Enactic publie une intégration d’OpenArm pour mjlab, avec une première tâche d’apprentissage par renforcement consacrée au pick-and-place. Le projet relie le robot bimanuel open source à un environnement de simulation accéléré sur GPU, afin d’entraîner et d’évaluer des politiques de manipulation avant leur transfert vers le matériel.
Le dépôt, rendu public le 23 août, s’appuie sur mjlab, MuJoCo Warp et la bibliothèque RSL-RL. Sa première scène demande au bras gauche de saisir un cube orange sur une table puis de le déposer dans un bac noir. Le bras droit et l’élévateur restent immobiles, ce qui réduit volontairement la complexité de ce premier scénario.
L’intégration OpenArm pour mjlab présente une première tâche de pick-and-place entraînée par PPO.
— Chiyo (@PgChiyo) 23 août 2026
Une base d’entraînement reproductible
Le projet fournit des commandes distinctes pour entraîner une politique, rejouer un point de contrôle et exécuter les tests. La configuration principale prévoit 4 096 environnements parallèles sur une machine Linux équipée d’un GPU CUDA. Un test beaucoup plus léger peut aussi fonctionner sur processeur, notamment pour vérifier l’installation et les dépendances.
L’algorithme retenu est PPO, une méthode courante d’apprentissage par renforcement. Dans ce cadre, la politique apprend par essais successifs à rapprocher le préhenseur de l’objet, le saisir puis atteindre la zone cible. L’intérêt de mjlab tient à l’exécution parallèle de nombreuses simulations, qui permet de générer plus rapidement des trajectoires qu’avec un seul robot physique.
OpenArm reste le centre du projet
OpenArm est une plateforme bimanipulatrice à sept degrés de liberté par bras. La documentation officielle annonce une portée de 633 millimètres et une charge utile maximale de 6 kilogrammes par bras. Le matériel, les plans et le logiciel sont publiés sous licence ouverte, ce qui facilite la reproduction d’une cellule complète et la comparaison de méthodes sur une base commune.
L’intégration publiée ne démontre toutefois pas encore un transfert réussi vers le robot réel. Elle fournit d’abord un environnement d’entraînement et une tâche de référence. Les écarts de friction, de calibration, de latence ou de perception entre la simulation et le matériel devront être traités avant une manipulation physique robuste.
Un point de départ, pas encore une suite de benchmarks
Le dépôt ne contient pour l’instant qu’une tâche. Les mainteneurs invitent la communauté à ajouter des scénarios, des fonctions de récompense et d’autres méthodes d’apprentissage. Cette ouverture est importante : une collection de tâches communes permettrait de comparer les politiques sur les mêmes objets, les mêmes contraintes et les mêmes critères de réussite.
La prochaine étape utile sera de publier des résultats quantifiés, par exemple le taux de réussite en simulation, la robustesse face aux variations de position et les performances après transfert sur OpenArm. En l’état, openarm_mjlab apporte surtout une base technique claire et reproductible pour travailler sur la manipulation bimanipulée.
Sources : dépôt openarm_mjlab, projet OpenArm et annonce du mainteneur, consultés le 25 août 2026.
