Dynamic Manipulation

Catégorie: Planning & manipulation › Manipulation
Mots-clés: manipulation, dynamics, nonprehensile, deformable-objects, throwing

Manipulation dans laquelle les forces d'inertie et d'accélération sont essentielles à la tâche, comme lancer, secouer pour déployer ou attraper, si bien que l'objet continue de bouger après la fin du contact.

Définition

Manipulation dynamique (dynamic manipulation) : ensemble des tâches de manipulation dont l'analyse ne peut pas ignorer les forces nécessaires pour accélérer le robot et l'objet. Matthew Mason et Kevin Lynch ont employé le terme au début des années 1990 pour distinguer ces tâches des opérations cinématiques, statiques et quasi statiques que suppose la plupart des travaux sur la saisie et l'assemblage. Lancer, jongler, frapper, projeter vers le haut, arracher un objet d'une table d'un geste vif ou secouer un tissu pour le déployer en sont des exemples typiques : le robot accumule de la quantité de mouvement dans l'objet, et une grande partie du mouvement utile se produit après que l'effecteur a ralenti ou l'a lâché.

Le principal avantage est la portée et la vitesse. Un lancer peut placer un objet hors de l'espace de travail du bras, un déploiement par secousse peut étaler un vêtement bien au-delà de l'envergure du bras, et une frappe rapide peut déplacer un objet qu'une poussée lente ne ferait que traîner. Les actions dynamiques permettent aussi à une pince simple, voire à aucune pince, de commander des degrés de liberté qu'elle ne peut pas tenir directement ; une grande partie de ces travaux est sans préhension (nonprehensile) et utilise la gravité, l'inertie et le contact au lieu d'une prise ferme. Le coût est que le résultat dépend de grandeurs difficiles à mesurer et à modéliser : frottement pendant le glissement et le lâcher, comportement à l'impact, traînée aérodynamique sur les objets légers ou déformables, bande passante des actionneurs et erreurs de synchronisation de quelques millisecondes.

Il existe deux grandes approches. Les travaux fondés sur un modèle dérivent les équations du mouvement du robot et de l'objet, planifient des trajectoires qui respectent les limites de couple et de vitesse, et s'appuient souvent sur une rétroaction rapide, comme les robots jongleurs et frappeurs. Les travaux fondés sur l'apprentissage, plus courants pour les objets déformables et les articles inconnus, apprennent les paramètres d'un petit ensemble de primitives de mouvement, comme une secousse ou un lancer vers le haut, à partir d'essais en simulation ou sur le matériel, et corrigent les effets que le modèle ne capte pas. Dans les deux cas, le matériel doit pouvoir atteindre des vitesses élevées en toute sécurité, c'est pourquoi de nombreux systèmes fonctionnent dans des cellules grillagées ou avec des bras légers.

Pourquoi c'est important

De nombreuses tâches quotidiennes sont bien plus rapides, voire seulement possibles, avec un mouvement dynamique, de secouer une chemise pour la défroisser à lancer des pièces dans un bac. Savoir reconnaître quand une tâche exige de la dynamique plutôt qu'un mouvement quasi statique lent modifie le choix du matériel, du modèle, du contrôleur et des mesures de sécurité.

Applications principales

Dépliage de tissus et de vêtements par secousse
Lancer d'objets dans des bacs hors de portée du bras
Jonglage, frappe et réception avec des bras rapides
Lancers vers le haut sans préhension et reprise en main
Manipulation de cordes et de câbles par des mouvements de fouet ou de balancement

En pratique

Une équipe qui construit un système de dépliage de tissus à deux bras essaie d'abord des actions de prise et de traînée, et constate qu'un vêtement froissé demande de nombreuses étapes pour être étalé. Elle passe à une primitive de secousse : les deux pinces saisissent le tissu en deux points, le soulèvent, le projettent vers l'avant à grande vitesse puis l'abaissent en tirant vers l'arrière, de sorte que la résistance de l'air et la quantité de mouvement du tissu l'étalent à plat sur la table. Une politique apprise ne choisit que les deux points de saisie à partir d'une image prise du dessus, tandis que la trajectoire de secousse elle-même est fixe et réglée pour les limites de vitesse des bras. Les ingénieurs vérifient que les limites de vitesse et d'accélération articulaires des bras sont respectées, que le mouvement reste dans l'espace de travail classé sûr et que les pinces tiennent le tissu assez fermement pour ne pas le perdre en plein mouvement.

Idées reçues

La manipulation dynamique consiste simplement à déplacer le bras vite — ce qui la définit, c'est que les forces d'inertie comptent pour le résultat de la tâche, et non la seule vitesse du bras
Elle exige un modèle physique précis — de nombreux systèmes utilisent des primitives de mouvement fixes et apprennent leurs paramètres par essais au lieu de modéliser chaque effet
Elle ne sert qu'à des démonstrations spectaculaires — les actions dynamiques peuvent réduire le nombre d'étapes nécessaires à des tâches comme l'étalement de tissus ou le remplissage de bacs
Un planificateur quasi statique peut simplement aller plus vite — dès que l'inertie compte, le mouvement de l'objet après le contact n'est plus prédit par un modèle quasi statique

Qui devrait le savoir

Chercheurs en manipulation travaillant sur des tâches avec objets déformables ou sans préhension
Ingénieurs en apprentissage robotique qui conçoivent des primitives de mouvement
Ingénieurs en commande qui règlent des trajectoires de bras à grande vitesse
Ingénieurs sécurité qui spécifient des cellules de travail pour des mouvements de robot rapides

Technologies associées

Manipulation sans préhension (Nonprehensile Manipulation)
Primitives de mouvement (Motion Primitives)
Optimisation de trajectoire (Trajectory Optimization)
Simulation physique (Physics Simulation)
Vision à haute vitesse (High-Speed Vision)

Termes associés

Projets associés

LeRobot: HuggingFace ML library for real-world robotics in PyTorch
Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
NVIDIA Isaac GR00T: NVIDIA open foundation model for humanoid robot reasoning and skills
OpenVLA: 7B-parameter Vision-Language-Action model for robotic manipulation
Drake: MIT robotics toolbox for model-based dynamics, optimization, and control system design
OpenArm: 7DOF humanoid arm for physical AI research in contact-rich environments