RecherchearXiv cs.RO 30 juillet 2026

DLAM : actions latentes distribuées avec contraintes temporelles

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Les vision-language-action models, ou VLA, souffrent d'un problème structurel : les données robotiques annotées en actions restent rares, alors que les vidéos sans étiquette d'action, elles, abondent pour observer le changement physique. Une nouvelle méthode nommée DLAM (Distributional Latent Actions with Temporal Constraints), présentée dans un article publié fin juillet 2026 sur arXiv, s'attaque à ce goulot d'étranglement. Contrairement aux modèles d'actions latentes classiques, qui apprennent par reconstruction sans structure temporelle garantie, DLAM représente chaque transition entre deux images comme une gaussienne diagonale. La moyenne est ancrée dans le changement visuel observé via une reconstruction conditionnée sur l'image de référence, tandis qu'une composition normalisée et une opération de réversion, appliquées sur des triplets à intervalles égaux, contraignent à la fois la moyenne et la variance dimension par dimension. Un coefficient de corrélation partagé, léger en calcul, gère la dépendance entre transitions adjacentes qui partagent une image intermédiaire. Pour l'apprentissage de politiques en aval, l'encodeur est gelé et une politique par flow-matching est entraînée à générer conjointement les séquences de transitions moyennes et les actions du robot.

L'enjeu dépasse la seule prouesse technique : il s'agit de savoir si l'on peut extraire des priors d'action fiables depuis de la vidéo brute pour compenser la pénurie de données robotiques étiquetées, un problème central pour quiconque veut entraîner des politiques de manipulation à grande échelle sans multiplier les téléopérations coûteuses. Les méthodes structurées existantes ajoutaient déjà des contraintes temporelles, mais avec des points de transition déterministes, ce qui laissait les erreurs résiduelles se propager et s'amplifier lors de compositions récursives. En modélisant l'incertitude explicitement plutôt qu'en la masquant, DLAM démontre une dynamique latente plus cohérente dans le temps sur des transitions non vues, avec une meilleure reconstruction directe et cumulative. Transféré selon le même protocole contrôlé que le modèle π0 de Physical Intelligence, il améliore aussi les performances de politique sur les bancs d'essai MetaWorld MT50, LIBERO et sur des tâches de manipulation en conditions réelles.

Les ablations menées par les auteurs précisent la hiérarchie des gains : les contraintes normalisées sur la moyenne expliquent l'essentiel de l'amélioration en reconstruction, tandis que la variance apprise et la composition tenant compte des corrélations apportent des gains complémentaires, plus marginaux. Ce travail s'inscrit dans la lignée des recherches sur les modèles d'actions latentes visant à combler l'écart entre l'abondance de vidéos d'action non étiquetées et la rareté des données robotiques annotées, un axe désormais central pour l'entraînement des politiques VLA à l'échelle.

Dans nos dossiers

Physical Intelligence — π0 arXiv cs.RO

À lire aussi

1arXiv cs.RO

Sélection d'actions temporelle pour le regroupement d'actions

Une nouvelle approche algorithmique cherche à résoudre l'un des compromis fondamentaux de l'apprentissage par démonstration (LfD) en robotique. Publiée sur arXiv (2511.04421v2), la méthode baptisée Temporal Action Selection (TAS) s'attaque à un défaut structurel de l'action chunking, technique désormais standard qui consiste à prédire et exécuter des blocs de plusieurs actions plutôt que des décisions pas-à-pas. Le problème : en ne décidant qu'une fois l'ensemble du bloc exécuté, les systèmes basés sur l'action chunking voient leur fréquence de décision baisser mécaniquement, dégradant leur réactivité face aux perturbations ou aux environnements dynamiques. TAS propose une solution sans compromis : au lieu de choisir entre réactivité et cohérence des décisions, l'algorithme met en cache les blocs d'actions prédits à plusieurs pas de temps successifs, puis utilise un réseau sélecteur léger pour choisir dynamiquement l'action optimale à chaque instant. Les expériences menées sur plusieurs tâches, avec différentes architectures de politique de base, montrent une amélioration significative des taux de succès, tant en simulation que sur robots physiques. L'enjeu dépasse le cadre académique. L'action chunking est au coeur des politiques visuomotrices modernes, notamment les architectures VLA (Vision-Language-Action), largement utilisées dans les robots humanoïdes et manipulateurs actuels. Sa faiblesse face aux perturbations dynamiques constitue l'un des principaux obstacles à la robustesse en production réelle, au-delà des environnements contrôlés de démonstration. TAS démontre qu'il est possible d'obtenir simultanément une cohérence décisionnelle élevée et une réactivité fine, sans redessiner entièrement la politique de base. L'intégration de TAS comme couche intermédiaire dans un pipeline de reinforcement learning résiduel améliore de surcroît l'efficacité d'entraînement et le plafond de performance, ce qui ouvre une voie pratique pour le fine-tuning de politiques pré-entraînées sur des tâches exigeantes. L'action chunking a été popularisée notamment par des travaux comme ACT (Action Chunked Transformer) de l'Université Stanford, devenus des références LfD depuis 2023. La tension entre fréquence de décision et cohérence n'est pas nouvelle, mais les tentatives précédentes se soldaient généralement par des arbitrages sous-optimaux. TAS se positionne comme une solution légère et modulaire, compatible avec les architectures existantes, ce qui facilite son adoption sans refonte de pipeline. Aucune commercialisation ni déploiement industriel n'est annoncé à ce stade, le travail restant au niveau de la preuve de concept académique. Les prochaines étapes naturelles incluront l'évaluation sur des plateformes humanoïdes en conditions réelles, où la gestion des perturbations dynamiques est un critère critique de qualification.

