robot-hand-design-from-demonstrations

name	robot-hand-design-from-demonstrations
description	Utiliser quand l'utilisateur veut transformer des démonstrations humaines en exigences de conception, d'optimisation et de validation pour une main robotique, plutôt que produire seulement un résumé académique.
version	1.1.0
author	EVA Agent
license	Privée EVA St-Étienne
metadata	{"EVA":{"tags":["robotics","dexterous-hand","imitation-learning","reinforcement-learning","additive-manufacturing","grasping"],"related_skills":["robotics-abb","robot-programming-languages","ai-industrial-vision","predictive-maintenance-ml"]}}

Robot Hand Design from Demonstrations

Vue d'ensemble

Cette compétence s'appuie sur les approches de génération de mains robotiques à partir de démonstrations humaines, mais la reformule comme un workflow d'ingénierie exploitable. Elle aide à passer d'un corpus de mouvements humains à un cahier de conception, un pipeline d'optimisation, un plan de prototypage et une stratégie de validation fonctionnelle.

Quand l'utiliser

À utiliser pour :

• concevoir une main robotique inspirée de gestes humains ;
• cadrer un pipeline démonstrations → cinématique → optimisation → prototype ;
• comparer plusieurs architectures de doigts, degrés de liberté ou transmissions ;
• préparer une preuve de concept robotique mêlant IA, simulation et fabrication additive.

Ne pas utiliser pour :

• un simple résumé d'article scientifique ;
• une préhension robotique sans besoin de conception mécanique ;
• une étude purement commande sans démonstrations humaines ni choix de morphologie.

Workflow recommandé

1. Définir les tâches cibles : prises, manipulations, contraintes d'objets.
2. Collecter et normaliser les démonstrations humaines.
3. Identifier les variables essentielles : doigts, contacts, amplitudes, postures.
4. Traduire ces besoins en exigences morphologiques et cinématiques.
5. Optimiser les designs candidats par simulation ou RL.
6. Prototyper les meilleurs candidats.
7. Valider en essais fonctionnels et comparer à la baseline humaine ou robotique.

1. Collecte de données

• Capturer des gestes représentatifs du périmètre applicatif, pas seulement des gestes « jolis ».
• Prévoir une calibration robuste des capteurs ou du système de motion capture.
• Conserver les métadonnées de tâche : objet, orientation, succès/échec, vitesse, contraintes.
• Nettoyer les données pour l'inverse cinématique, la segmentation des phases de mouvement et l'analyse des contacts.

2. Optimisation du design robotique

• Comparer plusieurs nombres de DoF, géométries de doigts et stratégies de transmission.
• Utiliser un cadre d'optimisation qui sépare :
  • morphologie,
  • commande,
  • métriques de réussite,
  • coût matériel.
• Si un algorithme RL est employé, expliciter : observation, action, reward, contraintes, simulateur.
• Chercher le bon compromis entre dextérité, robustesse mécanique et coût de fabrication.

3. Fabrication et prototypage

• Préparer des exports CAO / STL propres et traçables.
• Séparer clairement prototype démonstrateur et design industrialisable.
• Documenter matériaux, tolérances, points d'usure, actionneurs et capteurs.
• Tester les composants critiques avant assemblage complet.

4. Vérification fonctionnelle

• Définir des scénarios de tests : prise, maintien, repositionnement, robustesse, répétabilité.
• Comparer les performances aux hypothèses initiales ou à une baseline.
• Mesurer précision, taux de succès, force de prise, sensibilité aux variations d'objet.
• Distinguer limitations algorithmiques, mécaniques et capteurs.

Livrables attendus

• matrice tâches ↔ exigences fonctionnelles ;
• cahier de paramètres morphologiques ;
• stratégie d'optimisation et de simulation ;
• plan de prototypage ;
• protocole de validation fonctionnelle.

Support files

• references/design-evaluation-matrix.md : critères de comparaison entre designs.

Pièges Courants (Common Pitfalls)

1. Utiliser des démonstrations non représentatives des tâches réelles.
2. Optimiser la simulation sans intégrer les contraintes de fabrication.
3. Sous-estimer l'importance des capteurs et de la calibration.
4. Confondre réussite d'une démo et robustesse sur un ensemble de cas.

Liste de vérification (Checklist)

• Les tâches cibles sont définies.
• Les démonstrations sont calibrées et annotées.
• Les hypothèses morphologiques sont explicites.
• La stratégie d'optimisation est traçable.
• Le protocole de validation distingue simulation et essais physiques.