💻 computer science

Graph-Based Design of Soft Grippers with Multi-Objective Quality-Diversity Optimisation

Cet article propose un espace de conception basé sur des graphes couplé à un cadre d'optimisation génétique multi-objectif et piloté par la diversité pour générer des préhenseurs souples qui présentent une généralisation émergente et une robustesse améliorée à travers divers scénarios de saisie inédits.

Auteurs originaux : Andre Farinha, Ge Shi, Harry Bowman, Brendan Tidd, David Howard, Josh Pinskier

Publié 2026-09-18

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Andre Farinha, Ge Shi, Harry Bowman, Brendan Tidd, David Howard, Josh Pinskier

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 un monde où des robots peuvent ramasser une fraise mûre sans l'écraser, puis passer immédiatement au levage d'un rocher lourd et de forme irrégulière, le tout sans avoir besoin d'un nouvel ensemble d'instructions ou d'une vue caméra parfaite. C'est le Saint Graal de la robotique : une machine capable de manipuler la variété désordonnée et imprévisible du monde réel. Pendant des décennies, les ingénieurs ont tenté de résoudre ce problème en construisant des robots qui réfléchissent davantage, utilisant des logiciels complexes pour calculer chaque mouvement. Mais il existe une autre voie, qui repose sur le corps physique du robot lui-même. Les robots mous, fabriqués à partir de matériaux flexibles comme le caoutchouc ou le silicone, se courbent et s'écrasent naturellement pour épouser les objets. Ils possèdent une sorte d'intelligence mécanique, où la forme du robot l'aide à accomplir sa tâche. Cependant, concevoir ces mains souples est incroyablement difficile. Parce qu'elles peuvent se plier de tant de manières différentes, il existe un nombre presque infini de façons de les construire, et trouver celle qui fonctionne le mieux pour tout est comme chercher une aiguille dans une botte de foin qui change constamment de forme.

Une équipe de chercheurs de CSIRO Robotics en Australie a adopté une approche nouvelle pour ce problème. Au lieu d'essayer de concevoir un seul préhenseur parfait pour une tâche spécifique, ils ont créé un système qui conçoit toute une famille de préhenseurs souples diversifiés à la fois. Ils ont traité la conception de ces robots comme un puzzle composé de points et de lignes connectés, une méthode qui permet d'explorer un vaste nombre de formes sans rester bloqué sur une seule solution. En testant ces conceptions face à de nombreux scénarios différents — saisir des objets durs et petits, des objets mous et grands, et tout ce qui se trouve entre les deux — ils ont découvert quelque chose de surprenant. Lorsqu'ils ont forcé leur ordinateur à trouver des solutions qui fonctionnent bien dans toutes ces situations différentes, les robots résultants ne sont pas seulement devens bons en une seule chose ; ils sont devenus étonnamment doués pour manipuler des objets qu'ils n'avaient jamais vus auparavant.

Les chercheurs ont commencé par construire un langage numérique pour décrire ces robots souples. Plutôt que de dessiner une forme solide, ils ont représenté le robot comme un réseau de points et de lignes. Les points représentent des points dans l'espace, et les lignes représentent le matériau qui les relie. Ce réseau est flexible ; l'ordinateur peut ajouter ou supprimer des points, les déplacer ou modifier l'épaisseur des lignes de connexion. Cette approche est puissante car elle permet à l'ordinateur d'inventer des formes qu'un concepteur humain ne pourrait jamais imaginer, créant des courbes et des structures complexes qui restent assez simples pour que l'ordinateur puisse les tester rapidement. Pour s'assurer que ces conceptions numériques étaient réalistes, l'équipe a utilisé des simulations physiques avancées qui tiennent compte de la manière dont les matériaux souples s'étirent, se tordent et reprennent leur forme. Ils ont même simulé la façon dont le robot touche un objet, s'assurant que le caoutchouc virtuel ne traversait pas la pomme ou le rocher virtuel.

