RecherchearXiv cs.RO 25 septembre 2026

DA-GRD : désambiguïsation tactile décisionnelle pour la récupération face aux erreurs perception-exécution

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

DA-GRD (Decision-Aware Grasp-Relevant Disambiguation), publiée sur arXiv le 25 septembre 2026 (arXiv:2609.29065v1), permet à un bras robotique de retrouver une prise valide quand l'objet a bougé après la perception visuelle, sans nouvelle image, via de simples contacts tactiles. La méthode maintient une carte de probabilités 2D sur les positions possibles de l'objet, choisit chaque sondage tactile pour éliminer un maximum d'hypothèses, et s'arrête dès qu'une prise commune devient exécutable, sans relocaliser entièrement l'objet. En simulation MuJoCo, sur dix objets rigides déplacés jusqu'à 5 cm et tournés jusqu'à 45 degrés, elle atteint 84,7% de réussite de saisie, contre 9,1% pour une prise AnyGrasp périmée, 21,2% pour un balayage tactile fixe et 63,7% pour ce balayage avec croyance SE(2) ; le taux de réussite conditionné à la tâche atteint 57,3%, avec 4,13 sondages en moyenne, soit 72,5% de moins que la base à 15 sondages. En conditions réelles, sur six objets, elle obtient 71,7% de réussite de saisie et 38,3% de réussite conditionnée à la tâche, pour 4,20 sondages en moyenne.

Le problème ciblé est concret pour l'industrie : le décalage entre ce que perçoit la vision et l'état réel de la scène au moment de la saisie, fréquent en logistique quand un objet glisse ou est déplacé avant l'exécution. Plutôt que de reprendre une image ou de relocaliser complètement l'objet, ce qui allonge le temps de cycle, DA-GRD montre qu'un petit nombre de contacts tactiles ciblés suffit à restaurer une prise exploitable, un intérêt direct pour le bin picking et la manipulation en environnement encombré. Cela nuance l'idée que les pipelines purement visuels ou les modèles VLA suffisent à garantir la robustesse en conditions réelles : l'écart entre perception et exécution reste un point de fragilité que le tactile peut combler à faible coût de calcul.

Le travail s'inscrit dans la recherche sur la manipulation tactile, complémentaire aux pipelines de saisie basés sur la vision comme AnyGrasp, utilisé ici comme référence de prise périmée, et se positionne face aux méthodes de balayage tactile à nombre fixe de sondages ainsi qu'aux approches de relocalisation complète, plus coûteuses en temps. Les tests restent limités, dix objets rigides en simulation et six en conditions réelles, sans objets déformables ni scènes à plusieurs objets. Aucune intégration industrielle n'est annoncée : il s'agit pour l'instant de recherche académique publiée sur arXiv, la suite logique étant l'extension à des objets plus divers et à d'autres bras robotiques.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Perception active pour la désambiguïsation incarnée

Un article de recherche intitulé "Active Perception for Embodied Disambiguation" (arXiv:2608.13605v1) propose un nouveau cadre pour lever l'ambiguïté des instructions données en langage naturel aux robots. Le constat de départ est que lorsqu'un robot reçoit une consigne, l'incertitude sur la cible visée ne provient pas uniquement d'une formulation imprécise de l'utilisateur, mais aussi d'un manque de preuves visuelles dans l'observation courante : objet occulté, point de vue restreint, texte illisible ou cible simplement hors champ. Les méthodes existantes de désambiguïsation interactive se contentent généralement de poser des questions supplémentaires à l'utilisateur. Le système proposé s'appuie à la place sur l'observation active comme mécanisme principal d'acquisition d'information, pilotée par un modèle vision-langage (VLM) qui décide, à partir des indices visuels déjà accumulés et des échanges passés, s'il faut poursuivre l'observation, demander une clarification, ou valider directement la sélection de la cible. Des expériences menées sur robot réel montrent que ce cadre combine effectivement acquisition physique d'information et clarification d'intention au sein d'un seul processus de désambiguïsation incarnée. L'intérêt pour l'industrie robotique tient au fait que la plupart des systèmes de commande en langage naturel traitent l'ambiguïté comme un problème purement conversationnel, en multipliant les questions à l'utilisateur, sans jamais remettre en cause la qualité de l'observation elle-même. Or dans un entrepôt, un domicile ou un site industriel, les occlusions, les angles de vue limités et les étiquettes illisibles sont la norme plutôt que l'exception. Montrer qu'un robot peut résoudre une partie de ces ambiguïtés en changeant activement de point de vue, plutôt qu'en interrompant systématiquement la tâche pour interroger l'opérateur, va dans le sens d'une autonomie plus robuste pour les architectures de type VLA déployées sur bras manipulateurs ou robots mobiles. Cela répond aussi, de façon ciblée, à l'écart souvent observé entre démonstrations en environnement contrôlé et comportement en conditions réelles bruitées. Ce travail s'inscrit dans la lignée des recherches sur la désambiguïsation interactive et sur les modèles vision-langage-action qui infusent la compréhension du langage dans la boucle de perception et d'action des robots, un axe où plusieurs laboratoires publient régulièrement de nouvelles architectures. Il s'agit ici d'une publication de recherche en préimpression sur arXiv, sans produit commercial ni déploiement industriel associé à ce stade : la contribution reste méthodologique et validée par des essais limités sur robot réel, pas encore par des pilotes à grande échelle ni des chiffres de performance chiffrés publiquement communiqués.

