Des chercheurs de l'Université du Michigan ont présenté un module appelé PRISM (Polynomial Representations for Interaction‑Structured Motor Control) qui modifie la façon dont les réseaux de contrôle robotique traitent leurs observations. Plutôt que d’apprendre les relations physiques de façon indirecte, le module intègre explicitement les interactions entre positions, vitesses articulaires, actions passées et consignes de déplacement. Cette représentation multiplicative reste compatible avec les algorithmes d’apprentissage habituels et ne nécessite ni capteur de force supplémentaire, ni modification du contrôleur de bas niveau.

Des performances mesurées en marche et en manipulation

Dans une simulation de marche d’humanoïde, PRISM a permis à l’agent de terminer 92,5 % des séquences de 24 secondes sans chute, contre 51 % pour le réseau de référence. Même en limitant le nombre de paramètres, le réseau standard n’a atteint que 52,3 % de succès. La différence persiste lorsqu’on fait varier la friction, la masse ou la charge utile : sur terrain plat, les essais réussis passent de 78,3 % à 92,3 % ; sur terrain irrégulier, de 80 % à 87,1 %.

Le même module a été testé sur un bras robotisé SO‑101. Lors d’une tâche de préhension d’un rouleau de ruban adhésif, PRISM a réussi 47 prises sur 50 (94 %) contre 68 % pour l’approche conventionnelle. En simulation, lorsqu’un cube était lâché pendant son empilement, la politique équipée de PRISM a récupéré l’erreur dans 52,3 % des essais, contre 40,9 % sans le module. Le système a aussi montré une réduction rapide des forces de contact après le premier contact, malgré l’absence de retour d’effort ou de contrôleur de compliance dédié.

Ces résultats, présentés le 10 novembre à la Conference on Robot Learning 2026 à Austin, soulignent que la structuration de l’entrée du réseau peut être aussi déterminante qu’une augmentation de sa taille. Le module ne prétend pas résoudre toutes les difficultés du contrôle moteur, mais il montre que l’ajout d’une représentation explicite des interactions physiques améliore la robustesse du robot face à des conditions non rencontrées pendant l’TrainingProcessus durant lequel un modèle ajuste ses paramètres à partir de données afin d'améliorer ses performances..

Implications pratiques pour les développeurs

Pour les équipes qui conçoivent des robots mobiles ou des manipulateurs, PRISM propose une voie d’intégration simple : le module se place en amont de la politique existante, sans toucher à l’objectif d’apprentissage, aux capteurs ni au contrôleur de bas niveau. Cela signifie qu’on peut tester l’amélioration sur une plateforme déjà déployée, sans réécrire le pipeline de contrôle. La robustesse accrue se traduit directement en moins de chutes ou d’erreurs de préhension, deux critères souvent critiques pour les applications industrielles ou de service.

L’étude a été financée par la National Science Foundation, et les chercheurs ont publié des illustrations détaillées dans l’annonce de Michigan Engineering. Une démonstration vidéo réalisée par le Yu Laboratory montre le robot en marche et le bras manipulant le ruban, offrant un aperçu visuel de la différence de comportement entre les deux approches.

En pratique, un développeur pourrait envisager d’ajouter PRISM à un système déjà entraîné pour réduire le besoin de re‑entraînement lorsqu’on modifie le poids du robot ou la texture du sol. Cette flexibilité est particulièrement précieuse pour les déploiements sur le terrain, où les conditions varient souvent de façon imprévisible.

Vers des contrôleurs plus « intelligents »

PRISM ne remplace pas les modèles physiques classiques, mais il montre qu’une représentation neuronale structurée peut coexister avec les méthodes traditionnelles. Cette hybridation ouvre la porte à d’autres modules capables d’incorporer des contraintes mécaniques ou énergétiques sans alourdir le réseau. Au fur et à mesure que les robots gagneront en autonomie, disposer de contrôleurs capables de s’ajuster rapidement aux changements d’environnement sera un atout majeur.

Ainsi, même si le module ne constitue pas une solution universelle, il représente une étape concrète vers des systèmes robotiques plus fiables, capables de maintenir leur performance au-delà des scénarios d’entraînement initial.

Une lecture à partager ?
Partager
Partager cet article
WhatsApp ↗LinkedIn ↗Facebook ↗X ↗E-mail ↗

POUR CONTINUER

Garder le fil.

Toutes les actus ↗