Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Identification de modèles de robots indépendante des coordonnées
RecherchearXiv cs.RO 

Identification de modèles de robots indépendante des coordonnées

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

Une méthode d'identification des modèles dynamiques de robots, décrite dans un article déposé sur arXiv (référence 2603.14656, version révisée), corrige un biais méthodologique connu de la régression aux moindres carrés appliquée à la dynamique inverse. Les formulations classiques mesurent l'écart entre couples prédits et mesurés directement dans l'espace des forces en coordonnées, ce qui rend le résultat dépendant du paramétrage choisi, des unités et de l'échelle de chaque degré de liberté. Les auteurs pondèrent ces résidus par la métrique duale induite par la métrique riemannienne du système, en s'appuyant sur la dualité vecteur-covecteur entre force et vitesse pour ramener l'erreur dans l'espace mécanique physique plutôt que dans un repère arbitraire, via une reformulation en métrique affine et complément de Schur qui préserve la convexité du problème. Testée sur un système inertiel Crazyflie-pendule et sur le robot LandSalp, dominé par la traînée, la méthode gagne en précision d'identification, surtout sur les coordonnées de forme.

Un biais lié au seul choix de coordonnées peut fausser silencieusement les couples, frictions ou termes de Coriolis estimés, avec des conséquences directes sur la fidélité d'un jumeau numérique ou la robustesse d'un contrôleur. Rendre l'estimation indépendante du paramétrage promet des modèles reproductibles quel que soit le repère cinématique retenu, un point utile pour les équipes qui ré-identifient des robots après un changement de représentation ou qui combinent des sous-systèmes hétérogènes, drones, robots à jambes ou structures souples. Cela rappelle aussi que l'écart entre simulation et réalité ne tient pas qu'au bruit de mesure ou à la friction non modélisée: une part peut venir d'un artefact purement mathématique introduit par la formulation même de l'identification.

L'identification par moindres carrés sur la dynamique inverse reste la méthode de référence en robotique pour calibrer masses, inerties et frictions, mais sa dépendance aux coordonnées est un défaut connu que peu de travaux avaient corrigé sans sacrifier la convexité, condition nécessaire à une résolution rapide et fiable. En mobilisant la géométrie riemannienne plutôt que des normalisations ad hoc, cette contribution justifie physiquement la pondération des résidus, et le choix de deux robots aux régimes opposés, l'un dominé par l'inertie et l'autre par la traînée, vise à démontrer sa généralité au-delà d'un seul type de mécanisme. Publié comme version révisée sur arXiv, l'article ne mentionne aucun déploiement industriel ni intégration dans un outil de calibration commercial: il s'agit pour l'instant d'une contribution méthodologique destinée à la communauté recherche en dynamique des robots.

Dans nos dossiers

arXiv cs.RO

À lire aussi

PhasePlan : planification ordonnée des phases futures pour les modèles de cerveau de robot
1arXiv cs.RO 

PhasePlan : planification ordonnée des phases futures pour les modèles de cerveau de robot

Une équipe de chercheurs propose PhasePlan, une méthode de planification ordonnée des phases futures pour les « robot brain models », ces modèles qui fusionnent vision, langage et état du robot pour générer des actions de manipulation. Le constat de départ est que la plupart de ces modèles prédisent des « action chunks » de longueur fixe, qui peuvent chevaucher plusieurs phases d'une tâche. À partir des observations multimodales courantes, PhasePlan prédit la phase de tâche associée à chaque position d'action future. Les représentations de planification obtenues conditionnent ensuite les actions correspondantes. L'entraînement se fait en deux temps : le planificateur est d'abord appris, puis gelé pendant l'adaptation du modèle d'action, afin de garder des représentations de phase stables. La méthode est instanciée sur le modèle π0.5 pré-entraîné et sur AcrossWAM1.0. L'évaluation quantitative détaillée porte uniquement sur π0.5. Sur une tâche de manipulation sur tapis roulant, l'erreur d'action articulaire hors ligne baisse d'environ 22,5 % par rapport au π0.5 d'origine. Les auteurs rapportent aussi une meilleure modélisation des transitions de phase et de la prédiction d'actions à cheval sur plusieurs phases. L'intérêt tient au défaut visé. Un chunk de longueur fixe mélange des phases hétérogènes (approche, saisie, transport, dépose), ce qui brouille les transitions et pousse le modèle vers les schémas d'action les plus fréquents. En environnement dynamique comme un convoyeur, où le timing du geste compte autant que sa trajectoire, ce biais dégrade la qualité d'exécution. Pour les intégrateurs, la piste est intéressante : elle améliore un VLA existant sans changer d'architecture, par un module de planification gelé. Les résultats appellent toutefois de la prudence. La métrique est une erreur hors ligne sur trajectoires articulaires, pas un taux de réussite en boucle fermée sur robot réel. Une seule tâche est chiffrée, et la seconde instanciation n'est pas quantifiée en détail. Le gain de 22,5 % ne dit donc pas encore s'il se traduit en cadence ou en fiabilité de production. Ce travail s'inscrit dans la lignée des modèles π0 et π0.5 de Physical Intelligence, devenus une base courante pour l'adaptation de politiques VLA, et dans les recherches sur la structure temporelle de la génération d'actions : chunking, hiérarchie de sous-tâches, raisonnement intermédiaire. Il rejoint des approches comme Helix de Figure ou GR00T de NVIDIA, qui séparent planification de haut niveau et contrôle bas niveau, avec ici une planification alignée position par position sur l'horizon d'action. Il s'agit d'un preprint arXiv (2609.39970v1), sans relecture par les pairs, sans déploiement industriel annoncé ni code ou calendrier mentionné dans le résumé. La suite logique serait une validation en boucle fermée sur robot réel, des comparaisons avec d'autres méthodes de chunking adaptatif, et une évaluation chiffrée sur AcrossWAM1.0 et sur des tâches plus variées.

