RecherchearXiv cs.RO 30 septembre 2026

RoboFin3D : une plateforme de transfert simulation-réel pour la finition robotisée de surfaces

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent RoboFin3D, une plateforme de simulation vers réel (sim-to-real) dédiée à la finition de surface robotisée, publiée sur arXiv sous la référence 2609.37560v1. Elle repose sur Isaac Sim, le simulateur de NVIDIA, et sur le moteur physique Newton, et reproduit les opérations de meulage et de ponçage avec une physique de contact. La géométrie de la pièce, qui change à mesure que la matière est enlevée, est représentée par un champ de distance signé (SDF). Celui-ci sert au calcul des contacts, à la mise à jour en direct et au rendu, sans maillage intermédiaire. Un second champ, dit de surface, modélise l'évolution progressive de l'aspect pendant le ponçage. Les auteurs ajoutent WeldGen, un module d'échantillonnage de cordons de soudure, qui génère des soudures sur 8 918 maillages de pièces réelles pour produire des assets variés. Les paramètres de simulation sont calibrés sur des essais physiques, et l'évaluation compare la fidélité du simulateur au monde réel. Côté perception, un fine-tuning de SAM2 avec des données uniquement simulées fait passer l'IoU (intersection sur union) de segmentation des zones non poncées de 77,15 % à 84,47 %. En combinant données synthétiques et réelles, il atteint 97,41 %. Il s'agit d'une publication de recherche, pas d'un produit commercialisé, et aucun déploiement industriel n'est mentionné.

Le meulage et le ponçage sont parmi les tâches les plus difficiles à automatiser en robotique industrielle. Elles reposent sur un contact continu, une force contrôlée et une pièce dont la forme change pendant l'opération. Les essais physiques consomment des pièces et se reproduisent mal, ce qui freine la comparaison entre méthodes et l'entraînement de politiques apprises. Un simulateur qui met à jour la géométrie en temps réel et reste calibré sur des mesures réelles répond à ce blocage. Le résultat sur SAM2 montre aussi que la donnée synthétique seule apporte un gain net, environ 7 points d'IoU. Elle ne suffit toutefois pas, puisque l'écart avec les 97,41 % du mélange synthétique et réel reste important. Le sim-to-real n'est donc pas résolu pour cette tâche : la simulation sert surtout à réduire le besoin de données réelles annotées. Pour les intégrateurs, l'intérêt est de valider des trajectoires et des stratégies d'inspection avant de sacrifier des pièces. Les auteurs ne donnent ni temps de cycle ni comparaison directe avec des procédés industriels en production, et la fidélité n'est démontrée que sur leurs propres essais.

Ce travail s'inscrit dans l'essor d'Isaac Sim et de Newton, moteur physique porté par l'écosystème NVIDIA, qui cherche à étendre la simulation à des tâches riches en contacts, au-delà de la manipulation d'objets rigides. La finition de surface reste un terrain occupé par des cellules robotisées sur mesure et par des opérateurs qualifiés, notamment en soudure, en carrosserie et en aéronautique. Les jeux de données synthétiques et la simulation calibrée sont l'une des voies pour entraîner les modèles vision-action sur ces procédés. La suite logique serait de tester des politiques de contrôle de force apprises en simulation puis transférées sur robot, et de valider la plateforme sur d'autres matériaux et abrasifs. Le papier ne mentionne ni code ouvert ni partenaire industriel.

Dans nos dossiers

NVIDIA Isaac & Cosmos arXiv cs.RO

À lire aussi

1arXiv cs.RO

FinsSim : une plateforme de simulation intégrée alignée sur le réel pour l'apprentissage des robots sous-marins

Une équipe de recherche présente FinsSim, une plateforme de simulation intégrée pour l'apprentissage robotique sous-marin, décrite dans un preprint publié fin septembre 2026 sur arXiv (2609.23943). FinsSim associe une simulation hydrodynamique haute fidélité à moteurs de calcul interchangeables, des lignes de base de contrôle standard et des flux de travail unifiés pour l'apprentissage robotique. Pour le transfert sim-to-real, elle intègre une fusion multi-capteurs pour une localisation précise à faible coût, des modèles calibrés reliant poussée des propulseurs et hydrodynamique, et un algorithme de répartition d'efforts sous contraintes, le tout relié via ROS 2 en un pipeline complet simulation-vers-réel. Les auteurs rapportent avoir validé ce transfert par des expériences appariées simulation/réel, complétées par des études d'ablation testant chaque module séparément. Pour l'industrie de la robotique sous-marine, marché restreint et bien moins médiatisé que celui des humanoïdes terrestres, ce travail cible un verrou concret : l'écart persistant entre simulation et réalité, aggravé sous l'eau par la difficulté à modéliser l'hydrodynamique et à localiser un robot sans GPS. En reliant simulateur calibré, capteurs fusionnés et allocation de commande sous contraintes dans un pipeline reproductible, FinsSim s'adresse aux laboratoires et intégrateurs développant des véhicules sous-marins autonomes pour l'inspection, l'intervention ou la cartographie. Contrairement aux annonces spectaculaires du secteur humanoïde, ce travail reste un outil de recherche : ni produit commercial ni déploiement en conditions réelles, mais une brique méthodologique destinée à être reprise par d'autres équipes. L'article s'inscrit dans une lignée de simulateurs sous-marins de recherche déjà existants, tels que UUV Simulator, Stonefish, HoloOcean ou DAVE, que FinsSim cherche à compléter en combinant fidélité hydrodynamique et pipeline de transfert prêt à l'emploi via ROS 2. Ce créneau reste à l'écart de la vague de financements qui entoure actuellement les robots humanoïdes terrestres et les modèles vision-langage-action, où des acteurs comme Figure AI, NVIDIA ou Physical Intelligence multiplient les annonces. Le preprint, mis en ligne fin septembre 2026, ne précise ni institution porteuse ni calendrier de publication du code source. Les auteurs indiquent vouloir réduire l'écart entre recherche théorique et applications pratiques en robotique sous-marine, sans annoncer de partenariat industriel ni de déploiement programmé à ce stade.

