RecherchearXiv cs.RO 30 septembre 2026

Wrench-ACT : améliorer les politiques robotiques pour les tâches riches en contacts grâce au contrôle direct des torseurs d'effort

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent Wrench-ACT, une politique d'apprentissage par imitation qui prédit des « wrenches » (torseurs effort/couple, soit force et moment) comme unique sortie d'action, transmises directement à un contrôleur de force pur. L'architecture de base est ACT (Action Chunking with Transformers). Les modèles sont entraînés tâche par tâche sur des démonstrations bilatérales de wrenches, puis évalués sur cinq tâches de manipulation riche en contacts. Selon les auteurs, la politique égale ou dépasse les références fondées sur la position sur les cinq tâches, avec des gains variables selon le degré de régulation délibérée de la force que chaque tâche exige. Des ablations croisées indiquent que l'interface de collecte bilatérale et l'espace d'action en wrenches contribuent chacun de façon indépendante à la performance. Plus de 1000 démonstrations en wrenches seront publiées sur un site compagnon à la parution. Il s'agit d'une prépublication arXiv (v1), non évaluée par des pairs. Le résumé ne donne ni taux de réussite chiffrés, ni robot utilisé, ni description précise des tâches.

L'enjeu est de sortir du paradigme dominant, où les politiques apprises (ACT, Diffusion Policy, et la plupart des VLA) prédisent des positions ou des poses cibles. Même quand la force est mesurée, elle sert souvent d'observation seule, ou bien elle est prédite puis exécutée par un contrôleur hybride force/position. Ici, la politique pilote directement l'interaction physique. Le résultat le plus utile pour un intégrateur porte sur les données. La qualité de la démonstration dépend de la téléopération à retour d'effort, qui capte la régulation volontaire de la force par l'opérateur. Une téléopération purement cinématique ne la capte pas. Cela pèse sur les cas d'usage industriels comme l'assemblage, l'insertion, le ponçage ou le polissage, où la position seule est fragile. Cela suggère aussi que le goulot d'étranglement se déplace vers l'instrumentation de la collecte, avec des maîtres à retour de force plus coûteux et plus complexes que les manettes ou les exosquelettes courants. Un bémol s'impose : les gains restent modestes sur les tâches qui demandent peu de contrôle de force, et on ne sait pas si l'approche se généralise au-delà de modèles mono-tâche.

Ce travail s'inscrit dans le prolongement d'ACT, popularisé par les plateformes ALOHA, et des efforts pour ajouter le toucher et la force aux politiques visuo-motrices. Il se place face aux approches hybrides et aux VLA généralistes, qui restent surtout centrés sur la position. La diffusion du jeu de données pourra servir de référence commune si sa qualité se confirme. Les prochaines étapes à surveiller sont les tests multi-tâches, l'intégration dans des modèles de fondation et des essais sur des lignes industrielles réelles.

Dans nos dossiers

Exosquelettes arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprentissage par décomposition fréquentielle pour l'estimation du torseur d'effort sans capteur lors de contacts robotiques riches en vibrations

Des chercheurs ont publié sur arXiv (référence 2604.12905, deuxième version) le Frequency-aware Decomposition Network (FDN), un réseau de neurones qui estime le torseur d'efforts (forces et couples) d'un robot sans capteur F/T, à partir de sa seule proprioception. Le modèle prédit plusieurs pas à l'avance et vise les contacts riches en vibrations, comme le meulage. Il sépare l'horizon de torseur en deux composantes. Une tendance basse fréquence est estimée par régression ponctuelle. Un résidu haute fréquence est modélisé par une distribution conditionnelle apprise. Des couches « frequency-aware » imposent une décomposition en bandes sur les sorties et amplifient de façon adaptative les amplitudes fréquentielles des entrées. Le système n'exige ni modèle de robot identifié, ni capteur F/T à l'inférence. Testé sur des données réelles de meulage issues d'un manipulateur hydraulique à 6 DOF, FDN réduit l'erreur d'amplitude haute fréquence jusqu'à 47 % face aux références, sous des retards supposés, tout en gardant une précision basse fréquence compétitive. Il estime un horizon de 1 000 ms en 11 ms sur un seul thread CPU. Les capteurs F/T sont fragiles et coûteux, et les méthodes sans capteur actuelles se comportent comme des filtres passe-bas. Elles conviennent à la saisie ou aux interactions lentes, mais elles perdent les composantes rapides qui caractérisent le meulage, le ponçage ou le martelage. Les résultats suggèrent qu'on peut conserver ces composantes sans matériel supplémentaire. Le gain concerne la robotique de finition, la construction et la manutention lourde, où un capteur au poignet s'use vite. L'estimation multi-pas répond à un problème rarement traité : les retards de communication rendent périodiquement obsolètes les estimations lors du déploiement. Un temps d'inférence de 11 ms sur CPU laisse penser que le calcul embarqué suffit pour une boucle de contrôle. Les limites sont nettes : une seule plateforme hydraulique, des tâches de meulage, et aucune comparaison annoncée avec un capteur F/T commercial en boucle fermée. Le chiffre de 47 % porte sur l'erreur d'amplitude, pas sur la performance de la tâche. Ces travaux prolongent l'estimation sans capteur fondée sur des modèles dynamiques identifiés ou des observateurs, puis les approches apprises, qui échouent à concilier précision ponctuelle et contenu haute fréquence. Dans une étude exploratoire, les auteurs transfèrent la dynamique de torseur apprise sur un jeu de données ouvert de manipulation quotidienne. L'erreur basse fréquence baisse de 8 %, mais la dynamique haute fréquence semble propre à chaque domaine. Cela limite la promesse d'un modèle de fondation du contact généraliste : la tendance se transfère, pas les vibrations. La suite logique serait de valider le modèle sur d'autres outils, matériaux et robots, puis de l'intégrer à un contrôle en boucle fermée. Il s'agit d'un résultat de recherche, sans produit ni déploiement industriel annoncé.

