Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Domain Arithmetic : adaptation VLA en un essai face aux changements environnementaux
RecherchearXiv cs.RO 

Domain Arithmetic : adaptation VLA en un essai face aux changements environnementaux

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

Des chercheurs du SNU MPR Lab (Seoul National University) publient sur arXiv (arXiv:2607.00666v1) une méthode baptisée DART, pour Domain ARiThmetic, qui permet d'adapter un modèle Vision-Language-Action (VLA) à un nouvel environnement à partir d'une seule démonstration, contre plusieurs dizaines habituellement nécessaires. Le problème visé est concret : un modèle VLA entraîné sur un bras Panda avec une caméra à un angle donné échoue souvent dès que la caméra bouge ou que le robot change, par exemple pour un UR5e. DART traite ce décalage comme un problème d'arithmétique de vecteurs de poids, en isolant l'information spécifique au nouveau domaine et en l'ajoutant au modèle d'origine, grâce à un alignement de sous-espaces entre composantes singulières qui filtre le bruit. Les auteurs rapportent de meilleures performances que les méthodes d'adaptation VLA existantes, en simulation comme sur des essais réels, avec du code publié sur GitHub (snumprlab/dart).

Pour les intégrateurs et les équipes robotique, l'enjeu dépasse l'exercice académique : le coût de collecte de démonstrations reste l'un des principaux freins au déploiement des politiques VLA hors laboratoire, chaque cellule de production ayant sa propre configuration de caméra, son propre bras et ses propres contraintes. Réduire ce besoin à une seule démonstration attaquerait directement le goulot d'étranglement qui empêche les modèles comme Pi-0, GR00T N2 ou Helix de passer de la démo contrôlée au déploiement multi-site sans réentraînement coûteux à chaque nouvelle installation.

DART s'inscrit dans la lignée des travaux sur l'arithmétique de tâches appliquée initialement aux grands modèles de langage, transposée ici aux modèles de fondation robotiques. Le champ de l'adaptation VLA reste actif et concurrentiel, porté par Physical Intelligence, Nvidia ou Figure sur leurs propres architectures. À ce stade, DART demeure une contribution académique validée par ses seuls auteurs, sans acteur français ou européen impliqué ; sa généralisation à d'autres paires de robots et à des VLA tiers reste à démontrer avant toute adoption industrielle.

Dans nos dossiers

NVIDIA GR00TPhysical Intelligence — π0arXiv cs.RO

À lire aussi

Vers une navigation en terrain accidenté adaptée aux capacités pour environnements non structurés
1arXiv cs.RO 

Vers une navigation en terrain accidenté adaptée aux capacités pour environnements non structurés

Le 24 juillet 2026, une équipe de recherche a publié sur arXiv (2607.20679) un article présentant CAT (Capability-Aware Traversability), un framework de navigation robotique qui conditionne l'estimation de la franchissabilité du terrain à l'embodiment physique du robot. Le principe : un même obstacle ou un même sol peut être traversable pour une plateforme et dangereux pour une autre, selon son poids, sa garde au sol ou son type de locomotion. CAT encode ces contraintes physiques directement dans l'espace de représentation spatiale, via des blocs SPADE (Spatially-Adaptive Denormalization) qui modulent des cartes sémantiques de terrain avec des vecteurs de traversabilité propres à chaque robot. Le système s'appuie aussi sur un pipeline d'annotation interactif ancrant les masques de supervision dans des trajectoires physiques réellement exécutées. Sur des jeux de données annotés par des humains et alignés sur des trajectoires réelles, CAT améliore l'AUROC de 11,0% sur les trajectoires exécutées physiquement et l'AUPRC de 15,8% sur les traces humaines, par rapport à la meilleure méthode de référence. Le système a été déployé sur un quadrupède à pattes et un robot à roues à direction différentielle (skid-steer), tournant à 4,8 Hz sur du matériel embarqué. L'enjeu dépasse la simple performance de classement : la plupart des méthodes existantes transfèrent leurs prédictions d'une morphologie à une autre par filtrage tardif des trajectoires, sans jamais encoder explicitement les limites physiques du robot dans la représentation apprise. CAT propose l'inverse, une conditionnalité intégrée dès la couche de perception. Pour les intégrateurs de flottes hétérogènes (quadrupèdes, AMR à roues, futurs humanoïdes), c'est une piste concrète pour mutualiser un même modèle de terrain tout en respectant les contraintes spécifiques de chaque plateforme, plutôt que de multiplier les modèles ou les règles de sécurité ad hoc en aval. Ce travail s'inscrit dans une tendance plus large de la recherche en navigation robotique en environnement non structuré, où la conditionnalité à l'embodiment devient un axe distinct de l'apprentissage de trajectoires génériques. Les auteurs montrent par ablation que le conditionnement spatial et les prototypes par robot apportent une sensibilité à la capacité que la seule prédiction de chemin ne capture pas. L'article reste au stade de preprint arXiv, sans indication de mise en production ou de partenariat industriel à ce stade.

