Mains robotiques : l’ordre d’apprentissage pèse plus que le toucher

Le toucher paraît intuitivement indispensable pour attraper une balle, faire pivoter un cube ou ne pas laisser échapper un objet. Cette évidence du quotidien a longtemps orienté la robotique vers des mains toujours plus sophistiquées, couvertes de capteurs capables de détecter la pression et le contact. Or une étude publiée dans Science Advances, examinée en avril 2025, déplace le regard : pour qu’une main robotique apprenne à manipuler, l’ordre dans lequel elle rencontre les expériences peut être plus déterminant que la présence d’informations tactiles.

Le résultat vient de travaux associant notamment le ValeroLab de la Viterbi School of Engineering de l’Université de Californie du Sud et l’Université de Californie à Santa Cruz. Les chercheurs ont étudié, à l’aide de modèles de calcul et de machine learning, comment une main artificielle acquiert des gestes complexes. Leur conclusion ne dit pas que le toucher serait sans intérêt. Elle montre plutôt qu’un matériel riche en capteurs ne compense pas nécessairement un apprentissage mal organisé.

Cette nuance est importante pour toute la robotique. Construire des capteurs robustes, précis et intégrables dans une main articulée est difficile et coûteux. Mieux choisir la progression des exercices proposés au robot pourrait permettre d’obtenir des compétences utiles avec des systèmes moins complexes, ou de tirer bien davantage parti des capteurs déjà installés.

Une question de robotique qui rappelle le débat entre nature et éducation

Les chercheurs, parmi lesquels Romina Mir, Ali Marjaninejad et le professeur Francisco Valero-Cuevas, posent une question qui dépasse le cas d’une seule machine : les capacités de manipulation viennent-elles surtout des caractéristiques physiques du corps, ou de la manière dont ce corps apprend ? C’est une transposition robotique de l’opposition classique entre la « nature », c’est-à-dire l’équipement de départ, et l’« éducation », autrement dit l’expérience accumulée.

Dans le cas d’une main robotique, l’équipement englobe sa forme, ses doigts, ses articulations et ses capteurs. Les capteurs tactiles peuvent renseigner sur un contact, une pression exercée ou le glissement potentiel d’un objet. Ces données sont naturellement utiles pour ajuster une prise en temps réel. Mais, dans un système apprenant, elles ne constituent qu’une partie du problème : il faut encore que l’algorithme sache relier ses actions à leurs conséquences et découvrir quelles séquences de mouvements conduisent à la réussite.

L’étude s’intéresse donc à l’interaction entre ces deux dimensions. D’un côté, elle évalue le rôle de l’information tactile. De l’autre, elle étudie l’effet du curriculum, le terme employé pour désigner l’ordre dans lequel les situations d’apprentissage sont présentées au système.

Qu’est-ce qu’un curriculum d’apprentissage pour un robot ?

Le mot « curriculum » évoque un programme scolaire, et l’analogie est utile. Un élève n’aborde généralement pas une notion avancée avant d’avoir rencontré les bases nécessaires. Pour un robot, le principe est comparable : l’algorithme ne reçoit pas seulement des données ou des tâches, il les rencontre dans un certain ordre.

Dans les systèmes fondés sur l’apprentissage par renforcement, la machine essaie des actions et reçoit un signal qui indique si le résultat va dans le bon sens. Ce signal est souvent appelé une récompense. L’algorithme cherche progressivement à augmenter ces récompenses, donc à reproduire les actions qui permettent d’atteindre un objectif. Pour une main, l’objectif peut être de saisir un objet, de le maintenir ou de le faire tourner sans le faire tomber.

Le curriculum concerne alors la séquence des expériences proposées et la façon dont les récompenses guident l’entraînement. Ce point peut sembler abstrait, mais il a des conséquences très concrètes. Si le robot est confronté trop tôt à des situations qu’il ne sait pas interpréter, il risque de multiplier les essais inefficaces. À l’inverse, une succession bien conçue peut l’aider à bâtir des comportements qui seront réutilisés dans des situations plus exigeantes.

Les travaux examinés ont précisément cherché à isoler cette influence. Ils montrent que la séquence d’apprentissage peut conduire un bras robotisé à acquérir des capacités de manipulation même sans sensation tactile. C’est le caractère contre-intuitif de la démonstration : l’ordre des expériences peut, dans ce cadre, avoir plus de poids que le canal sensoriel que l’on jugerait spontanément essentiel.

Une main à trois doigts apprend à saisir et à faire pivoter des objets

Pour tester cette idée, l’équipe a utilisé un modèle informatique d’une main robotique à trois doigts. Ce choix permet de comparer des conditions d’apprentissage sans avoir à modifier physiquement une main entre chaque essai. Les chercheurs peuvent ainsi faire varier les informations disponibles et observer les effets sur l’acquisition d’une tâche.

Les gestes étudiés relèvent de la dextérité, c’est-à-dire de la capacité à contrôler finement un objet dans la main. La saisie est déjà un défi : les doigts doivent se placer correctement et exercer une action qui maintient l’objet. La rotation ajoute une difficulté supplémentaire, car le robot doit modifier sa prise tout en évitant de perdre le contrôle. Les exemples cités dans l’étude incluent des balles et des cubes.

Dans ce cadre, le constat est clair : une main dépourvue de sensation tactile complète peut malgré tout apprendre ces manipulations lorsque son curriculum est adapté. La séquence des récompenses constitue donc un levier de formation majeur. Les résultats invitent à se méfier d’un réflexe fréquent en ingénierie : chercher d’abord à ajouter un capteur ou à perfectionner le matériel, sans interroger assez finement les conditions dans lesquelles le système apprend.