L'innovation réelle résidait toutefois dans la manière dont ils ont cherché les meilleures conceptions. Habituellement, lorsque les ordinateurs tentent de résoudre un problème, ils se concentrent sur la recherche d'une seule et unique meilleure réponse pour une tâche spécifique. Si vous demandez à un ordinateur de concevoir un préhenseur pour une balle de tennis, il créera une forme parfaite pour une balle de tennis, mais inutile pour tout le reste. C'est ce qu'on appelle le surapprentissage (overfitting), et c'est un obstacle majeur en robotique. L'équipe de CSIRO a décidé de lutter contre cela en utilisant une stratégie qui valorise la variété. Ils ont demandé à leur ordinateur de trouver des conceptions qui soient non seulement bonnes pour la saisie, mais aussi différentes les unes des autres. Ils ont mis en place une compétition où l'ordinateur devait jongler avec quatre objectifs différents à la fois : saisir un petit objet dur, un grand objet dur, un petit objet mou et un grand objet mou. L'ordinateur avait pour instruction de conserver une large gamme de solutions, garantissant qu'aucun type de préhenseur ne domine les résultats.

Alors que l'ordinateur exécutait des milliers de simulations, faisant évoluer ces conceptions sur des centaines de générations, un schéma clair est apparu. Les conceptions qui étaient forcées d'être diverses n'ont pas simplement produit un mélange désordonné de solutions médiocres. Au contraire, elles ont développé une robustesse que les conceptions à tâche unique n'avaient pas. Lorsque les chercheurs ont testé ces conceptions diverses sur des objets qu'ils n'avaient jamais présentés à l'ordinateur pendant la phase d'entraînement, les résultats ont été frappants. Les préhenseurs conçus pour une tâche unique échouaient lamentablement face à une nouvelle forme. Mais les préhenseurs qui avaient été optimisés pour la variété géraient ces nouveaux défis avec aisance. Ils pouvaient s'adapter à une colonne concave ou à une structure semblable à du corail qui ne ressemblait en rien aux objets d'entraînement. Il s'est avéré qu'en apprenant à l'ordinateur à être flexible dans sa pensée, les robots physiques apprenaient à être flexibles dans leur corps.

Pour prouver qu'il ne s'agissait pas seulement d'un artefact informatique, l'équipe a fabriqué deux de ces préhenseurs optimisés en véritable caoutchouc. Ils les ont montés sur un moteur et les ont testés en tirant sur divers objets, notamment une sphère, une épingle et une structure délicate semblable à du corail. Les robots physiques se sont comportés presque exactement comme les simulations l'avaient prédit. Ils ont utilisé leur souplesse pour épouser les formes des objets, générant suffisamment de force pour les tenir sans les écraser. Cela a confirmé que les conceptions numériques avaient capturé des principes physiques réels de l'interaction des matériaux souples avec le monde. L'expérience a montré que l'« intelligence mécanique » du robot faisait le plus gros du travail, lui permettant de généraliser ses compétences à de nouvelles situations sans avoir besoin d'être reprogrammé.

L'étude suggère que la clé pour construire des robots véritablement adaptables ne réside peut-être pas dans le fait de les rendre plus intelligents, mais dans le fait de rendre leur processus de conception plus diversifié. En refusant de se contenter d'une seule solution parfaite et en embrassant plutôt un large éventail de possibilités, les ingénieurs peuvent créer des machines naturellement robustes face à l'imprévu. Cette approche offre une voie prometteuse pour les robots qui doivent travailler dans des environnements imprévisibles, de la récolte de fruits dans un champ à l'assistance dans un laboratoire. Elle montre que, parfois, la meilleure façon de se préparer à l'inconnu est de s'entraîner avec un peu de tout.

