RecherchearXiv cs.RO 18 mai 2026

FLASH : politique visuomotrice efficace par échantillonnage parcimonieux

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié le 21 mai 2026 sur arXiv (2605.15492) une nouvelle architecture de politique visuomotrice baptisée FLASH, pour Fast Legendre-polynomial Action policy via Sparse History-anchored flow. L'idée centrale est de remplacer la génération d'actions par débruitage itératif, caractéristique des politiques par diffusion et par flow matching, par une représentation continue de trajectoires en polynômes de Legendre. En ajustant des démonstrations expertes sous échantillonnage temporel clairsemé, FLASH couvre un horizon d'action étendu en une seule inférence. Le processus de flow matching est initialisé non pas depuis un bruit gaussien non informatif, mais depuis les coefficients polynomiaux de l'historique récent, ce qui réduit la distance de transport et rend possible l'inférence en un seul pas. Sur cinq tâches de manipulation simulées et deux tâches réelles, FLASH atteint un taux de succès supérieur ou égal à 92 % sur l'ensemble des scénarios, un temps d'inférence de 31,40 ms par épisode, une convergence à l'entraînement jusqu'à quatre fois plus rapide qu'ACT, et une réduction de l'erreur de suivi du contrôleur de 5x à 7x par rapport aux baselines à actions discrètes.

Ces résultats s'attaquent directement au principal obstacle à la robotique temps réel avec des politiques génératives : la latence. Les politiques par diffusion (Diffusion Policy, Chi et al. 2023) pouvaient nécessiter des dizaines de passes de débruitage, rendant leur déploiement sur des robots à boucle de contrôle rapide difficile ou nécessitant des compromis matériels coûteux. Le gain annoncé, jusqu'à 175x plus rapide que les politiques par diffusion, 18x plus rapide que les implémentations précédentes de flow matching, est significatif si confirmé hors laboratoire. La dérivation analytique du polynôme fournit directement les signaux de feed-forward en vitesse au contrôleur de couple, sans approximation numérique : c'est un point concret pour les intégrateurs, car la qualité du suivi de trajectoire conditionne directement la reproductibilité industrielle. Il faudra toutefois nuancer : les benchmarks présentés portent sur des tâches de manipulation relativement standardisées, et les vidéos de démonstration n'ont pas encore été soumises à une évaluation indépendante.

L'article s'inscrit dans une dynamique de recherche intense autour des politiques génératives pour la manipulation, initiée par Diffusion Policy (2023) et accélérée par des architectures comme ACT (Action Chunking with Transformers), $\pi0$ de Physical Intelligence, et les variantes de flow matching embarquées dans des systèmes comme GR00T N2 de NVIDIA ou Helix de Figure. FLASH est un travail académique publié sur preprint, pas un produit commercialisé ni un déploiement annoncé, et son positionnement face à $\pi0$ fast (qui visait déjà la réduction de latence via distillation) méritera comparaison directe. La prochaine étape naturelle sera une validation sur des manipulateurs industriels avec des charges utiles et des cycles répétitifs, conditions où les 31 ms d'inférence et la robustesse du suivi de trajectoire feront réellement la différence.

Dans nos dossiers

NVIDIA GR00T Physical Intelligence — π0 arXiv cs.RO

À lire aussi

1arXiv cs.RO

Accélérer l'apprentissage de politiques visuelles grâce au contrôle prédictif par échantillonnage

Une équipe de recherche a publié le 20 septembre 2026 sur arXiv (2609.20575) une méthode baptisée Sampling-Guided Policy Search (SGPS), destinée à l'apprentissage de politiques visuelles pour la locomotion et la manipulation de robots. Le système combine un contrôle prédictif par échantillonnage (sampling-based model-prédictive control) avec des gradients de politique de premier ordre (FoPG) issus de simulation différentiable, une technique reconnue pour réduire le coût de calcul mais sujette à converger vers des schémas de contact non désirés entre le robot et son environnement. La politique est d'abord initialisée par clonage de comportement à partir d'actions échantillonnées, puis l'entraînement alterne raffinement par échantillonnage et mises à jour FoPG à court horizon, sous états initiaux perturbés et dynamiques randomisées. Une formulation FoPG découplée exclut le rendu du graphe de calcul, ce qui permet d'apprendre directement à partir d'observations de profondeur (depth) sans passer par un professeur basé sur l'état complet du système. L'entraînement tient sur un seul GPU et couvre locomotion, franchissement d'obstacles, poussée de caisse et portage bimanuel, testés en simulation sur les robots quadrupèdes et humanoïdes Unitree Go2 et G1. La politique distillée a ensuite été transférée en zero-shot sur un Go2 réel, capable de trotter, ramper, franchir des haies et alterner entre ces comportements de façon autonome grâce à sa caméra de profondeur embarquée. Pour l'industrie robotique, ce travail répond à deux contraintes concrètes : le coût prohibitif en GPU et mémoire de l'apprentissage de politiques visuelles, et le fossé persistant entre simulation et réel pour les comportements de contact. En démontrant qu'une politique fondée uniquement sur la profondeur, entraînée sur un seul GPU, transfère sans réentraînement sur un robot physique, l'étude nuance l'idée reçue selon laquelle les politiques vision-langage-action à grande échelle nécessitent systématiquement des infrastructures massives ou un professeur privilégié à état complet. Cela intéresse directement les intégrateurs travaillant sur AMR et quadrupèdes à budget de calcul limité. Ce résultat s'inscrit dans la lignée des travaux combinant simulation différentiable (type Isaac Gym) et contrôle prédictif pour la locomotion de robots à pattes, un axe de recherche actif face aux approches par distillation professeur-élève à partir d'état privilégié. Il s'agit d'un preprint académique sans annonce de déploiement commercial ni de partenaire industriel ; les prochaines étapes attendues concernent l'extension à d'autres plateformes et tâches de manipulation bimanuelle.

