🤖 machine learning

NeuralActuator: Neural Actuation Modeling for Robot Dynamics and External Force Perception

Ce document présente NeuralActuator, un modèle d'actionneur neuronal entraîné sur un nouvel ensemble de données collectées qui prédit conjointement des substituts de couple équivalents au simulateur, des forces de contact externes et des scores de santé du moteur afin de remédier aux erreurs de sim-to-real et de permettre une perception de la force sans capteur sur diverses plateformes robotiques, tant bas coût que haut de gamme.

Auteurs originaux : Zhiyang Dou, John U. Onyemelukwe, Hangxing Zhang, Heng Zhang, Minghao Guo, Yunsheng Tian, Michal Piotr Lipiec, Joshua Jacob, Chao Liu, Peter Yichen Chen, Yuri Ivanov, Wojciech Matusik

Publié 2026-07-14

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zhiyang Dou, John U. Onyemelukwe, Hangxing Zhang, Heng Zhang, Minghao Guo, Yunsheng Tian, Michal Piotr Lipiec, Joshua Jacob, Chao Liu, Peter Yichen Chen, Yuri Ivanov, Wojciech Matusik

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez d'apprendre à un bras robotique à ramasser une tasse. Vous pourriez vous dire : « Facile ! Il suffit de dire aux moteurs quelle puissance envoyer, et ils pousseront le bras exactement là où vous le voulez. » Mais pour les bras robotiques bon marché et courants, ce calcul simple échoue souvent. C'est comme essayer de conduire une voiture avec un volant collant et une pédale d'accélérateur qui se bloque parfois ; la relation entre ce que vous dites au moteur de faire et ce que la voiture fait réellement devient désordonnée à cause de la friction, de la chaleur et de vieux engrenages.

Entrez en scène NeuralActuator, un nouveau « cerveau » pour les moteurs de robots qui arrête de deviner et commence à apprendre. Au lieu de supposer que le moteur est parfait, ce système agit comme un mécanicien super observateur qui regarde le robot bouger, écore le bourdonnement du moteur et ressent la chaleur pour comprendre exactement ce qui se passe.

Le Problème : Le Robot « Collant »

La plupart des robots, surtout les plus abordables, reposent sur une règle simple : « Plus d'électricité égale plus de force de poussée. » Mais dans le monde réel, les moteurs bon marché sont désordonnés. Ils ont de la friction, ils chauffent, et ils ont de minuscules espaces dans leurs engrenages (le jeu mécanique ou backlash) qui les rendent poussifs. Si vous dites simplement à un robot bon marché de bouger, il peut accuser un retard, trembler ou pousser plus fort que prévu. Cela rend difficile l'apprentissage de tâches délicates pour les robots, comme ramasser un œuf sans l'écraser, car le robot ne sait pas exactement à quel point il pousse.

La Solution : Un Traducteur « Magique »

Les chercheurs ont construit NeuralActuator, un réseau de neurones (un type d'IA) qui agit comme un traducteur entre les commandes du robot et ses mouvements réels. Considérez cela comme le meilleur ami d'un simulateur.

Habituellement, pour enseigner à un robot, vous devez savoir exactement quelle force le moteur produit. Mais sur les robots bon marché, vous ne pouvez pas mesurer cette force directement. Les chercheurs ont donc trouvé une astuce ingénieuse : ils ont laissé le mouvement du robot être le professeur.

Ils ont utilisé un « simulateur différentiable » (un moteur de jeu vidéo super intelligent qui comprend la physique) pour observer le mouvement du robot. Si le robot bouge légèrement différemment de ce que la simulation prévoyait, l'IA sait : « Oups, ma supposition sur le moteur était fausse. » Elle ajuste ensuite sa carte interne du comportement du moteur. C'est comme apprendre à faire du vélo en regardant où l'on va réellement, plutôt qu'en devinant simplement la force de nos coups de pédale.

