Robotic manipulation and assembly of micro and nanocomponents in confined spaces is still a challenge. Indeed, the current proposed solutions that are highly inspired by classical industrial robotics are not currently able to combine precision, compactness, dexterity, and high blocking forces. In a previous work, we proposed 2-D in-hand robotic dexterous manipulation methods of arbitrary shaped objects that considered adhesion forces that exist at the micro and nanoscales. Direct extension of the proposed method to 3-D would involve an exponential increase in complexity. In this paper, we propose an approach that allows to plan for 3-D dexterous in-hand manipulation with a moderate increase in complexity. The main idea is to decompose any 3-D motion into a 3-D translation and three rotations about specific axes related to the object. The obtained simulation results show that 3-D in-hand dexterous micro-manipulation of arbitrary objects in presence of adhesion forces can be planned in just few seconds.

This paper presents a new approach of planar trajectory generation for automated in-hand dexterous manipulation of miniaturized objects. The proposed method aims at improving the efficiency of the previous method [17] to be able to perform real-time in-hand manipulation trajectories generation. The main idea behind this new method is the representation of the configuration space as a set of stable rotations instead of stable grasps as it is usually done. The consequence of this representation is a more compact space that encapsulates more information. The developed algorithm that uses this approach is able to generate optimal trajectories to manipulate complex objects in less than 0.1 s, which represents a reduction in the processing time between 10 ² and 10 ⁵ compared to the previous method.

Développement et analyse d'un planificateur de trajectoires pour la manipulation dextre de micro-objets en 3D: Les développements technologiques ne cessent de s’accélérer et de plus en plus de fonctions sont intégrées, et le volume des dispositifs (électroniques, électriques, mécaniques, etc.) a largement diminué. Cette tendance à la miniaturisation a ouvert la voie à la conception de robots à petite échelle, capables de manipuler ces petits objets pour les assembler. L'état actuel de l'art permet la manipulation planaire et dextre de micro-objets de forme arbitraire, tandis que certains objets sphériques peuvent être manipulés en 3D par télé-opération, en tenant compte des forces d'adhésion qui existent à l'échelle micro et nanométrique. En raison de la limitation des techniques de manipulation à l'échelle micro, les applications sont également très limitées. Cependant, il existe de nombreux domaines d'applications où nous avons besoin de manipuler des micro-objets en 3D, comme la chirurgie invasive minimale, le montage en surface de composants électroniques, et le placement et l'assemblage de composants mécaniques. Notre objectif est donc de développer un système capable de manipuler des micro-objets en 3D en tenant compte des spécificités physiques à l'échelle microscopique. Il existe de nombreux défis scientifiques à l'échelle de la robotique, qui nécessitent une attention particulière pour leur utilisation et leurs applications appropriées. Cette recherche se concentre sur l'un de ces défis, à savoir la "planification des trajectoires des doigts" pour manipuler avec dextérité les micro-objets. L'extension directe de la méthode précédente, c'est-à-dire extrapoler les méthodes de manipulation dextre planaire, à un cas d’étude 3D impliquerait une augmentation exponentielle de la complexité informatique. Nous proposons donc une approche qui permet de planifier la manipulation dextre en 3D avec une augmentation modérée de la complexité. L'idée principale est de décomposer tout mouvement 3D en trois rotations 2D individuelles autour d'axes spécif iques liés à l'objet. Cette approche induit certaines contraintes sur le processus de manipulation, ainsi pour s'assurer que les trois rotations 2D individuelles peuvent être combinées pour former une rotation 3D complète, nous avons développé un algorithme de recherche qui respecte les contraintes de manipulation. Enfin, nous analysons également l'impact des paramètres physiques (force d’adhésion et de friction) qui affectent le processus de manipulation. La méthode développée permet de planifier la trajectoire des doigts permettant de manipuler et d'orienter l'objet (sur lequel deux plans orthogonaux peuvent être projetés) en 3D, et a été validée par des simulations.

Context-aware emotion recognition (CAER) enhances affective computing in real-world scenarios, but traditional methods often suffer from context bias-spurious correlation between background context and emotion labels (e.g. associating ``garden'' with ``happy''). In this paper, we propose \textbf{AGCD-Net}, an Attention Guided Context Debiasing model that introduces \textit{Hybrid ConvNeXt}, a novel convolutional encoder that extends the ConvNeXt backbone by integrating Spatial Transformer Network and Squeeze-and-Excitation layers for enhanced feature recalibration. At the core of AGCD-Net is the Attention Guided - Causal Intervention Module (AG-CIM), which applies causal theory, perturbs context features, isolates spurious correlations, and performs an attention-driven correction guided by face features to mitigate context bias. Experimental results on the CAER-S dataset demonstrate the effectiveness of AGCD-Net, achieving state-of-the-art performance and highlighting the importance of causal debiasing for robust emotion recognition in complex settings.