RecherchePaper

1 source

2arXiv cs.RO

Un cadre en boucle réel-simulation-réel (RSR) pour le transfert de politiques robotiques généralisables

Des chercheurs proposent un cadre « Real-to-Sim-to-Real » (RSR), publié sur arXiv dans sa troisième version (2503.10118v3), qui vise à réduire l'écart entre simulation et monde réel lors du transfert de politiques de contrôle robotique. Sa contribution centrale est une fonction de coût d'inspiration théorique de l'information. Elle pèse deux objectifs : accomplir la tâche, et orienter la politique vers la collecte d'échantillons réels les plus informatifs possible pour améliorer le transfert. Cette fonction s'intègre dans des algorithmes d'apprentissage par renforcement existants, comme PPO ou SAC, et vise une exploration équilibrée des zones critiques du domaine réel. Le cadre a été implémenté avec la plateforme MuJoCo MJX et testé sur deux familles de tâches : de la manipulation avec un bras robotique à 6 DOF, et de la locomotion avec un robot à pattes. Les auteurs annoncent une acquisition de données plus efficace et une nette amélioration des performances en conditions réelles. Le résumé ne chiffre ni les gains ni le nombre d'essais, et ne nomme ni robots ni laboratoires. L'intérêt est de traiter le sim-to-real comme un problème de choix des données réelles à collecter, et non seulement de réglage de la simulation. Les échantillons réels coûtent cher, surtout sur des robots à pattes ou des bras industriels où chaque essai use le matériel et mobilise des opérateurs. Une politique qui cherche activement l'information manquante sur l'écart de dynamique pourrait réduire le nombre d'itérations réel-simulation nécessaires avant déploiement. Le simulateur différentiable est facultatif. Quand il existe, les données servent aussi à calibrer ses paramètres. Sinon, le cadre reste utilisable, ce qui élargit son champ d'application aux équipes sans pipeline différentiable. Il faut toutefois rester prudent : il s'agit d'un travail académique évalué sur deux plateformes, sans comparaison chiffrée visible dans le résumé, et loin d'une validation à l'échelle industrielle ou sur des tâches longues et variées. Ce travail s'inscrit dans l'effort général pour fermer l'écart sim-to-real, qui freine le passage de l'entraînement massif en simulation aux robots déployés. La randomisation de domaine, l'identification de paramètres et les simulateurs différentiables en sont les approches classiques. Le choix de MuJoCo MJX, version accélérée sur GPU via JAX, reflète la place de ces outils dans la recherche actuelle. Les grands acteurs de l'humanoïde et des modèles de fondation robotiques s'appuient eux aussi fortement sur la simulation, ce qui rend ces méthodes d'exploration guidée potentiellement pertinentes pour eux. La suite dépendra de la publication du code, de l'évaluation sur des systèmes plus complexes et de comparaisons directes avec les méthodes existantes.

RecherchePaper

1 source

3arXiv cs.RO

HyperSim : un cadre complet de transfert simulation-réel pour la manipulation robotique robuste