Cela ne revient pas à comparer deux solutions qui s’excluraient. Une main très bien entraînée peut bénéficier du toucher, et une main très équipée peut bénéficier d’un meilleur curriculum. L’intérêt de l’étude est de hiérarchiser les priorités dans la situation analysée : l’expérience organisée peut s’avérer plus influente que l’information tactile elle-même.

Pourquoi les capteurs tactiles restent importants

Le titre de cette recherche appelle une précaution : les capteurs tactiles ne sont pas déclarés inutiles. Ils peuvent rester particulièrement pertinents lorsque les objets sont fragiles, déformables, glissants ou très variés. Dans le monde physique, les contacts sont aussi soumis à des perturbations que les simulations ne reproduisent pas nécessairement dans toute leur richesse.

L’étude porte en outre sur un modèle de main à trois doigts et sur des tâches de manipulation définies. Elle établit que, dans cette configuration, l’absence totale de sensation tactile n’empêche pas l’acquisition des compétences visées si le curriculum est approprié. Elle ne permet pas, à elle seule, d’affirmer que tous les robots, dans tous les environnements et face à tous les objets, pourraient se passer de toucher.

C’est justement ce qui rend le résultat utile. Il précise une question trop souvent posée de façon binaire. La bonne interrogation n’est pas seulement « faut-il des capteurs tactiles ? », mais aussi « quelles expériences faut-il donner à un robot, dans quel ordre et avec quels signaux de réussite ? ». Les fabricants et laboratoires peuvent envisager ces deux dimensions ensemble : le corps de la machine et l’histoire de son apprentissage.

Une collaboration entre robotique, mécanique et apprentissage machine

Ces travaux reposent sur une approche interdisciplinaire. Les doctorantes Parmita Ojaghi et Romina Mir ont participé à cette recherche avec le professeur Michael Wehner et le professeur Francisco Valero-Cuevas, dans une collaboration impliquant la Viterbi School of Engineering et l’Université de Californie à Santa Cruz. Ali Marjaninejad figure également parmi les chercheurs associés à ces travaux.

Cette diversité de compétences est cohérente avec le problème étudié. La manipulation robotique ne se résume pas à écrire un algorithme. Elle impose de comprendre la mécanique des doigts, la manière dont un objet réagit aux forces, le rôle des capteurs et la façon dont un modèle apprend à décider. Les outils de calcul servent ici de terrain d’essai : ils permettent de mettre à l’épreuve des hypothèses sur l’apprentissage avant de les confronter à des systèmes matériels.

Le rapprochement avec la biologie est également au cœur de la réflexion de l’équipe. Les humains et les animaux ne deviennent pas habiles seulement parce qu’ils possèdent des mains ou des membres sensibles. Ils accumulent aussi des expériences organisées dans le temps. Sans assimiler directement l’apprentissage d’un robot à celui d’un organisme vivant, l’étude suggère que cette articulation entre corps et expérience peut inspirer des systèmes artificiels plus adaptables.

Des applications possibles, des robots aux prothèses

Pour la robotique industrielle ou de service, améliorer le curriculum peut réduire le nombre d’essais nécessaires pour apprendre une tâche et rendre le développement plus méthodique. Une main capable de saisir et de tourner de petits objets intéresse de nombreux usages : préparation, tri, assemblage, assistance ou recherche. Chaque environnement pose cependant ses propres contraintes, ce qui rend d’autant plus importante la capacité du système à progresser au fil des expériences.

Les implications évoquées concernent aussi les prothèses. Une prothèse de main doit composer avec les limites du matériel, la diversité des objets manipulés et les attentes de son utilisateur. L’étude ouvre la perspective de systèmes programmés pour acquérir plus efficacement certains comportements de manipulation en accordant une attention particulière au séquençage des tâches. Il ne s’agit pas d’une prothèse autonome déjà prête à l’emploi, mais d’une piste pour concevoir des méthodes d’apprentissage mieux adaptées à ces dispositifs.

Cette approche peut également guider la conception de robots moins dépendants d’une accumulation de composants. Un capteur de haute qualité demeure utile, mais il peut être onéreux à fabriquer, délicat à protéger et difficile à intégrer dans une main compacte. Si un curriculum soigneusement défini apporte un gain comparable, les équipes de développement disposent d’un levier logiciel et méthodologique supplémentaire.

Ce qu’il faut surveiller pour la suite

La prochaine étape sera de déterminer jusqu’où ce résultat se transpose hors des modèles informatiques. Il faudra notamment vérifier comment des curricula efficaces se comportent sur des mains physiques, confrontées à des objets réels et à l’imprévu. La diversité des formes, des matières et des situations de contact sera centrale pour apprécier la portée pratique de cette conclusion.

Il sera aussi utile de comprendre comment combiner au mieux apprentissage progressif et retour tactile. La question n’est probablement pas de choisir définitivement entre un bon programme d’entraînement et de bons capteurs. Les résultats de ValeroLab suggèrent plutôt un ordre de priorité : la conception de l’expérience d’apprentissage mérite autant d’attention que la sophistication du matériel.

À mesure que les robots sortent des environnements très contrôlés pour manipuler des objets plus variés, cette leçon pourrait prendre de l’importance. L’intelligence d’une main artificielle ne dépend pas uniquement de ce qu’elle peut sentir. Elle dépend aussi de ce qu’elle a eu l’occasion d’apprendre, et de la manière dont ces occasions ont été organisées.