RecherchePaper
1 source
Le fossé de l'incarnation dans les modèles fondation pour robots
2arXiv cs.RO 

Le fossé de l'incarnation dans les modèles fondation pour robots

Une étude publiée sur arXiv sous la référence 2608.18433v1, intitulée « The Embodiment Gap in Robot Foundation Models », dresse un état des lieux critique des modèles de fondation pour la robotique (RFM), dont les politiques vision-langage-action (VLA). Le papier part d'un constat simple : un modèle peut généraliser sur le papier tout en nécessitant un travail d'adaptation important avant de tourner sur un robot physique donné. Les auteurs baptisent cet écart le « embodiment gap », soit le fossé entre des modèles, représentations ou jeux de données réutilisables et leur mise en œuvre effective sur le robot cible. La contribution centrale est une cartographie à deux axes qui classe les méthodes existantes selon le type de structure partagée et le stade d'adaptation requis avant exécution. L'étude passe ensuite en revue trois axes de recherche qui se recoupent : le partage de sémantique et de perception, le partage de données et d'interfaces robotiques, et l'apprentissage de correspondances entre différents types de corps robotiques. Elle propose enfin un cadre de reporting destiné à documenter ce travail d'adaptation, jugé invisible si l'on ne regarde que le taux de réussite final. Pour les intégrateurs et décideurs B2B du secteur, ce travail vient nuancer le récit dominant selon lequel la simple mise à l'échelle (plus de données, plus de paramètres, plus de benchmarks) suffirait à résoudre le transfert d'un modèle d'un robot à un autre. En creux, l'étude interroge la promesse d'un VLA générique qui s'appliquerait tel quel à n'importe quelle plateforme, qu'il s'agisse d'un bras industriel, d'un robot mobile ou d'un humanoïde. Elle rappelle qu'un taux de réussite affiché sur une démonstration ne dit rien du travail d'ingénierie (recalibrage, réentraînement partiel, adaptation d'interface) nécessaire pour porter un modèle d'un embodiment à un autre. Pour une industrie où plusieurs politiques VLA sont présentées comme quasi prêtes à l'emploi, ce cadre offre une grille de lecture plus rigoureuse pour distinguer généralisation en laboratoire et déploiement réel sur une nouvelle chaîne robotique. Ce travail s'inscrit dans la vague de modèles de fondation robotiques apparue dans le sillage des grands modèles de langage, portée par des acteurs comme Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2 ou Figure AI avec Helix, qui revendiquent tous une forme de généralisation entre tâches et parfois entre robots. En pointant l'absence de cadre commun pour mesurer ce qui reste réellement à faire lors d'un transfert d'embodiment, les auteurs comblent un vide méthodologique plutôt qu'ils ne proposent un nouveau modèle concurrent. La suite logique consisterait en une adoption de ce cadre de reporting par la communauté pour comparer les futures publications sur une base homogène, ainsi qu'en des études de cas documentant le coût d'adaptation d'un même modèle sur plusieurs corps robotiques distincts, question que les auteurs identifient explicitement comme ouverte pour de futurs travaux.

RecherchePaper
1 source
Identification et exploitation de la structure dans la co-conception de robots
3arXiv cs.RO 