Résumé technique : Conception de préhenseurs souples basée sur les graphes avec optimisation Qualité-Diversité multi-objectif

Énoncé du problème

Une manipulation efficace d'objets divers est cruciale pour des applications allant de la récolte agricole à l'automatation de laboratoire. Bien que la robotique souple offre une compliance intrinsèque adaptée à ce défi, la conception de préhenseurs capables de se généraliser à diverses tâches reste difficile. L'espace de conception de la mécanique des milieux continus est vaste, et les approches d'optimisation standard mènent souvent à un surapprentissage (overfitting) sur des scénarios spécifiques. De plus, il existe un compromis fondamental dans la conception computationnelle : restreindre les espaces de conception garantit la compatibilité avec une simulation de haute fidélité mais limite l'expressivité, tandis qu'explorer des espaces plus riches avec une physique simplifiée néglige les phénomènes non linéaires (grandes déformations, non-linéarités matérielles, instabilités et interactions de contact) qui régissent la performance des préhenseurs souples. En outre, l'optimisation conventionnelle à objectif unique produit fréquemment des solutions étroites et fragiles qui exploitent des conditions spécifiques plutôt que de couvrir des espaces comportementaux diversifiés.

Méthodologie

1. Représentation de conception basée sur les graphes

Les auteurs proposent un espace de conception basé sur les graphes pour les structures souples planes et les mécanismes compliants, qui équilibre l'expressivité et la tractabilité pour la simulation par éléments finis. La représentation se compose de trois couches :

Génotype : Une représentation interne dense en informations composée de $n$ nœuds, où chaque nœud $i$ est défini par des coordonnées cartésiennes $x_i$ , un multiplicateur de distance $w_{d,i}$ et un multiplicateur de largeur d'arête $w_{th,i}$ . La taille du génotype est de $4n$ , bornée dans $[0,1]$ .
Phénotype de graphe : Un graphe spatial non orienté $G=(V,E)$ où les arêtes ne sont pas explicitement encodées mais inférées. Une arête $(i,j)$ est considérée comme active si une distance pondérée seuillée $W_{ij} < 1$ , où $W_{ij} = (\|x_i - x_j\|/L + w_{ij})/d_{max}$ . Cela permet au génotype d'être plus dense qu'un encodage d'adjacence directe tout en couvrant un sous-ensemble expressif de topologies de graphes.
Phénotype topologique : Un objet géométrique plan formé par l'union des arêtes de graphe actives, rempli d'un matériau d'épaisseur $w_{th} \cdot th_{max}$ .

2. Optimisation Qualité-Diversité Multi-Objectif

Pour naviguer dans l'espace de conception vaste et trompeur, les auteurs emploient la Recherche de Nouveauté Dominée par Pareto (PDNS), une extension de l'algorithme de Recherche de Nouveauté Dominée (DNS).

Algorithme : La méthode maintient une population de $N$ conceptions. Au lieu d'un score de fitness unique, chaque conception est évaluée sur un vecteur de $m$ objectifs concurrents et un descripteur comportemental $d_i \in \mathbb{R}^D$ .
Fitness de compétition : Une fitness de compétition scalaire $\tilde{f}_i$ est calculée sur la base de la dominance de Pareto et de la diversité. Pour une solution $i$ , l'ensemble des solutions $D_i$ qui la dominent au sens de Pareto est identifié. La fitness de compétition est la distance moyenne dans l'espace des descripteurs par rapport aux $k$ solutions dominantes les plus proches. Les solutions sur le front de Pareto ( $D_i = \emptyset$ ) reçoivent une fitness infinie, garantissant leur préservation.
Descripteurs comportementaux : Un ensemble modulaire de caractéristiques capture les aspects géométriques, topologiques et paramétriques (ex: centroïde, étalement, densité d'arêtes, métriques de regroupement, fraction de volume) pour guider la diversité sans spécification explicite de la tâche.
Opérateurs génétiques : La recherche utilise la sélection par tournoi, le croisement à deux points par nœud, et un ensemble divers de mutations (bruit paramétrique sur la position/largeur, et mutations structurelles telles que l'ajout/suppression/division de nœuds).

3. Évaluation basée sur la physique

L'évaluation de la fitness utilise la modélisation par éléments finis (FEM) de haute fidélité avec :

Modèle de matériau : Hyperélasticité de Neo-Hookean à déformation finie pour capturer la réponse matérielle non linéaire.
Contact : La méthode de Contact de Potentiel Incrémental (IPC) pour garantir des configurations sans intersection.
Solveur : Discrétisation temporelle de Newmark implicite et itération de Newton-Raphson avec factorisation SparseLU.
Métriques : Optimisation directe de métriques pertinentes pour la tâche incluant les forces de contact ( $f_c$ ), la surface de contact ( $A_c$ ), l'énergie de déformation de l'objet ( $U$ ) et les déplacements de l'effecteur ( $u$ ).

