Robots Are Learning to Feel
Les robots améliorent leur dextérité manuelle en intégrant des données tactiles de haute qualité. Plusieurs équipes académiques et startups (UC Berkeley, Tsinghua, Fudan/NeoteAI) développent des datasets et modèles spécialisés pour donner aux robots un sens du toucher comparable aux humains, doublant ou triplant les taux de succès sur les tâches fine-grained.
Le défi persistant en robotique est la dextérité manuelle fine : tâches comme insérer un câble USB, tourner une clé, ou manipuler des matériaux déformables dépassent les capacités des modèles vision-language-action actuels. La solution émerge : combiner données tactiles de qualité avec architectures spécialisées. UC Berkeley (Trevor Darrell) propose T-Rex : 100 heures de démonstrations télé-opérées + modèle avec experts séparés pour actions haute-niveau et contrôle tactile basse-latence, atteignant 65 % de succès vs 33 % pour les meilleurs VLA. Tsinghua (Chengbo Yuan) agrège 3 000+ heures sur
Contenu original : Robots Are Learning to Feel — tous droits chez IEEE Spectrum — Robotics.