Identification et exploitation de la structure dans la co-conception de robots

Une équipe de recherche publie une nouvelle analyse du co-design robotique, c'est-à-dire l'optimisation conjointe de la morphologie d'un robot et de son système de contrôle, un problème de recherche en haute dimension particulièrement coûteux à résoudre. Les auteurs ont étudié les paysages de co-design de quatre tâches, deux de locomotion en robotique souple et deux de manipulation, et ont identifié trois régularités communes à ces espaces de recherche. D'abord, au sein d'une même région, la qualité des solutions varie principalement le long d'une variété de faible dimension, avec très peu de variation dans les directions orthogonales, ce qui réduit de fait la dimensionnalité effective à explorer. Ensuite, dans les régions de meilleure qualité, cette variance se répartit sur davantage de dimensions, ce qui oblige la recherche à élargir progressivement son périmètre à mesure que la qualité progresse. Enfin, dans ces mêmes régions de haute qualité, les variations dépendent de dimensions conjointes morphologie-contrôle, imposant une exploration couplée des deux paramètres plutôt que séparée. À partir de ces observations, les chercheurs ont conçu un algorithme de co-design qui exploite explicitement cette structure. Les résultats mesurés sont significatifs pour le secteur : l'algorithme proposé produit des co-designs 36 % meilleurs que ceux des méthodes de référence actuelles, et ces méthodes concurrentes nécessitent environ dix fois plus d'évaluations de fonction pour atteindre une qualité comparable. Pour les équipes qui conçoivent des robots souples ou des systèmes de manipulation, cela représente un gain direct en coût de calcul et en temps d'itération, un facteur souvent limitant quand chaque évaluation implique une simulation physique coûteuse. Le travail apporte surtout une preuve que la performance des algorithmes de co-design ne tient pas qu'à la puissance de calcul brute, mais à la capacité à repérer et exploiter la géométrie sous-jacente du problème, un point utile face à l'hypothèse répandue que plus d'évaluations suffit à compenser une recherche non structurée. Le co-design morphologie-contrôle reste un domaine de recherche actif, car les approches historiques traitent souvent la forme du robot et sa commande comme deux problèmes séparés, optimisés en alternance ou séquentiellement, ce qui ignore leurs interactions. Les auteurs situent leur contribution par rapport aux algorithmes de recherche évolutionnaire et bayésienne existants, qu'ils utilisent comme lignes de base, et valident leur approche par une étude d'ablation qui isole l'apport de chacun des trois principes identifiés. La publication, une version révisée déposée sur arXiv, ouvre la voie à des méthodes de co-design applicables à des plateformes robotiques réelles, où la réduction du nombre de simulations nécessaires pourrait accélérer sensiblement les cycles de conception.

RecherchePaper
1 source
FORM : manipulation robotique par identification directe des lois de comportement des matériaux
4arXiv cs.RO 

FORM : manipulation robotique par identification directe des lois de comportement des matériaux

Des chercheurs présentent FORM (From Observed Response to Material laws), une méthode qui identifie les propriétés mécaniques d'un matériau déformable à partir d'une seule interaction robotique, puis réutilise le modèle obtenu pour planifier de nouvelles manipulations. Le principe consiste à appliquer un bilan de quantité de mouvement en forme faible. Le mouvement observé du matériau et les forces de contact mesurées deviennent ainsi des équations linéaires en fonction des paramètres inconnus. Ces équations sont assemblées avec la même discrétisation MPM (material point method) que le simulateur direct, si bien que l'identification se réduit à des moindres carrés linéaires. Le résultat s'utilise directement en prédiction, sans réajustement ni conversion. Sur quatre classes de matériaux, le temps d'identification passe d'environ 10 à 25 minutes pour les méthodes itératives de référence à 2 à 5 secondes. La précision reste comparable sur de nouveaux mouvements, conditions initiales et géométries. Les tests couvrent la simulation et du matériel réel, sur quatre tâches : insertion d'une tige élastique, putting de golf avec un club élastique, façonnage élastoplastique et versement d'un volume cible. L'erreur d'estimation est de 3,4 % sur les propriétés élastiques et de 2 % sur les propriétés élastoplastiques. Le façonnage de pâte atteint 72,4 à 77,8 % d'IoU, et l'erreur moyenne de versement est de 3,8 mL pour des cibles de 60 à 160 mL. L'intérêt est d'abord pratique. Face à un matériau inconnu, un robot doit aujourd'hui soit s'appuyer sur des modèles appris qui généralisent mal, soit faire tourner une optimisation itérative trop lente pour une boucle de production. Passer de plusieurs minutes à quelques secondes rend l'identification compatible avec un cycle de travail réel, par exemple pour l'agroalimentaire, le dosage de fluides ou la manipulation de pâtes et de mousses. Le fait que le modèle soit réutilisé sur d'autres géométries suggère aussi qu'une identification physique explicite peut compléter, voire concurrencer, les approches purement apprises comme les VLA (vision-language-action), qui demandent de grandes quantités de démonstrations. Il faut toutefois relativiser. Les tâches sont des démonstrations de laboratoire, avec quatre classes de matériaux et des géométries contrôlées. Rien n'indique une robustesse face à des matériaux hétérogènes, à des propriétés qui varient dans le temps ou à du bruit de capteurs industriel. Ce travail s'inscrit dans la lignée des simulateurs différentiables et de l'identification de paramètres par optimisation, qui offrent de la précision au prix d'un calcul lourd. Il s'oppose aussi aux approches de manipulation déformable par apprentissage end-to-end. Il s'agit d'une prépublication arXiv (v1), sans relecture par les pairs ni acteur industriel ou déploiement annoncé, et aucun acteur français ou européen n'est cité. La suite logique serait de tester des matériaux plus variés, des interactions plus complexes et une intégration avec des politiques apprises.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source