Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
ReconVLA : un cadre VLA guidé par l'incertitude et la détection des défaillances pour le contrôle robotique
RecherchearXiv cs.RO 

ReconVLA : un cadre VLA guidé par l'incertitude et la détection des défaillances pour le contrôle robotique

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Des chercheurs ont mis en ligne en avril 2026 sur arXiv (référence 2604.16677) un framework nommé ReconVLA, conçu pour doter les modèles vision-langage-action (VLA) d'une capacité jusque-là absente : estimer leur propre degré de confiance avant d'agir. ReconVLA applique la prédiction conforme (conformal prediction) directement sur les tokens d'action produits par un VLA pré-entraîné, sans modification ni réentraînement du modèle. Cette couche génère des intervalles d'incertitude calibrés, corrélés à la qualité d'exécution et au taux de succès de la tâche. Le même mécanisme est étendu à l'espace d'état du robot pour détecter des configurations anormales avant qu'une défaillance ne survienne. L'évaluation couvre des tâches de manipulation variées en simulation et sur robot réel.

L'absence de mesure de confiance calibrée est aujourd'hui l'un des principaux verrous à l'industrialisation des VLA. Un modèle comme Pi-0 (Physical Intelligence), OpenVLA ou GR00T N2 (NVIDIA) peut produire une action avec une assurance apparente même lorsque la scène perçue sort de sa distribution d'entraînement. ReconVLA contourne ce problème sans toucher au modèle sous-jacent : les intégrateurs peuvent envelopper n'importe quel VLA existant avec cette surcouche de sécurité. En pratique, le framework réduit les erreurs catastrophiques et fournit un signal exploitable par les superviseurs humains ou les systèmes de fail-safe industriels. Il convient de souligner que les résultats présentés restent à l'échelle laboratoire, sans validation sur des lignes de production réelles.

La prédiction conforme est une méthode statistique bien établie dans la communauté du machine learning certifié, mais son application aux VLA robotiques reste émergente. Ces architectures ont connu une accélération notable depuis 2023 avec RT-2 (Google DeepMind), puis OpenVLA, Pi-0 et GR00T N2, chacune promettant un contrôle généraliste sans garantie formelle de comportement hors distribution. ReconVLA s'inscrit dans une tendance visant à rendre ces modèles auditables et déployables dans des contextes à risque industriel ou réglementé. Les prochaines étapes naturelles incluent l'intégration avec des pipelines temps réel et la validation sur des horizons de tâches plus longs, domaines où la calibration de l'incertitude devient critique pour les décideurs industriels.

Impact France/UE

Impact indirect : si validé à l'échelle industrielle, ce framework faciliterait le déploiement de VLA dans des environnements réglementés européens (AI Act, sécurité machines), sans nécessiter de réentraînement des modèles existants.

Dans nos dossiers

IA physique & VLANVIDIA GR00TPhysical Intelligence — π0OpenVLA / RT-X

À lire aussi

RoboFAC : un cadre complet pour l'analyse et la correction des défaillances en robotique
1arXiv cs.RO 

RoboFAC : un cadre complet pour l'analyse et la correction des défaillances en robotique