Ce qu'il peut faire (Les Tours de Magie)

Une fois entraîné, cette IA ne se contente pas de prédire le mouvement ; elle fait trois autres choses géniales :

Il « ressent » sans les mains : Même sans capteurs de force spéciaux sur ses doigts, NeuralActuator peut deviner quand le robot touche quelque chose. C'est comme avoir un sixième sens. Si le robot heurte un mur, l'IA remarque que le moteur peine et dit : « Hé, nous touchons quelque chose ! » Elle peut même estimer la force de cette poussée. Lors de tests, lorsqu'un robot a poussé un jauge de force, la supposition de l'IA n'était erronée que d'environ 0,015 à 0,037 Newton (ce qui est plus léger qu'un petit trombone !).
Il vérifie la santé du moteur : Le système peut détecter si un moteur se comporte bizarrement. Dans une expérience, ils ont attaché des élastiques autour d'une articulation pour rendre le mouvement plus difficile. L'IA a détecté cette « restriction mécanique » avec une précision de 91,0 %, remarquant que le moteur travaillait plus dur qu'il ne le devrait, même si le robot suivait le même chemin.
Il fonctionne avec tous les budgets : L'équipe a testé cela sur trois robots très différents :
- Un petit bras bon marché coûtant environ 500 $.
- Un bras de milieu de gamme.
- Un bras robotique industriel sophistiqué coûtant plus de 30 000 $.
  L'IA a appris à prédire les mouvements et les forces avec précision sur chacun d'eux, prouvant qu'elle fonctionne qu'il s'agisse d'un jouet à petit prix ou d'une machine haut de gamme.

Comment il a appris

Pour enseigner à cette IA, les chercheurs ont construit une configuration spéciale de « bras jumeaux ». Un bras était contrôlé par un humain (le leader), et l'autre bras (le suiveur) essayait de copier les mouvements de l'humain tout en tenant des poids ou en poussant contre des objets. Ils ont tout enregistré : les commandes envoyées, la température du moteur, l'électricité qui circule et les forces réelles mesurées par des capteurs. Cela a créé un immense ensemble de données appelé le Neural Actuation Dataset (NAD).

L'IA a appris en observant ces enregistrements. Elle n'a pas seulement mémorisé les mouvements ; elle a appris l' histoire du moteur. Elle a observé les derniers instants d'historique (commandes, vitesse, chaleur et électricité) pour prédire ce qui allait se passer ensuite. Elle utilise une architecture « Transformer » (le même type de technologie derrière de nombreux chatbots d'IA modernes) pour comprendre comment les actions passées du robot affectent son futur.

Les Résultats : Des Robots plus Intelligents et plus Sûrs

Lorsqu'ils ont mis cette IA à l'épreuve, les résultats ont été impressionnants.

Un meilleur contrôle : Lorsqu'ils ont utilisé NeuralActuator pour aider un robot à apprendre à ramasser et poser des objets (une tâche appelée « imitation de comportement » ou behavior cloning), le taux de réussite a bondi. Pour une tâche de « ramassage et dépose », le robot a réussi 92,5 % du temps avec l'IA, contre seulement 80 % sans elle.
Une pensée rapide : L'IA est incroyablement rapide. Elle peut prendre des décisions en 0,25 milliseconde sur une carte graphique, ce qui est assez rapide pour suivre un robot se déplaçant 60 fois par seconde.
Pas besoin de capteurs magiques : La partie la plus cool est qu'elle n'a pas besoin de capteurs de force coûteux pour savoir quand elle touche quelque chose. Elle le comprend simplement en « écoutant » les moteurs.

Ce qu'il n'est pas (Les Limites)

Il est important de savoir ce que cette IA ne fait pas.

Ce n'est pas une boule de cristal pour le futur : L'IA prédit ce qui se passe en fonction de ce que le robot vient de faire. Elle ne peut pas deviner ce qui se passerait si vous lui donniez une commande totalement différente qu'elle n'a pas vue auparavant, à moins que vous n'ayez aussi un modèle de la façon dont le moteur réagirait à cette nouvelle commande.
Ce n'est pas parfait éternellement : Si le robot devient très vieux ou si l'environnement change radicalement, l'IA peut devenir un peu « imprécise » sur de longues périodes. Cependant, les chercheurs ont montré que l'on peut rapidement la « réajuster » (fine-tune) avec seulement 12 nouveaux exemples de mouvement (prenant environ 356 secondes) pour la remettre sur les rails.
C'est une estimation, pas une mesure directe : Sur les robots bon marché, l'IA prédit un « substitut » (surrogate) de la force. Elle ne mesure pas la physique exacte du moteur dans un laboratoire ; elle apprend un modèle qui fonctionne si bien qu'il agit comme la réalité.

L'essentiel

NeuralActuator est une étape majeure pour rendre les robots plus intelligents et plus abordables. En apprenant aux robots à comprendre leurs propres moteurs et à « ressentir » leur environnement sans capteurs coûteux, cela ouvre la voie à des robots moins chers pour accomplir des tâches délicates du monde réel, comme soulever des objets, appuyer sur des boutons ou travailler aux côtés des humains. Cela transforme un robot qui suit aveuglément les ordres en un être qui comprend réellement comment il se déplace.

