Cordes, tissus, pâte, câbles : les objets déformables sont partout dans le monde humain, et ils restent parmi les choses les plus difficiles à prédire pour un robot. Contrairement aux corps rigides, le comportement d'un objet déformable dépend de propriétés matérielles cachées qui varient d'un objet à l'autre — et de mauvaises prédictions se traduisent par des saisies ratées, des câbles emmêlés et du linge abîmé.
Une équipe de Georgia Tech — Haocheng Yin, Shuohan Tao, Yongsheng Chen et Lu Gan — a publié cette semaine sur arXiv (2607.20653) PhysCoRe, un modèle du monde conçu spécifiquement pour ce problème. Le nom révèle la recette : des résidus corrigés par la physique.
Entre deux extrêmes qui échouent
Les approches existantes de la dynamique des déformables se situent à deux extrêmes, et toutes deux échouent en pratique :
- L'optimisation par objet : l'identification classique de systèmes ajuste les paramètres matériels de chaque nouvel objet par des mesures répétées. Précise, mais lente — et les paramètres appris ne se transfèrent pas à l'objet suivant.
- L'apprentissage de bout en bout : les modèles purement neuronaux s'entraînent directement sur des données d'interaction. Ils généralisent mieux, mais extrapolent mal hors de leur distribution d'entraînement et peuvent produire des déroulements qui violent la structure physique de base — matière qui apparaît, étirements sans limite, contacts ignorés.
Le pari de PhysCoRe est que la réponse n'est pas de choisir entre physique et apprentissage, mais de les assembler avec une répartition claire des rôles.
Un simulateur et deux correcteurs neuronaux
Au cœur de PhysCoRe se trouve un simulateur différentiable de méthode des points matériels (MPM) — un outil de mécanique des milieux continus qui simule les corps déformables comme des nuages de particules matérielles. Parce que le simulateur est différentiable, les gradients le traversent, ce qui permet d'entraîner les modules d'apprentissage de bout en bout contre des déroulements simulés. Deux réseaux feed-forward l'enrobent :
- Material from Motion (MfM) déduit l'élasticité par particule directement à partir d'observations visuelles (séquences RGB-D de l'objet manipulé). Au lieu de supposer une rigidité uniforme pour tout l'objet, MfM ancre le simulateur dans une physique propre à chaque objet et variable dans l'espace — une section usée d'une corde ne se comporte pas comme sa partie intacte.
- Residual from Dynamics (RfD) apprend l'écart entre simulation et réalité. Il prédit des corrections de la dynamique interne du simulateur, absorbant les biais systématiques — frottements non modélisés, déformation plastique, approximations de contact — qu'aucun ajustement analytique de paramètres ne peut capturer.
Identification en ligne et exploration guidée par l'incertitude
Deux propriétés rendent PhysCoRe pratique et pas seulement précis. D'abord, l'identification de matériaux en ligne : sur un objet nouveau, MfM s'adapte à partir d'une poignée d'interactions plutôt que d'une procédure complète d'étalonnage hors ligne. Ensuite, l'incertitude prédictive du modèle a un sens spatial — elle signale quelles régions de l'objet le modèle comprend le moins. Cela donne au robot une stratégie d'exploration fondée : toucher, tirer et presser là où le modèle est le moins confiant, et les cartes de confiance s'affûtent exactement là où il le faut.
Lors d'expériences sur des séquences réelles de manipulation d'objets déformables, l'équipe rapporte que PhysCoRe surpasse les meilleures références en précision de prédiction, et que sa confiance prédite forme une distribution fiable sur la géométrie de l'objet — ce qui la valide comme signal pour une exploration guidée par la confiance dans de futurs systèmes en boucle fermée.
Pourquoi c'est important
La manipulation des déformables est le goulot d'étranglement discret entre les robots d'usine d'aujourd'hui et les machines généralistes que l'industrie promet sans cesse. Plier du linge, préparer de la nourriture, habiller des faisceaux de câbles, manipuler des tissus dans les ateliers de confection — presque chaque tâche à forte valeur de la feuille de route des humanoïdes implique des matériaux qui plient, s'étirent et se froissent. Le dénominateur commun est la prédiction : un robot incapable d'anticiper ce que fera une serviette quand on la tire ne peut pas planifier son geste suivant.
PhysCoRe incarne un motif de conception qui mûrit dans l'apprentissage robotique — des modèles du monde ancrés dans la physique avec des corrections apprises — que l'on retrouve aussi dans les travaux sur les corps rigides et la locomotion. Ce motif échange l'appétit en données des modèles purement de bout en bout contre la structure des simulateurs, tout en admettant que les simulateurs ne sont jamais tout à fait justes et en apprenant la différence. Si cette répartition des rôles tient sur davantage de catégories d'objets et de tâches en boucle fermée, la « conscience des matériaux » pourrait devenir une capacité standard des modèles de fondation robotiques plutôt qu'un projet d'ingénierie objet par objet.
L'article est disponible sous licence CC BY 4.0, et son idée d'utiliser l'incertitude comme boussole d'exploration devrait être reprise rapidement par la communauté de la manipulation.