RecherchePaper

1 source

2arXiv cs.RO

TACTIC : comprendre les encodeurs tactiles et le conditionnement pour les politiques de manipulation robotique en contact riche

Une équipe de recherche en robotique publie une étude comparative à grande échelle sur les encodeurs tactiles utilisés dans les politiques de manipulation robotique riches en contacts, dans un article intitulé « TACTIC: Understanding Tactile Encoders and Conditioning for Contact-rich Robot Manipulation Policies », mis en ligne sur arXiv sous la référence 2609.30969v1. Les auteurs comparent plusieurs architectures d'encodeurs tactiles fondées sur des capteurs tactiles à vision (des capteurs qui traduisent la déformation au contact en image, permettant de réutiliser directement les encodeurs de vision par ordinateur existants), ainsi que différentes stratégies de fusion entre signal visuel et signal tactile. Pour garantir une comparaison rigoureuse, tous les modèles sont entraînés et évalués avec le même pipeline et le même protocole expérimental, sur plus de 2000 essais réels effectués sur robot, couvrant plusieurs tâches de manipulation impliquant un contact physique important avec l'environnement. Le résultat principal contredit l'idée d'une solution universelle : il n'existe pas de représentation ni de stratégie de fusion optimale de manière générale pour encoder conjointement l'information tactile et visuelle, le meilleur choix d'architecture et de schéma de fusion dépendant fortement de la tâche à accomplir. Pour les intégrateurs et les équipes qui développent des politiques de manipulation fondées sur des modèles vision-langage-action ou de l'apprentissage par imitation, ce constat signifie qu'aucune recette standard ne peut être copiée d'un projet à l'autre : le choix de l'encodeur tactile doit être réévalué selon l'application, qu'il s'agisse d'insertion de précision, de manipulation d'objets déformables ou de préhension en aveugle. L'étude rappelle aussi un point méthodologique pour le secteur : les comparaisons menées uniquement en simulation, fréquentes dans la littérature, ne se transposent pas nécessairement au monde réel, où des évaluations à grande échelle restent nécessaires pour obtenir des statistiques fiables. Ce travail s'inscrit dans un contexte où les capteurs tactiles à vision se sont largement diffusés en recherche robotique, justement parce qu'ils permettent de réutiliser des encodeurs de vision déjà matures, ce qui a entraîné une prolifération d'architectures, de jeux de données d'entraînement et de protocoles d'évaluation différents d'un laboratoire à l'autre, rendant les résultats difficiles à comparer. En proposant un protocole commun et une base de plus de 2000 essais réels, les auteurs visent à établir un point de référence partagé pour le domaine, dans la lignée des efforts récents autour des politiques généralistes de manipulation qui cherchent à combiner vision, langage et désormais toucher. L'article ne mentionne ni calendrier de déploiement ni partenaire industriel : il s'agit d'une contribution de recherche destinée à orienter les choix de conception futurs, pas d'un produit prêt à déployer.

RecherchePaper

1 source

3arXiv cs.RO

FOMI : une interface de manipulation à retour d'effort pour enseigner les tâches riches en contacts