Résumé Technique : NeuralActuator

Énoncé du Problème

Les simulateurs différentiables ont fait progresser le contrôle robotique, pourtant les dynamiques d'actionneurs restent une source importante d'erreur sim-to-real, particulièrement sur les plateformes à bas coût. Les approximations de contrôle standard supposent une relation linéaire entre le courant du moteur et le couple du joint ( $\tau = K_t I$ ). Cependant, sur les plateformes pilotées par des servomoteurs économiques (par exemple, les servomoteurs à courant continu sans balais de type coreless), cette approximation échoue en raison de non-idéalités non modélisées telles que la friction des engrenages, l'hystérésis, le jeu mécanique (backlash), la saturation du courant et la dérive thermique. Ces effets temporels sont difficiles à modéliser analytiquement car les états internes de la transmission sont inaccessibles. Par conséquent, s'appuyer sur des cartographies linéaires courant-couple conduit à un suivi d'effort médiocre, un comportement d'impédance instable et une perception de force dégradée, surtout lorsque des capteurs de force/couple dédiés sont absents.

Méthodologie

Les auteurs proposent NeuralActuator, un modèle neuronal différentiable fondé sur les données qui prédit conjointement le comportement de l'actionneur et les interactions externes.

1. Architecture et Entrées

NeuralActuator utilise une architecture basée sur les Transformers pour capturer les dépendances temporelles ainsi que les dynamiques d'actionneur non linéaires et dépendantes de l'historique.

Séquence d'entrée : À chaque pas de temps $t$ , le modèle traite une séquence de neuf jetons ( $H_{hist} + 1$ ), comprenant les cibles commandées, les états proprioceptifs (positions, vitesses) et la télémétrie de l'actionneur (courant, tension, température).
Têtes Multi-tâches : L'encodeur Transformer alimente quatre têtes de sortie distinctes :
1. Tête de Surrogate de Couple (Torque-Surrogate Head) : Prédit un substitut d'effort généralisé équivalent au simulateur ( $\tau_{pred}$ ). Il ne s'agit pas d'une mesure directe du couple physique, mais d'une valeur qui, lorsqu'elle est injectée dans un simulateur différentiable, reproduit le mouvement observé.
2. Tête de Force : Prédit un vecteur de force externe 3D brut ( $\hat{f}_{raw}$ ).
3. Porte de Contact (Contact Gate) : Prédit une probabilité de contact ( $g \in [0, 1]$ ) pour filtrer la sortie de force ( $\hat{f} = g \cdot \hat{f}_{raw}$ ).
4. Tête de Condition du Moteur : Prédit un score indiquant si le fonctionnement d'un joint spécifique est normal ou mécaniquement restreint.

2. Stratégie d'Entraînement

Une innovation clé est le schéma de supervision, qui évite le besoin de labels directs d'effort généralisé (couple) sur les plateformes à bas coût où ceux-ci sont peu fiables.

Supervision du Surrogate de Couple : La tête du surrogate de couple est entraînée via une simulation différentiable. Le surrogate prédit est tronqué et injecté dans un moteur de physique différentiable (MuJoCo/MJX). La perte est calculée sur la base de l'écart entre la trajectoire simulée (poses futures) et la trajectoire enregistrée du robot réel. Cela permet au modèle d'apprendre l'entrée effective requise pour correspondre à la dynamique sans supposer une conversion courant-couple fixe.
Supervision Directe : Les têtes de force, de porte de contact et de condition du moteur sont entraînées à l'aide de labels directs (lectures de capteurs de force, événements de contact et restrictions mécaniques connues).
Dataset (NAD) : Les auteurs introduisent le Neural Actuation Dataset (NAD), collecté via un système de téléopération à deux bras jumeaux. Il comprend des états de robot synchronisés, de la télémétrie d'actionneur et des labels de force externe à travers des mouvements libres, de la manipulation de charge et des interactions de contact.

3. Intégration

Le modèle est intégré dans la boucle de simulation pour un entraînement de bout en bout. Lors de l'inférence, le surrogate de couple pilote le simulateur pour la propagation de la trajectoire, tandis que les têtes de force et de condition fournissent des sorties auxiliaires pour la perception et le diagnostic.