RecherchePaper

1 source

2arXiv cs.RO

Apprentissage de politiques visuomotrices robustes par correspondance de flux à trajectoires cohérentes

Une équipe de recherche publie sur arXiv (arXiv:2605.08511, mai 2026) une méthode pour corriger un défaut structurel des politiques de type flow matching appliquées à la manipulation robotique. Ces architectures apprennent des champs de vitesse continus pour convertir du bruit en séquences d'actions, permettant une inférence déterministe rapide. Le problème identifié est un écart fondamental entre entraînement et inférence : l'objectif d'entraînement optimise une vitesse ponctuelle, tandis que l'inférence requiert l'intégration numérique de ce champ sur une trajectoire complète. Les erreurs s'accumulent et dégradent les performances. La méthode proposée, baptisée TC-Flow, associe quatre correctifs complémentaires : une régression de vitesse par rectified flow auxiliaire pour une supervision uniforme sur l'intervalle temporel, un entraînement par cohérence de trajectoire multi-étapes qui supervise directement le déplacement intégré, une régularisation du champ de vitesse pour forcer la continuité temporelle, et un intégrateur de Runge-Kutta d'ordre 4 (RK4) à l'inférence pour réduire l'erreur de discrétisation. Un encodeur de nuage de points 3D à double vue, basé sur deux PointNet indépendants, complète l'architecture. Validée sur un bras Franka et un robot quadrupède Boston Dynamics Spot, la méthode atteint 70 % et 60 % de succès sur deux tâches longue-horizon multi-phases où les deux baselines de référence stagnent à 0 %, et 100 % sur une tâche de placement d'outil de précision. Trois tâches de simulation MetaWorld confirment les gains. Ce résultat est significatif pour les équipes qui développent des VLAs (vision-language-action) basées sur le flow matching : il démontre que le sim-to-real gap et l'échec sur les tâches longue-horizon ne viennent pas nécessairement de la représentation sensorielle ou de la politique en elle-même, mais du désalignement train-inférence. Le passage de 0 % à 60-70 % sur les mêmes tâches en corrigeant uniquement cet écart est un signal fort. L'ablation confirme que les quatre composants sont nécessaires en synergie : RK4 seul sans champ lisse échoue, et la régularisation sans supervision trajectoire dérive quand même. Dans le contexte du marché, le flow matching pour la robotique a été popularisé par Physical Intelligence avec pi-0, qui domine aujourd'hui les benchmarks de manipulation généraliste, et par des travaux comme ACT ou Diffusion Policy. TC-Flow se positionne comme une correction algorithmique orthogonale, applicable à toute architecture flow matching existante. Il s'agit d'un preprint arXiv sans code public annoncé à ce stade, ni déploiement industriel. Les prochaines étapes naturelles seraient une validation sur des tâches bi-manuelles ou sur des plateformes humanoïdes, terrain où les erreurs cumulées de trajectoire sont particulièrement pénalisantes.

RechercheOpinion

1 source

3arXiv cs.RO

E²DT : Decision Transformer efficace avec échantillonnage guidé par l'expérience pour la manipulation robotique

