Groupe de lecture Bliss - 13 juillet

Nous clôturons la saison avec un article qui relie les thèmes de ce mini-track : si un robot peut détecter un contact et appliquer les bonnes forces, comment détermine-t-il où interagir au départ ?Notre article est Coupled Particle Filters for Robust Affordance Estimation (Lowin, Mengers & Brock, 2026) — provenant du Laboratoire de Robotique et de Biologie d'Oliver Brock ici même à l'UT de Berlin, et accepté à l'ICRA 2026.L'estimation des affordances — déterminer où sur un objet un robot peut le saisir, et où il peut le déplacer — est difficile car l'entrée visuelle est pleine d'ambiguïtés. Les auteurs proposent une solution astucieuse : au lieu d'un estimateur monolithique, ils utilisent deux filtres particulaires couplés, un pour les régions « saisissables » et un pour les régions « déplaçables », chacun encodant ses propres régularités structurelles. L'idée clé réside dans le couplage : les deux filtres échangent des informations dans les deux sens, en se concentrant sur les régions où les deux sont d'accord — c'est précisément là que se trouvent les affordances. Évaluée sur un ensemble de données réelles, la méthode surpasse trois approches récentes (Where2Act, Hands-as-Probes et HRP) par de larges marges, et reste robuste dans des conditions difficiles comme un faible éclairage.En tant que point final de la saison, cet article nous invite à prendre du recul : au cours de trois sessions, nous avons vu des robots détecter le contact acoustiquement, apprendre des politiques de manipulation sensibles à la force, et maintenant estimer où l'interaction est possible au départ. Comment ces éléments s'intègrent-ils dans un pipeline de manipulation complet ? Le couplage d'estimateurs simples et interprétables est-il une voie plus prometteuse que les systèmes appris de bout en bout ? Et quel rôle les priorités physiques devraient-elles jouer par rapport à laisser les données parler ?Rejoignez-nous pour une discussion animée et intéressante !