Cet article aborde le problème de la préhension robotique, qui nécessite une préhension et une manipulation stables d'objets de formes, de tailles et d'orientations variées. Nous utilisons un réseau neuronal profond pour apprendre des représentations riches et abstraites d'objets et synthétiser des positions de préhension. Plus précisément, nous implémentons un framework de bout en bout, la détection de préhension guidée par carte thermique, sur un système sur puce (SoC) GAP9 RISC-V. Des techniques basées sur le matériel, telles que la réduction de la dimensionnalité d'entrée, le partitionnement du modèle et la quantification, sont utilisées pour optimiser le modèle. La faisabilité de l'inférence sur puce est vérifiée grâce au benchmark GraspNet-1Billion, soulignant le potentiel de manipulation autonome en temps réel grâce à des microcontrôleurs basse consommation.