Configuration Expérimentale et Résultats

Validation de référence

La représentation par graphe a d'abord été validée sur des benchmarks standards d'optimisation structurelle (problèmes de préhenseur souple, d'inverseur et de poutre MBB). Les résultats ont démontré que l'approche par graphe parvient à récupérer des solutions approchant les topologies optimales connues des méthodes traditionnelles, validant son expressivité tant pour les problèmes de compliance que de rigidité.

Optimisation Multi-Objectif de Préhenseur Souple

Le cadre a été appliqué à une tâche de préhension planaire impliquant quatre scénarios distincts :

Pinch-Rigid (Pincement-Rigide) : Petit objet rigide (maximiser la force de traction).
Power-Rigid (Force-Rigide) : Grand objet rigide (maximiser la surface de contact).
Power-Soft (Force-Souple) : Grand objet souple (équilibrer l'énergie de déformation et la force de traction).
Pinch-Soft (Pincement-Souple) : Petit objet souple (équilibrer l'énergie de déformation et la force de traction).

Principales découvertes :

Généralisation Émergente : L'optimisation à travers un ensemble divers de cas de préhension (exécution à 4 objectifs) a produit un front de Pareto comprenant 89 solutions non dominées. Alors que les optimisations à objectif unique produisent des conceptions "spécialistes" qui dominent leur scénario d'entraînement spécifique mais échouent sur les autres, l'approche multi-objectif a produit des conceptions avec des performances robustes dans tous les scénarios.
Stratégies Morphologiques : Les individus élites présentaient des stratégies distinctes (ex: bras de levier plus longs pour les objets larges, structures en forme de crochet pour les objets souples), pourtant le front de Pareto diversifié contenait des conceptions capables de se transférer efficacement à des conditions non vues.
Robustesse aux Perturbations : Lors de tests avec des perturbations positionnelles ( $\pm 10$ mm) et de nouvelles géométries d'objets (colonne concave, structure de type corail), les conceptions issues de la course à 4 objectifs (et spécifiquement le sous-ensemble aléatoire du front de Pareto) ont maintenu des performances comparables à leurs scénarios d'entraînement. En revanche, les spécialistes à objectif unique ont montré une dégradation substantielle des performances.
Validation Physique : Une validation expérimentale limitée utilisant des préhenseurs imprimés en 3D (Formlabs Elastic 50A) a confirmé que les conceptions optimisées exploitent les mécanismes de déformation et de contact prédits par la simulation, avec un accord qualitatif sur les tendances de préhension et les magnitudes de force de traction.

Signification et Revendications

L'article affirme que l'optimisation pilotée par la diversité offre une voie structurée vers des préhenseurs souples polyvalents. En couplant un espace de conception par graphe expressif à une physique de haute fidélité et un algorithme qualité-diversité multi-objectif, les auteurs démontrent que :

La Généralisation est Émergente : L'optimisation sur un ensemble suffisamment divers de cas de préhension conduit à des conceptions qui se généralisent à des objets et des conditions de contact non vus, présentant une robustesse accrue par rapport aux solutions spécifiques à une tâche.
Atténuation du Surapprentissage : L'optimisation multi-objectif pilotée par la diversité atténue la fragilité et le surapprentissage inhérents à l'optimisation gourmande à objectif unique.
Intelligence Mécanique : L'approche tire parti de l'intelligence mécanique (compliance et adaptabilité) pour simplifier le contrôle et réduire la dépendance au apprentissage spécifique à la tâche, s'alignant sur la nature adaptable de la robotique souple.

Les auteurs concluent que ce cadre permet à des stratégies mécaniques robustes d'émerger à partir d'un ensemble limité d'objectifs plutôt que de nécessiter un réglage spécifique à chaque scénario, fournissant ainsi une base pour des manipulations plus générales.