Des chercheurs rattachés au groupe MINT de l'université Jiao Tong de Shanghai (SJTU) publient la cinquième version de RoboFAC, un cadre d'analyse et de correction des échecs en manipulation robotique. Le jeu de données rassemble 9 440 trajectoires erronées et 78 623 paires question-réponse, réparties sur 53 scènes en simulation et en conditions réelles, avec une taxonomie systématique des types d'échec. Sur cette base, l'équipe a entraîné un modèle multimodal léger, conçu pour comprendre la tâche, diagnostiquer l'échec puis proposer une correction, et assez compact pour tourner en local. Il atteint une précision d'analyse des échecs supérieure de 34,1 % à celle de GPT-4o. Intégré comme superviseur externe dans une chaîne de contrôle VLA réelle, il apporte une amélioration relative de 29,1 % sur quatre tâches, avec une latence nettement inférieure à celle de GPT-4o. Le modèle et les données sont publiés en open source sur GitHub. L'enjeu touche un point faible reconnu des modèles Vision-Language-Action (VLA), qui traduisent instructions en langage naturel et images en actions. Ils sont entraînés presque exclusivement sur des démonstrations d'experts réussies et n'ont donc aucune supervision structurée pour comprendre pourquoi une saisie ou un placement échoue. Pour un intégrateur, cette lacune freine le passage de la démo à l'exploitation, où ce sont les cas dégradés qui font le coût de maintenance. L'approche a aussi un intérêt pratique: un superviseur local et rapide évite les appels à une API propriétaire, incompatibles avec les contraintes de latence et de confidentialité d'un atelier. Plusieurs réserves s'imposent toutefois. Le gain de 34,1 % est mesuré sur un benchmark conçu par les auteurs, et GPT-4o n'est plus une référence de pointe. Le gain de 29,1 % est relatif, sans taux de réussite absolus dans le résumé, et il ne couvre que quatre tâches. Il s'agit d'un résultat de recherche, sans déploiement industriel annoncé. Ce travail s'inscrit dans l'effort de la communauté pour rendre les VLA plus robustes en monde ouvert. Les modèles fondation comme Pi-0, GR00T ou Helix misent surtout sur la montée en échelle des données de démonstration, tandis que RoboFAC défend l'idée complémentaire de données centrées sur l'échec et d'un module de supervision séparé de la politique de contrôle. La publication ouverte du modèle et du jeu de données permet à d'autres laboratoires de le comparer ou de l'intégrer à leurs propres politiques. Les prochaines étapes à surveiller sont la validation sur davantage de tâches et de robots, la mesure des taux de réussite absolus, et la boucle fermée où le superviseur corrige l'exécution en temps réel plutôt que de seulement la commenter.

RecherchePaper
1 source
GUARD : détection de risque par ancrage d'incertitude et ablation pour les VLA à diffusion
2arXiv cs.RO 

GUARD : détection de risque par ancrage d'incertitude et ablation pour les VLA à diffusion

Une équipe de recherche publie GUARD (Grounding Uncertainty and Ablation-based Risk Detection), une méthode de détection d'échec en temps de test pour les politiques VLA (vision-langage-action) fondées sur la diffusion, sans modifier le modèle préentraîné. Le principe consiste à mesurer l'influence des entrées indexées par token dans le cache clé-valeur (KV) du modèle vision-langage, à construire des caches contrefactuels en supprimant les entrées KV les plus saillantes, puis à comparer les réponses de débruitage obtenues avec le conditionnement original. GUARD en tire un flux de diagnostics, sensibilité, entropie d'attention, biais de modalité et efficacité de l'ancrage, calibrés en ligne et traités par un classifieur temporel léger. La méthode est testée sur cinq combinaisons politique-benchmark : les modèles Pi0 (Physical Intelligence), SmolVLA (Hugging Face) et Alpamayo-1.5 (Nvidia), évalués sur les bancs d'essai LIBERO, SimplerEnv, MetaWorld et PhysicalAI-AV, avec des tâches jamais vues à l'entraînement. GUARD obtient le meilleur score ROC-AUC sur quatre des cinq configurations de tâches inédites et se classe deuxième sur la dernière, avec un gain moyen de 5,73 points de pourcentage sur le meilleur moniteur concurrent, tout en restant à 0,19 point du meilleur résultat obtenu sur des tâches déjà vues. Ce travail s'attaque à un problème concret pour quiconque déploie des politiques VLA en robotique : ces modèles génèrent des actions plausibles même quand leur perception de la tâche est mal ancrée dans l'image ou la consigne textuelle, ce qui produit des échecs silencieux difficiles à anticiper avant exécution. Pour les intégrateurs qui évaluent des VLA génératifs comme Pi0 ou GR00T pour du pick-and-place, de la manipulation ou de la conduite autonome, disposer d'un signal d'alerte transférable d'une tâche à l'autre, d'une politique à l'autre et d'un robot à l'autre change la donne : un tel signal permettrait de déclencher un arrêt ou une intervention humaine avant qu'une action erronée ne soit exécutée, plutôt que de constater l'échec après coup. C'est aussi une réponse indirecte à un doute récurrent du secteur sur les VLA à diffusion : leur fluidité gestuelle masque parfois un raisonnement multimodal fragile, et GUARD propose d'auditer ce raisonnement interne plutôt que de se fier au seul comportement observé en sortie. GUARD s'inscrit dans une littérature croissante de moniteurs d'exécution pour politiques robotiques génératives, portée par l'essor rapide des VLA depuis des modèles comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure, déployés ou testés sur des plateformes humanoïdes et des bras manipulateurs. La méthode se positionne face aux approches existantes de détection d'anomalie en temps réel, qu'elle surpasse en moyenne sur des tâches inédites tout en restant compétitive sur des tâches connues, un compromis généralisation-précision central pour toute solution visée à la production. Les auteurs évaluent leur approche exclusivement en simulation et sur des jeux de données benchmark (LIBERO, SimplerEnv, MetaWorld, PhysicalAI-AV), sans validation sur robot physique à ce stade : cette publication arXiv relève donc de la recherche amont plutôt que d'un outil prêt à déployer, et une vérification en conditions réelles reste l'étape naturelle avant toute intégration industrielle.

