement la planification. Il faut toutefois relativiser: le résumé ne précise ni les benchmarks, ni les robots, ni le nombre d'essais, et les gains les plus spectaculaires sont mesurés face à d'autres JEPA, pas face aux meilleurs VLA du moment. Il s'agit d'un préprint, sans produit ni déploiement industriel associé. Le contexte est celui de la montée des modèles du monde latents, portée par la lignée JEPA défendue par Yann LeCun, et de la concurrence avec les approches génératives opérant dans l'espace des pixels ou de la vidéo, ainsi qu'avec les VLA comme Pi-0 ou GR00T. Le nom LeWAM évoque un clin d'œil à cette lignée, sans que le résumé le confirme. La prochaine étape logique est une validation indépendante sur des manipulations plus variées et des plateformes physiques plus nombreuses, avec la publication du code et des poids. Ce sera le test décisif pour savoir si ce gain de planification tient hors des benchmarks choisis par les auteurs.

RecherchePaper
1 source
MoMo : composer le mode de mouvement en manipulation robotique via une tokenisation spatio-temporelle de l'action
3arXiv cs.RO 

MoMo : composer le mode de mouvement en manipulation robotique via une tokenisation spatio-temporelle de l'action

Une équipe de recherche présente MoMo, un framework d'apprentissage par imitation en deux étapes qui permet de faire varier non plus seulement la précision d'un geste robotique, mais sa manière d'être exécuté. Le système combine un tokeniseur d'actions spatio-temporel et un transformeur de clonage comportemental, qui reçoit en entrée à la fois la tâche à accomplir et une condition continue de « mode de mouvement ». Testé sur six tâches de manipulation avec un robot réel, ce paramètre permet de produire des comportements qualifiés de posés, dynamiques ou intermédiaires, que des évaluateurs humains parviennent à distinguer de façon fiable. Les différences se mesurent concrètement dans la vitesse et l'accélération des articulations, ainsi que dans l'angle d'approche de l'effecteur terminal. Fait notable, lorsqu'une tâche n'a été démontrée que dans un seul mode d'exécution, MoMo parvient à transférer un mode demandé mais jamais vu pour cette tâche précise, tout en conservant l'essentiel du taux de réussite. Le papier est publié sur arXiv (2607.26315v1). Cette capacité de généralisation compositionnelle, à savoir combiner une tâche connue avec un style d'exécution inédit, touche un point sensible du déploiement industriel des robots manipulateurs: jusqu'ici, les modèles vision-langage-action (VLA) de type Pi-0, GR00T N2 ou Helix se concentrent surtout sur le « quoi faire », rarement sur le « comment le faire ». Or pour un intégrateur, la manière d'exécuter un geste compte autant que sa réussite: un préhenseur qui va vite sur une pièce robuste mais qui doit ralentir sur un composant fragile, ou une cadence différente selon la proximité d'un opérateur humain. Que ce réglage de style soit réutilisable d'une tâche à l'autre, sans réentraîner un modèle dédié par comportement, laisse entrevoir une réduction du coût de personnalisation des compétences robotiques en usine. Ce travail s'inscrit dans la lignée des recherches en clonage comportemental et en apprentissage par imitation, qui cherchent depuis plusieurs années à dépasser la simple reproduction de trajectoires démontrées pour capturer des facteurs de comportement transférables. Il reste, à ce stade, une preuve de concept académique limitée à six tâches et un seul bras robotique en laboratoire, sans indication de partenariat industriel ni de calendrier de déploiement. La suite logique serait une validation sur davantage de plateformes et de familles de tâches, pour vérifier si ce contrôle du style de mouvement tient à l'échelle des modèles VLA généralistes actuellement commercialisés.

RecherchePaper
1 source
Modélisation physique et contrôle des comportements émergents dans les essaims de robots
4arXiv cs.RO 

Modélisation physique et contrôle des comportements émergents dans les essaims de robots

Des chercheurs ont déposé le 2 juin 2026 sur arXiv (arXiv:2606.01597) un cadre baptisé PhySwarm pour modéliser et contrôler les comportements collectifs émergents d'essaims de robots. L'approche couple un niveau macroscopique, le modèle Macro-ADR (advection-diffusion-réaction multi-phases), qui décrit l'évolution de la densité spatiale de l'essaim au fil des phases comportementales, à un niveau microscopique, le Micro-EDM, qui traduit ces dynamiques en consignes de déplacement individuel via des champs de potentiel et des transitions d'état gérées par seuils. Un contrôleur neuro-physique (NPC), entraîné par un objectif hybride alliant apprentissage par renforcement (RL) et réseaux de neurones physique-informés (PINN), mappe les observations locales et la mémoire temporelle de chaque robot à des paramètres physiques bornés. Les auteurs valident l'approche sur trois missions en preuve de concept : fourragement guidé par piste, navigation avec reconfiguration de formation, et recherche-sauvetage avec réaffectation dynamique des rôles. L'intérêt principal de PhySwarm est l'interprétabilité des comportements émergents. Contrairement aux méthodes purement neurales où les dynamiques collectives restent des boîtes noires, le cadre produit des champs de densité et des paramètres physiques explicites (coefficients d'advection, de diffusion, taux de transition de phase), permettant d'auditer pourquoi un essaim adopte un comportement donné. Pour les intégrateurs et les décideurs industriels, c'est un levier concret : la capacité à décomposer et à certifier un comportement collectif est un prérequis pour déployer des essaims dans des environnements critiques, logistique entrepôt ou intervention d'urgence. La contrainte PINN force aussi l'apprentissage à rester physiquement cohérent, ce qui réduit théoriquement le fossé simulation-réel (sim-to-real gap), même si toutes les expériences présentées restent en simulation et ne constituent pas encore des déploiements terrain. Le contrôle formel d'essaims est un domaine actif depuis les années 1990, mais la modélisation des comportements multi-phases y reste un problème ouvert. Les approches concurrentes vont de la stigmergie bio-inspirée au multi-agent reinforcement learning (MARL) pur, en passant par les formulations de champ moyen (mean-field games). PhySwarm se positionne à l'intersection physique et deep learning, un créneau également exploré par des équipes d'ETH Zurich, MIT CSAIL et Carnegie Mellon. Du côté industriel, des acteurs comme Exotec (France) pour la logistique entrepôt déploient déjà des flottes de robots sans coordination physique-informée formelle ; ce type de cadre pourrait outiller une prochaine génération de systèmes multi-robots à comportements certifiables.

UEImpact prospectif uniquement : le cadre PhySwarm pourrait à terme outiller des acteurs français comme Exotec pour certifier les comportements de leurs flottes multi-robots, mais aucune institution ou entreprise européenne n'est impliquée dans cette recherche.

RecherchePaper
1 source