Une équipe de chercheurs a publié en mai 2026 sur arXiv (référence 2605.00159) un nouveau cadre d'apprentissage par renforcement pour la manipulation robotique, baptisé E²DT (Efficient and Effective Decision Transformer). Le système s'appuie sur l'architecture Decision Transformer (DT), qui traite l'apprentissage par renforcement comme un problème de modélisation de séquences, et y intègre un mécanisme de sélection d'expériences fondé sur un k-Processus Ponctuel Déterminantal (k-DPP). Concrètement, E²DT remplace le replay uniforme standard par un échantillonnage guidé combinant trois critères : le retour cumulatif attendu (return-to-go, RTG), l'incertitude prédictive du modèle, et la représentativité des phases de la tâche via une fréquence inverse. La méthode est évaluée sur des benchmarks de manipulation robotique en simulation et sur robot réel, et surpasse systématiquement les approches antérieures, selon les auteurs. Le problème adressé est concret et bien connu des équipes de R&D : le Decision Transformer standard tire ses trajectoires d'entraînement de façon uniforme depuis le replay buffer, ce qui aboutit à une mauvaise efficacité d'échantillonnage, une exploration limitée et une convergence sous-optimale, particulièrement pénalisant sur des tâches à long horizon où les transitions rares sont décisives. E²DT propose un noyau joint qualité-diversité qui force le modèle à sélectionner activement les expériences les plus informatives, en mesurant la diversité via les embeddings latents internes du DT lui-même. Pour les intégrateurs industriels travaillant sur des bras manipulateurs ou des cellules robotisées, cela ouvre un chemin vers des politiques robustes avec moins de données de démonstration, réduisant potentiellement les cycles de mise en production. Le Decision Transformer, introduit par Chen et al. en 2021, a rapidement été adopté comme référence dans de nombreux travaux de manipulation. Ses faiblesses liées au replay passif ont déjà motivé des variantes comme l'Online Decision Transformer ou des approches à expérience replay prioritaire (PER). E²DT s'inscrit dans cette lignée en combinant diversité et qualité composite dans un unique cadre d'échantillonnage. Aucune affiliation industrielle ni timeline de déploiement n'est mentionnée dans le preprint : il s'agit d'une contribution académique, sans produit ni partenariat annoncé à ce stade.

RecherchePaper

1 source

4arXiv cs.RO

BayesFP : estimation a posteriori pour les politiques à base de flux via l'échantillonnage de Feynman-Kac

BayesFP est une méthode d'échantillonnage présentée sur arXiv (2606.21014, version 2) qui permet de contraindre des politiques robotiques génératives préentraînées, sans les réentraîner. Les auteurs traitent la génération de trajectoires sous contraintes comme un problème d'inférence bayésienne. La distribution apprise à partir des démonstrations d'experts joue le rôle d'a priori. Une vraisemblance dérivée d'une fonction de coût, définie uniquement au moment de l'inférence, la déforme vers des trajectoires faisables et optimales. Pour échantillonner cette loi a posteriori, l'équipe reprend le cadre des correcteurs de Feynman-Kac, conçu à l'origine pour les modèles de diffusion, et l'étend aux politiques de flow matching déterministes. Le résultat est un échantillonneur unique, valable pour les politiques de diffusion comme de flow. Il a été validé sur des checkpoints préentraînés de Diffusion Policy, de GR00T-N1.6 et de π0.5, en simulation et sur des tâches de manipulation réelles. Parmi ces tâches figure la planification autour d'obstacles non convexes introduits seulement à l'inférence. Les auteurs annoncent aussi des gains par rapport à π0.5 de base sur des tâches en zéro-shot. Le résumé ne donne ni taux de réussite, ni nombre d'essais, ni coût de calcul. L'enjeu est très concret pour les intégrateurs. Les politiques VLA (vision-langage-action) et de diffusion imitent bien les démonstrations, mais elles n'offrent aucun moyen propre d'imposer une règle de sécurité ou un nouvel obstacle absent des données d'entraînement. Aujourd'hui, on réentraîne, on ajuste finement, ou on ajoute un filtre de sécurité qui peut sortir la trajectoire de la distribution apprise. Une approche qui injecte un coût à l'exécution, sans toucher aux poids, ouvre la voie à des cellules reconfigurables sans nouvelle collecte de données. Le fait qu'elle fonctionne sur trois familles de modèles différentes est un argument en faveur de sa généralité. Il faut toutefois rester prudent. Le texte ne chiffre pas la latence ajoutée par l'échantillonnage, un point critique pour le contrôle temps réel. Il ne dit pas non plus si les expériences réelles couvrent des tâches variées ou quelques scénarios choisis. Ce travail s'inscrit dans un courant de recherche sur le guidage à l'inférence des modèles génératifs, déjà actif en génération d'images et de molécules, dont les correcteurs de Feynman-Kac sont issus. Les politiques de flow comme π0.5 (Physical Intelligence) et GR00T-N1.6 (NVIDIA) sont devenues des bases courantes, mais leur contrôle reste limité à la consigne en langage naturel. D'autres approches de guidage par gradient ou par classifieur existent, et la comparaison directe avec elles sera à surveiller dans la version complète. Les prochaines étapes probables sont un code public, des mesures de temps de cycle et un essai sur des tâches longues avec contraintes de sécurité réelles, par exemple en collaboration homme-robot.

RecherchePaper

1 source