RecherchePaper
1 source
DROM : un cadre de diffusion guidé par le langage pour la manipulation robotique multi-compétences
3arXiv cs.RO 

DROM : un cadre de diffusion guidé par le langage pour la manipulation robotique multi-compétences

DROM, un cadre génératif décrit dans un préprint arXiv (v1), vise un problème classique de la manipulation robotique : apprendre à partir de peu de démonstrations des politiques robustes, capables d'enchaîner plusieurs compétences sur des tâches longues. Les auteurs utilisent des Dynamic Movement Primitives (DMP) pour multiplier un petit nombre de démonstrations expertes en jeux de données multi-compétences. Ils affirment que cela réduit la collecte de données et étend la généralisation spatiale au-delà de la zone démontrée. Le modèle prolonge Motion Planning Diffusion (MPD) avec une attention croisée conditionnée par le langage. Un seul réseau génère alors des trajectoires cohérentes pour plusieurs primitives, y compris des comportements sensibles à l'orientation, difficiles à programmer avec un planificateur classique ou un contrôleur codé en dur. Pour les tâches longues, un grand modèle de langage (LLM) découpe la demande d'un opérateur en séquence de compétences exécutables. La validation a eu lieu sur un Franka Emika Panda, un FANUC CRX25ia et en simulation MuJoCo. Selon les auteurs, DROM dépasse les références MPD et Behavior Cloning. Le résumé ne donne aucun chiffre : ni taux de réussite, ni nombre de démonstrations, ni nombre de compétences, ni temps de cycle. Les jeux de données, les environnements de simulation et le code sont publiés sur GitHub. L'intérêt tient d'abord à la combinaison de trois briques déjà connues, DMP, diffusion et LLM, dans une architecture unique et exploitable en atelier. Pour un intégrateur, la promesse est de réduire le coût de programmation et de téléopération à chaque nouvelle variante de tâche. Un opérateur pourrait piloter une cellule en langage naturel, sans écrire de trajectoires. La présence d'un FANUC CRX25ia, cobot industriel de 25 kg de charge, est un signal plus pertinent que le seul Panda, plateforme de laboratoire. Elle indique une volonté de transfert vers du matériel de production. Il faut toutefois rester prudent. Sans métriques publiées, sans précision sur le sim-to-real, sur la robustesse face aux perturbations ni sur la latence d'inférence de la diffusion, le gain sur les références reste invérifiable à ce stade. L'écart entre une démonstration de laboratoire et une cadence industrielle n'est pas comblé. Ce travail s'inscrit dans une course où dominent les modèles vision-langage-action (VLA) entraînés sur de grands volumes de données, comme Pi-0, GR00T ou Helix. DROM prend le parti inverse : un pipeline modulaire et frugal en données, où le LLM planifie et la diffusion exécute, avec des trajectoires plus interprétables. Ce compromis intéressera les cellules à faible volume et à forte variété. La suite dépendra de la reproduction par des tiers, grâce au dépôt ouvert, et d'essais sur des tâches réelles plus contraintes que celles d'un banc de test académique. Aucun pilote industriel ni calendrier n'est annoncé.