Des chercheurs présentent FOMI, une interface de manipulation à retour d'effort destinée à la collecte de démonstrations humaines pour l'apprentissage de politiques robotiques. Le dispositif, publié sur arXiv, repose sur un mécanisme en forme de ciseaux qui transmet directement aux mains de l'opérateur les forces d'interaction avec l'objet, via des liens d'actionnement, sans capteur de force. Autour de cette interface, l'équipe a construit un système complet de collecte intégrant calibration des capteurs, acquisition des données et synchronisation, utilisable sans robot. En associant les variations de pose et l'ouverture de la pince de FOMI aux poses de l'effecteur et aux commandes de préhension du robot, le même système sert aussi à la téléopération. Sur quatre tâches riches en contacts, FOMI améliore l'efficacité de collecte d'environ 29 % en mode sans robot et 18 % en téléopération, par rapport aux meilleures références testées. Les politiques entraînées sur ces démonstrations réalisent des tâches de manipulation difficiles avec des taux de réussite annoncés comme élevés, sans que le résumé en donne les valeurs chiffrées. L'enjeu touche un goulot d'étranglement du secteur: la qualité et le coût des données de démonstration. Les interfaces portables sans robot, dans la lignée de ce que l'on a vu avec les pinces de collecte à main, permettent de passer à l'échelle sans mobiliser de bras robotisés, mais elles privent l'opérateur de sensation tactile. Or l'insertion, le serrage ou l'assemblage exigent des ajustements en temps réel guidés par l'effort. Faire ressentir ces forces sans instrumenter l'outil de capteurs coûteux pourrait abaisser le prix des données pour les contacts riches, là où les politiques de type VLA restent les plus fragiles. Il faut toutefois relativiser: les gains de 18 à 29 % portent sur quatre tâches, face à des références non détaillées dans le résumé, et le mode de mesure de l'efficacité n'est pas précisé. Aucune donnée n'est fournie sur le nombre de démonstrations nécessaires, ni sur la robustesse hors laboratoire, ce qui laisse ouvert l'écart entre résultat académique et usage industriel. Ce travail s'inscrit dans la montée des approches de collecte découplées du robot, qui cherchent à contourner le coût de la téléopération classique, et dans le mouvement qui met le retour haptique au service de l'apprentissage par imitation. Il concurrence les interfaces portables passives et les dispositifs de téléopération à retour d'effort, plus lourds et plus chers. Il s'agit ici d'un prototype de recherche, ni produit commercialisé ni déploiement en usine, et aucun calendrier de diffusion ni code ouvert n'est mentionné dans le résumé. La suite logique consistera à valider le dispositif sur des tâches plus variées, avec d'autres morphologies de robots, et à mesurer son effet sur la généralisation des politiques apprises.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Tir dans l'espace des compétences pour l'amélioration autonome des politiques robotiques

Une équipe de chercheurs publie sur arXiv (v1, septembre 2026) une méthode baptisée « skill-space shooting », conçue pour permettre à un robot déployé de corriger seul les échecs de sa politique de contrôle, sans que l'humain ait à démontrer chaque correction. Le principe repose sur un modèle de fondation, qui guide l'exploration de corrections à travers des compétences courtes et réutilisables (les « skills »). Ces comportements récurrents d'une tâche à l'autre, comme saisir, pousser ou repositionner un objet, sont choisis par le modèle à partir de la scène observée. Les essais réussis sont ensuite convertis en supervision corrective pour réentraîner la politique. Les auteurs affirment que des expériences en conditions réelles montrent une amélioration répétée de politiques agissant de manière autonome, et que les skills peuvent être partagés entre tâches pour réduire l'effort d'enseignement sur de nouvelles tâches. Le résumé ne donne ni taux de réussite, ni nombre d'essais, ni plateforme robotique, ni gain chiffré. Ces éléments devront être vérifiés dans le papier complet et sur la page de résultats vidéo associée. L'enjeu est un goulot d'étranglement bien connu du déploiement de robots : l'amélioration après mise en service dépend encore largement de téléopérateurs qui produisent des démonstrations correctives. Les systèmes dits agentiques, où un modèle de fondation compose des comportements appris pour finir une tâche, contournent l'humain, mais ne rendent pas la politique elle-même meilleure. Elle échouera de nouveau au même endroit. Le travail cherche à combler cet écart en transformant les succès obtenus par composition de skills en données d'apprentissage. Si le résultat tient à l'échelle, il réduirait le coût marginal de chaque correction, un poste critique pour les intégrateurs qui exploitent des flottes de robots. Il faut toutefois rester prudent : il s'agit d'un préprint non évalué par des pairs, et les vidéos publiées par les auteurs sont généralement sélectionnées. La généralisation entre tâches reste à démontrer sur des cas plus variés que ceux d'un laboratoire. Ce travail s'inscrit dans la course aux politiques vision-langage-action (VLA), comme Pi-0 ou GR00T, qui sont pré-entraînées sur de grands volumes de démonstrations, puis affinées, souvent avec de la téléopération humaine. Il rejoint aussi les recherches sur l'apprentissage par renforcement et l'auto-amélioration en conditions réelles, qui butent sur le coût des essais physiques et sur la conception des récompenses. L'usage de skills comme espace de recherche restreint l'exploration et la rend plus sûre et plus efficace que des actions brutes. La suite dépendra de la publication du code, des comparaisons avec les approches d'amélioration existantes et d'éventuels tests sur des robots industriels. Aucun pilote commercial n'est annoncé à ce stade.

RecherchePaper

1 source