RecherchePaper

1 source

2arXiv cs.RO

Maîtriser les VLA face aux erreurs d'exécution du robot : autocompensation et tests de résistance

Des chercheurs proposent une méthode d'adaptation au déploiement, baptisée « self-compensating VLA », qui vise un défaut récurrent des politiques vision-langage-action (VLA) : elles échouent quand le mouvement réellement exécuté par le robot s'écarte de l'action commandée. Ces erreurs d'exécution viennent de la mécanique et des conditions d'usage, comme l'usure ou les changements de charge utile. La méthode met à jour la politique en ligne, sans récompense de tâche ni étiquette. Elle exploite uniquement le résidu entre l'action commandée par le VLA et le mouvement mesuré, ce qui permet à la politique de pré-compenser l'écart lorsqu'elle génère ses commandes. L'équipe publie aussi RoboStress, un banc d'essai en simulation qui combine des modèles articulaires établis de frottement, de jeu mécanique (backlash), de compliance et d'erreur de compensation de gravité. Il en tire sept scénarios de déploiement où l'erreur dépend de l'état du robot et de son historique de mouvement. Sur RoboStress, la méthode dépasse les politiques de base et les approches qui intègrent la robustesse à l'entraînement. Sur deux bras physiques aux historiques d'usage différents, le taux de réussite moyen gagne plus de 30 points de pourcentage sur chacun, y compris sur des objets absents des démonstrations. L'enjeu touche un angle mort de la commercialisation. Les VLA sont surtout évalués sur des robots neufs, bien calibrés et proches de ceux qui ont servi à collecter les données. Une flotte en production est différente : les articulations s'usent, les réducteurs prennent du jeu, les outils changent la charge. Ces travaux suggèrent qu'une part des échecs attribués à la « généralisation » des modèles relève en réalité d'un décalage mécanique, ce qui élargit l'écart entre démonstration et réalité. Pour un intégrateur ou un COO industriel, une adaptation sans supervision, sans reprise de collecte de données ni réentraînement, est intéressante : elle pourrait réduire le coût de maintien d'une flotte hétérogène. Des réserves s'imposent. Les résultats physiques portent sur seulement deux bras, l'ampleur des gains dépend des politiques de base testées, et le banc de simulation reste une approximation de la dégradation réelle. Il s'agit d'un résultat de recherche, pas d'un produit ni d'un déploiement. Ce travail s'inscrit dans un courant qui cherche à rendre les VLA robustes après l'entraînement, alors que la course aux modèles généralistes, avec Pi-0 de Physical Intelligence, GR00T de NVIDIA ou Helix de Figure, se concentre surtout sur les données, l'échelle et la généralisation sémantique. Jusqu'ici, la réponse dominante à l'erreur d'exécution consistait à randomiser la dynamique en simulation ou à enrichir les données, ce que l'article prend justement pour référence. L'approche proposée relève plutôt du contrôle adaptatif classique, transposé aux politiques apprises. La suite logique serait de la tester sur davantage de plateformes, de la coupler à des modèles plus grands et de la valider sur des cycles longs, où l'usure évolue réellement. Le préprint (arXiv, v1) n'annonce ni code ni partenaire industriel.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

TacForcing : génération d'actions en flux continu avec retour tactile à l'exécution