Des chercheurs ont publié sur arXiv (arXiv:2605.26638) HyperSim, un framework bout-en-bout conçu pour transférer des politiques de manipulation robotique de la simulation vers le monde réel. La méthode repose sur trois piliers : la synthèse d'environnements haute fidélité visuelle, la génération de trajectoires adversariales, et un co-entraînement mixte simulation/réel. Validée sur 400 exécutions de tâches en conditions réelles, HyperSim atteint des taux de succès sim-to-real de 80 % avec le modèle ACT et 95 % avec π₀ (le modèle VLA de Physical Intelligence). Les politiques entraînées avec des trajectoires adversariales affichent par ailleurs un taux de complétion supérieur de 35 % sous perturbations physiques dynamiques, par rapport aux baselines sans ce module. Ces résultats adressent directement l'un des verrous les plus cités dans le déploiement de robots manipulateurs industriels : le sim-to-real gap, c'est-à-dire la dégradation de performance entre une politique entraînée en simulation et son comportement réel. Un taux de 95 % avec π₀ sur des tâches de manipulation représente un niveau de robustesse rarement publié à cette échelle d'évaluation (400 runs, trois métriques granulaires). Pour les intégrateurs et les équipes R&D, cela valide concrètement l'hypothèse que la donnée synthétique, lorsqu'elle est correctement augmentée et diversifiée, peut substituer en grande partie la collecte physique coûteuse. À noter cependant : l'article ne détaille pas les types de tâches ni les objets testés, ce qui limite l'interprétation de la généralité des résultats. La problématique sim-to-real est au cœur des efforts de plusieurs équipes concurrentes : Google DeepMind (avec RoboVerse et ses pipelines de données synthétiques), Physical Intelligence (dont le modèle π₀ est justement l'un des deux benchmarks utilisés ici), et des laboratoires académiques comme Stanford et CMU. HyperSim se distingue par son approche intégrée plutôt que modulaire, cherchant à traiter simultanément le gap visuel et le gap dynamique. La prochaine étape naturelle, non précisée dans le preprint, serait de tester la généralisation à des plateformes humanoïdes ou des scénarios multi-objet en environnement non structuré.

UELes laboratoires européens en manipulation robotique (CEA-List, INRIA) pourraient intégrer ce framework pour réduire leur dépendance aux démonstrations physiques coûteuses, sans implication institutionnelle directe.

RecherchePaper

1 source

4arXiv cs.RO

RoboRender : génération de vidéos orientée robot pour le transfert visuel simulation-réel

RoboRender, un framework décrit dans un preprint arXiv (2610.09254v1), convertit des trajectoires simulées en vidéos RGB photoréalistes afin d'entraîner des politiques robotiques déployables en zéro-shot dans le monde réel. Le cœur du système est un modèle de génération vidéo orienté robot, conditionné par trois entrées : des vidéos de profondeur issues du simulateur, des instructions en langage naturel et des vidéos de masques RGB du robot. La géométrie de la scène, les mouvements du robot et les étiquettes d'actions du simulateur restent intacts, tandis que le modèle synthétise textures, arrière-plans et objets distracteurs réalistes. Ces vidéos sont ensuite appariées aux états et actions fournis par le simulateur pour entraîner la politique. Sur des jeux de test vidéo robotiques, le modèle surpasse les références de génération conditionnée par la profondeur. En conditions réelles, sur des tâches de pick-and-place, de manipulation d'objets articulés et de manipulation mobile, les politiques entraînées sur ces données atteignent 71 % de réussite moyenne, soit environ 7,1 fois mieux que les rendus bruts du simulateur et 3,6 fois mieux que la randomisation de domaine visuelle classique. Pour les équipes qui produisent des données en simulation, ce travail attaque l'un des points de friction les plus coûteux : l'écart visuel sim-to-real. Les approches existantes passent souvent par des représentations intermédiaires (segmentations, profondeur seule), qui écartent une partie de l'information sémantique ou imposent des modules de perception supplémentaires au moment du déploiement. Ici, la politique consomme directement du RGB et aucun module additionnel n'est requis à l'inférence, ce qui simplifie la chaîne de production. Les auteurs montrent aussi que la performance croît avec le nombre de vidéos générées par trajectoire simulée : sur la tâche d'ouverture, le taux de succès gagne 65 points de pourcentage. La simulation devient ainsi un levier de multiplication des données, une trajectoire alimentant plusieurs rendus visuellement variés. Il faut toutefois rester prudent : les résultats viennent d'un preprint non évalué par les pairs, le nombre de tâches est limité, et le ratio de 7,1x s'appuie sur une base de rendu brut très faible, ce qui gonfle mécaniquement le gain relatif. Le coût de calcul de la génération vidéo à grande échelle n'est pas détaillé dans le résumé. Ce travail s'inscrit dans la recherche sur le sim-to-real visuel, historiquement dominée par la randomisation de domaine, qui varie textures et éclairages en espérant que le monde réel se retrouve dans la distribution couverte, et par les approches de traduction d'image à image de type GAN. L'arrivée de modèles vidéo génératifs de grande taille ouvre une troisième voie, où la cohérence temporelle et le conditionnement géométrique deviennent exploitables pour des trajectoires entières. Le projet dispose d'un site dédié (robo-render.github.io), mais aucune échéance de déploiement industriel ni pilote commercial n'est annoncé. Les prochaines étapes à surveiller sont la validation sur des tâches plus longues et plus dextres, la comparaison avec les approches de données réelles ou de modèles du monde, et la mesure du coût de génération par trajectoire, critère décisif pour les intégrateurs qui évalueraient cette brique.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source