RecherchePaper
1 source
WARP-VLA : adaptation de la caméra de poignet pour une exécution robuste aux changements de point de vue dans les modèles vision-langage-action
2arXiv cs.RO 

WARP-VLA : adaptation de la caméra de poignet pour une exécution robuste aux changements de point de vue dans les modèles vision-langage-action

WARP-VLA, un modèle décrit dans un preprint arXiv (2610.11508v1), s'attaque à une faiblesse connue des modèles Vision-Language-Action (VLA) pour la manipulation robotique : leur sensibilité à la configuration des caméras. Les auteurs ciblent en particulier la caméra montée au poignet, dont le point de vue se déplace avec le robot. Un léger écart de fixation suffit alors à modifier les indices géométriques fins dont dépend la politique. Leur solution repose sur une architecture Mixture-of-Experts (MoE) : chaque expert apprend une transformation de features propre à un type de vue, et un routeur les combine à partir d'informations de vue implicites. La politique peut ainsi être déployée sans fournir les paramètres extrinsèques de la caméra en entrée. Sur le benchmark LIBERO, le taux de succès moyen de pi-0.5 passe de 39,2 % à 78,3 % sous perturbations de la vue poignet, soit un doublement. Des essais sur robot réel indiquent que l'adaptation au niveau des features, apprise en simulation, se transfère à plusieurs configurations de déploiement. Le benchmark de robustesse aux points de vue poignet et une implémentation « plug-and-play » sont publiés. Ce résultat touche un point bloquant du passage des VLA du laboratoire à l'atelier. Reproduire exactement la pose de caméra utilisée à l'entraînement est quasi impossible d'un site à l'autre. Les supports se desserrent, les intégrateurs choisissent des fixations différentes et les générations de robots varient. Une politique qui perd la moitié de ses performances pour un déplacement modéré du capteur oblige à recalibrer ou à réentraîner à chaque déploiement, ce qui pèse directement sur les coûts d'intégration. Le gain mesuré sur pi-0.5 montre que cette fragilité vient en bonne part de la représentation visuelle, et qu'on peut la corriger sans exiger les extrinsèques en entrée. Il faut toutefois rester prudent : les chiffres viennent surtout de LIBERO, un benchmark simulé aux tâches relativement standardisées. Le résumé ne chiffre pas la performance sur robot réel, ni le nombre de plateformes, de tâches ou d'essais. Le taux de 78,3 % reste aussi nettement inférieur à ce qu'exigerait une exploitation industrielle, et le texte fourni ne dit pas quel est le niveau de référence sans perturbation. Le travail s'inscrit dans une série de recherches sur la robustesse des VLA aux changements de point de vue, après l'essor de modèles généralistes comme pi-0 et pi-0.5 de Physical Intelligence. Ces modèles sont entraînés sur des données massives, mais avec des configurations de caméras peu variées. Les approches concurrentes passent par l'augmentation de données multi-vues, la randomisation de domaine ou l'injection explicite de la géométrie de caméra. WARP-VLA évite l'entrée extrinsèque et mise sur un routage implicite, ce qui simplifie le déploiement. Le code et le benchmark publics permettront à d'autres équipes de comparer leurs méthodes, une étape utile avant toute validation en conditions de production. Aucune annonce de pilote industriel n'accompagne ce preprint, qui n'a pas encore été évalué par des pairs.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Comment fonctionnent réellement les VLA en environnements ouverts
3arXiv cs.RO 