RecherchePaper
1 source
IHM sensible aux WSM : cadre amélioré par l'IoT pour la détection précoce et la réparation guidée par les normes des défaillances, avec l'aide d'un LLM
4arXiv cs.RO 

IHM sensible aux WSM : cadre amélioré par l'IoT pour la détection précoce et la réparation guidée par les normes des défaillances, avec l'aide d'un LLM

Les défaillances d'interaction homme-robot restent l'un des principaux freins au déploiement de robots en environnement réel. Un article de recherche publié sur arXiv (version 2 du document 2609.32336) propose un cadre modulaire baptisé WSM-Aware HRI, renforcé par des capteurs IoT, qui ramène des pannes très diverses à une seule catégorie : le décalage d'état du monde (World-State Mismatch, WSM). Il s'agit de l'écart entre les hypothèses implicites contenues dans l'instruction d'un humain et le modèle du monde du robot, construit à partir de la perception multimodale et d'un enrichissement numérique. Un grand modèle de langage (LLM) explicite ces hypothèses, les classe dans un petit nombre de types de décalage et précise les preuves à réunir pour les vérifier. Les auteurs l'ont testé sur dix cas du quotidien, qui couvrent des décalages visuels et des décalages d'état latent, c'est-à-dire non visibles par la caméra. Le système produit les sorties attendues. Les ablations montrent que la fiabilité dépend de représentations d'ancrage adaptées et d'une étape de raffinement orientée vérification. L'intérêt tient au déplacement du moment où l'on traite l'échec. Aujourd'hui, la plupart des travaux traitent les pannes comme des défauts techniques isolés ou conçoivent des comportements de récupération après coup. Ici, la détection se fait pendant la formation de l'intention, avant l'exécution. Le robot peut alors intervenir en tenant compte de la sécurité, du respect des normes et de la coordination entre plusieurs utilisateurs, avec des explications transparentes. Pour un intégrateur ou un responsable d'exploitation, l'idée est pertinente : beaucoup d'arrêts en production ne viennent pas d'un défaut de préhension ou de navigation, mais d'une consigne qui ne correspond pas à l'état réel de l'environnement. Les capteurs déjà présents sur site, comme les capteurs de porte, de stock ou d'occupation, servent de source d'évidence externe pour trancher. Il faut toutefois relativiser la portée de ces résultats. L'évaluation porte sur dix scénarios seulement. Elle mesure l'identification du décalage, pas le taux de réussite d'une tâche sur un robot physique, ni la latence ou le coût d'un appel LLM au moment de l'intention. Le texte ne cite aucune plateforme robotique, aucun site de déploiement et aucun calendrier de pilote. Il s'agit de recherche académique, sans produit ni déploiement réel. Il s'inscrit dans le courant des modèles vision-langage-action et des planificateurs à base de LLM, qui traitent surtout l'échec en aval, par réessai ou replanification. Le choix de la prévention par vérification des hypothèses en est une alternative. Les prochaines étapes naturelles sont des essais sur robot réel, des environnements multi-utilisateurs plus bruités et une comparaison chiffrée avec les méthodes de récupération existantes.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source