Contributions Clés

Modèle NeuralActuator : Un modèle d'actionneur neuronal différentiable et multi-tâches qui prédit des surrogates de couple équivalents au simulateur, des forces externes, des probabilités de contact et des scores de santé moteur sans nécessiter de capteurs de couple directs.
Entraînement via la Physique Différentiable : Un schéma d'entraînement novateur où le surrogate de couple est supervisé par des trajectoires de pose via une simulation différentiable, contournant le besoin d'un étalonnage courant-couple peu fiable.
Neural Actuation Dataset (NAD) : Un jeu de données de robot réel présentant des états de robot, de la télémétrie d'actionneur et des labels de force externe à l'effecteur, tous alignés temporellement, collectés via un système de téléopération personnalisé à deux bras.
Validation Multi-plateforme : Évaluation complète sur trois plateformes distinctes couvrant une large gamme de prix (de 500 $ à plus de 30 000 $) :
- OpenManipulator-X : 5 degrés de liberté (DoF), bas coût, piloté par servomoteurs.
- SO-101 : 6 DoF, bas coût, pile LeRobot.
- Franka Emika Panda : 7 DoF, de classe industrielle.

Résultats Expérimentaux

L'article valide NeuralActuator à travers plusieurs benchmarks :

Précision de Rollout : Sur l'OpenManipulator-X, le modèle atteint de faibles erreurs absolues moyennes (MAE) sur les angles articulaires (ex: ~2,5°–3,1° sur 600 étapes) et les positions de la pince, surpassant les bases de référence sur de longs horizons.
Estimation de Force :
- Détection de Contact : Atteint une faible MAE de force (0,36–0,57 N) sur les trajectoires de contact et des prédictions proches de zéro sur les trajectoires sans contact.
- Benchmarks de Charge Utile : Estime avec précision les charges gravitationnelles (0,08–0,12 N MAE) à travers diverses masses (200g–500g).
- Comparaison : Surpasse les bases de référence basées sur des modèles (Inverse Dynamics avec friction linéaire, friction de Stribeck et Observateur de Moment Généralisé) par une marge significative (ex: 0,12 N contre 0,66 N MAE pour la meilleure base de référence).
Estimation de la Condition du Moteur : Atteint une précision de 91,0 % et un AUC-ROC de 0,95 pour distinguer le fonctionnement normal du fonctionnement mécaniquement restreint (contraint par un élastique), surpassant largement les bases de référence par seuil, SVM et Random Forest.
Contrôle Aval : Lorsqu'il est utilisé comme module pré-entraîné gelé pour le clonage de comportement, la politique sensible à la force améliore les taux de réussite des tâches (ex: 92,5 % contre 80 % pour le pick-and-place) par rapport aux bases de référence basées uniquement sur la position.
Efficacité : L'implémentation atteint une inférence GPU sub-milliseconde (0,25 ms en moyenne) à des taux de contrôle de 60 Hz avec une empreinte de paramètres modeste (1,44M de paramètres).

Signification et Revendications

L'article affirme que NeuralActuator comble une lacune critique en robotique à bas coût en fournissant une alternative robuste et pilotée par les données à la modélisation analytique des actionneurs. Sa signification réside dans :

Permettre la Perception de Force sans Capteurs : Il permet aux robots à bas coût de percevoir les forces externes et les contacts en utilisant uniquement la télémétrie standard (courant, tension, température) et la proprioception, supprimant la barrière du coût des capteurs de force/couple.
Réduire l'Écart Sim-to-Real : En apprenant une cartographie dépendante de l'historique qui prend en compte la friction, le jeu mécanique et les effets thermiques, il améliore la fidélité des simulations différentiables pour le matériel à bas coût.
Scalabilité : L'approche est validée à travers diverses familles d'actionneurs et niveaux de prix, suggérant qu'il s'agit d'une solution généralisable pour l'écosystème croissant des plateformes robotiques abordables.
Capacité de Diagnostic : La capacité de détecter les restrictions mécaniques (ex: joints bloqués) sans matériel supplémentaire ajoute une couche de fiabilité et de capacité de maintenance aux systèmes robotiques.

Les auteurs notent des limites, notamment l'accumulation d'erreurs lors des rollouts de longue durée conditionnés par la télémétrie enregistrée, ainsi que l'incapacité actuelle à effectuer une planification contrefactuelle sans un modèle supplémentaire de réponse-effort. Cependant, ils démontrent qu'une adaptation en ligne peut atténuer la dérive, et que le modèle soutient efficacement les tâches de manipulation en conditions réelles.