Comment fonctionnent réellement les VLA en environnements ouverts

Un article de recherche publié sur arXiv (référence 2604.21192) soumet les modèles vision-langage-action (VLA) à une évaluation critique sur le benchmark BEHAVIOR1K (B1K), un protocole simulant des tâches domestiques complexes de longue durée dans des environnements ouverts. Le constat est net : les métriques standards de ces benchmarks, taux de succès ou score partiel, ne mesurent que l'état final des objets manipulés, indépendamment des événements qui y ont conduit. Un robot qui renverse un verre avant de le replacer peut ainsi obtenir le même score qu'un robot qui l'a manipulé sans incident. Ce protocole dit "progress-agnostic" ignore entièrement les comportements dangereux en cours d'exécution. Les chercheurs ont soumis plusieurs VLA de pointe à une analyse multidimensionnelle couvrant robustesse, reproductibilité, violations de sécurité et causes d'échec des tâches. Les implications sont directes pour tout acteur envisageant un déploiement réel. Si les métriques actuelles gonflent artificiellement les performances rapportées, les décisions d'intégration basées sur ces benchmarks reposent sur des bases fragiles. La distinction est capitale entre un modèle qui complète une tâche et un modèle qui la complète de façon sûre et reproductible, deux propriétés que les scores agrégés actuels confondent. Les auteurs proposent de nouveaux protocoles d'évaluation capables de capturer les violations de sécurité, comblant un angle mort majeur de la recherche. Pour un intégrateur ou un décideur industriel, cela signifie que les chiffres de "success rate" publiés par les laboratoires doivent être lus avec prudence, en exigeant explicitement des données de reproductibilité et des métriques comportementales. La course aux VLA s'est accélérée depuis 2024 avec des modèles comme pi0 de Physical Intelligence, GR00T N2 de NVIDIA, ou OpenVLA issu de Stanford et Berkeley. Ces systèmes combinent une fondation vision-langage avec un module d'action, affichant des capacités de généralisation notables en simulation. Ce papier suggère que le fossé simulation-réel est peut-être plus profond qu'estimé : des modèles performants sur B1K pourraient s'avérer moins fiables dès lors qu'on intègre sécurité et consistance comportementale comme critères d'évaluation. Les auteurs appellent la communauté à adopter ces nouveaux protocoles dans les futures éditions du B1K Challenge pour aligner les standards de recherche avec les exigences concrètes du déploiement en environnement ouvert.

RechercheOpinion
1 source
Planification de trajets robotiques adaptée à la congestion en environnements encombrés
4arXiv cs.RO 

Planification de trajets robotiques adaptée à la congestion en environnements encombrés

Des chercheurs ont publié sur arXiv (réf. 2606.19031, juin 2026) un planificateur de tournées probabiliste pour robots mobiles autonomes (AMR) en espaces publics encombrés. Le système vise à guider un robot de service, qu'il soit guide en centre commercial, livreur en entrepôt de préparation de commandes ou médiateur muséal, à travers une séquence de points de passage en tenant compte du comportement stochastique des foules. L'approche repose sur des cartes CLiFF (Circular Linear Flow Field), des modèles statistiques appris qui prédisent les trajectoires piétonnes à partir d'une observation initiale. Ces prédictions alimentent un processus de décision markovien (MDP) résolu en ligne, autorisant un recalcul d'itinéraire à chaque nouvelle observation de passants. La validation s'appuie sur un jeu de données réel collecté dans un centre commercial. Le problème est concret et régulièrement sous-estimé dans les déploiements AMR : les manoeuvres d'évitement de collision déclenchées par la présence humaine dégradent les temps de cycle de manière non linéaire, particulièrement dans les espaces à densité variable selon l'heure de la journée. Traiter la foule comme un processus stochastique temporel plutôt que comme un simple bruit à filtrer représente un changement d'approche pertinent pour les intégrateurs opérant en logistique retail ou en accueil public. La contribution d'ingénierie centrale est la replanification en ligne sans recalcul global du MDP, ce qui conditionne l'utilisabilité réelle en environnement dynamique. A noter : les métriques de performance (gains de temps de cycle, taux de succès de tournée) ne sont pas quantifiées dans le résumé publié, et l'évaluation reste limitée à un seul site, ce qui limite la généralisation des conclusions. Les cartes CLiFF constituent un cadre existant de modélisation des flux piétons, ici couplé pour la première fois à un MDP online dans un contexte de planification multi-points de passage. La navigation sociale est un champ de recherche actif depuis une décennie, avec des approches concurrentes basées sur les modèles de force sociale, le protocole ORCA, ou des méthodes d'apprentissage profond sur trajectoires piétonnes (GNN, Transformer). Ce travail reste au stade de preprint académique, sans partenaire industriel ni déploiement commercial annoncé. La prochaine étape logique serait une validation multi-sites et une comparaison quantitative directe avec ces méthodes concurrentes, en particulier sur des géométries d'espaces plus complexes et des horizons temporels plus longs.

RecherchePaper
1 source