Une équipe de recherche présente TacForcing, un framework de génération d'actions en flux continu pour la manipulation robotique riche en contacts, publié sur arXiv (arXiv:2608.25798v1). Il remplace l'expert d'action standard des modèles vision-langage-action (VLA) par un « streaming action expert » qui génère les actions en se conditionnant sur des retours tactiles captés pendant l'exécution, et non plus sur des observations figées antérieures au mouvement. Un mécanisme associé, Execution-Aware Tactile Attention (EATA), restreint ce conditionnement tactile aux actions proches de leur exécution réelle, réduisant le décalage entre capture tactile et mouvement. Sur six tâches simulées du benchmark UniVTAC et trois tâches réelles de manipulation riche en contacts, TacForcing atteint des taux de réussite moyens de 65% et 69% respectivement, devant les références existantes. Le problème visé est connu des intégrateurs en préhension fine et assemblage: les VLA à base de blocs d'actions (« chunks ») prédisent un mouvement complet à partir d'observations pré-exécution, rendant le conditionnement tactile obsolète dès que l'état de contact change (glissement, résistance, déformation). Les approches tactiles réactives existantes compensent avec un contrôleur haute fréquence séparé, ce qui alourdit l'architecture et l'entraînement. En intégrant le retour tactile directement dans le flux de génération, sans contrôleur additionnel, TacForcing simplifie cette chaîne et illustre qu'un VLA peut devenir réactif au contact sans architecture parallèle, un enjeu concret pour les tâches d'assemblage, d'insertion ou de manipulation d'objets déformables en environnement industriel. Ce travail s'inscrit dans la vague de recherche sur les modèles vision-langage-action qui a suivi des systèmes comme Pi-0, GR00T N2 ou Helix, où l'ajout de modalités sensorielles au-delà de la vision vise à combler l'écart entre démonstrations et robustesse réelle. Il s'agit d'une publication académique, sans acteur industriel ni déploiement commercial associé, évaluée sur le benchmark UniVTAC et seulement trois tâches réelles, ce qui invite à la prudence sur la généralisation des taux annoncés avant validation indépendante à plus grande échelle.

RechercheActu

1 source

4arXiv cs.RO

HIRE : raisonnement d'interaction historique et exécution rapide pour manipulation précise malgré l'ambiguïté visuelle

Une équipe de recherche a publié le 28 septembre 2026 sur arXiv (2609.30828v1) un nouveau système baptisé HIRE, pour "History-Conditioned Interaction Reasoning and High-Rate Execution", conçu pour la manipulation robotique de précision dans des tâches à contact critique comme l'insertion, le vissage ou les interactions rotatives. L'architecture combine deux modules à fréquences différentes : un raisonneur d'état d'interaction (ISR) qui encode l'historique de forces et de couples (wrench) via un "Force Perceiver" pour lever l'ambiguïté entre observations visuellement identiques mais correspondant à des états physiques différents, et un exécuteur haute fréquence (IME) qui décompose le mouvement en progression intrinsèque et correction transversale pour un contrôle fin du contact. Sur des expériences robot réel couvrant des interactions de surface, d'insertion et de rotation, HIRE atteint au moins 90% de taux de complétion sur l'ensemble des étapes de tâches évaluées, avec une meilleure désambiguïsation des états d'interaction et une meilleure généralisation. Le code source sera publié ultérieurement, lors de la publication définitive de l'article : il ne s'agit donc pour l'instant que d'un préprint de recherche, non reproductible en l'état. L'intérêt pour l'industrie tient au problème précis que le papier cible : les politiques vision-langage-action (VLA) et les approches purement visuelles échouent quand deux scènes qui se ressemblent nécessitent des actions différentes selon un état caché, un cas fréquent en assemblage industriel et insertion de connecteurs. En couplant mémoire de force longue durée et boucle réactive rapide dans une architecture "cross-rate", HIRE propose une piste concrète pour des tâches d'assemblage fin où les manipulateurs équipés de capteurs force-couple restent aujourd'hui peu fiables face à l'aliasing visuel. Le chiffre de 90% mérite toutefois d'être relativisé : il provient d'essais en laboratoire sur robot unique, sans indication du nombre d'essais ni de comparaison chiffrée avec des bases de référence dans le résumé, ce qui est typique d'un stade préliminaire de recherche plutôt que d'une validation à l'échelle industrielle. Le travail s'inscrit dans la lignée des méthodes "force-aware" et à mémoire augmentée d'un côté, et des politiques réactives haute fréquence de l'autre, deux familles jusqu'ici traitées séparément dans la littérature sur la manipulation robotique. Aucun partenaire industriel, site de déploiement ni calendrier de commercialisation n'est mentionné : il s'agit d'une contribution académique dont la prochaine étape annoncée est la publication complète, accompagnée de la mise à disposition du code.

RecherchePaper

1 source