RechercheOpinion

1 source

2arXiv cs.RO

ALAM : des transitions latentes algébriquement cohérentes pour les modèles VLA

Une équipe de chercheurs publie sur arXiv (2605.10819) ALAM, un modèle d'action latente algébriquement cohérent conçu pour lever le principal frein au passage à l'échelle des modèles VLA (vision-language-action) : la rareté des données robot étiquetées par des actions. La méthode exploite des vidéos sans annotation d'action pour apprendre des transitions latentes structurées, en soumettant des triplets d'images à deux contraintes algébriques : cohérence par composition (la combinaison de deux transitions doit être une transition valide) et cohérence par inversion (une transition doit être réversible). L'encodeur ainsi pré-entraîné est ensuite gelé, et ses séquences de transitions latentes servent de cibles génératives auxiliaires, co-générées avec les actions robot via un objectif de flow matching conjoint. Sur MetaWorld MT50, ALAM fait passer le taux de succès moyen de 47,9 % à 85,0 %. Sur LIBERO, il progresse de 94,1 % à 98,1 %. Les erreurs d'additivité et de réversibilité sont réduites de 25 à 85 fois par rapport aux baselines de modèles d'action latente non structurés. Ces résultats sont significatifs pour les équipes qui développent des politiques robotiques généralisées. Le goulot d'étranglement des données étiquetées freine depuis plusieurs années la commercialisation des VLA : collecter des démonstrations téléopérées est coûteux et lent à l'échelle industrielle. ALAM démontre qu'il est possible d'extraire une géométrie de transition utile depuis des vidéos brutes, YouTube, flux industriels, simulations sans annotation, et de la transférer efficacement vers une politique opérationnelle. La structure algébrique du latent n'est pas seulement un artefact de représentation : les ablations confirment que c'est la synergie entre cette cohérence locale et le flow matching conjoint qui produit les gains les plus nets, ce qui valide une hypothèse longtemps débattue sur la nécessité d'une structure explicite dans les espaces d'action latente. Le contexte est celui d'une compétition dense autour des VLA généralisés. Physical Intelligence (pi0), NVIDIA (GR00T N2), Figure (Helix) et Google DeepMind investissent massivement dans des architectures capables de généraliser à de nouvelles tâches avec peu de données. Les approches antérieures de latent action learning (comme IDM ou des variantes GROOT) apprenaient des codes latents par reconstruction pure, sans garantie structurelle, ce qu'ALAM corrige explicitement. L'étape suivante naturelle serait de tester la méthode sur des benchmarks réels plus diversifiés et sur des horizons de tâche plus longs, deux axes où les VLA actuels montrent encore des fragilités documentées.

RechercheOpinion

1 source

3arXiv cs.RO

CLAM : modèles d'action latente continue pour l'apprentissage robotique à partir de démonstrations non étiquetées

Un nouveau papier arXiv (2505.04999v2, version révisée) présente CLAM, pour Continuous Latent Action Models, une méthode d'apprentissage de politiques de contrôle robotique qui se passe des démonstrations à actions étiquetées, coûteuses à collecter en téléopération. Le principe : à partir de simples séquences d'observations (sans étiquette d'action), un modèle infère des actions latentes continues entre deux images consécutives via une prédiction de dynamique auto-supervisée. Pour transformer ces actions latentes en commandes moteur réellement exécutables, les chercheurs entraînent conjointement un décodeur d'actions sur un petit volume de données dites "de jeu" (play data), c'est-à-dire des interactions non ciblées sur une tâche précise mais qui, elles, comportent des actions étiquetées. Les tests couvrent la locomotion sur DMControl, la manipulation sur MetaWorld, et des tâches réelles sur un bras robotique WidowX. Résultat annoncé : un taux de réussite moyen multiplié par 2 à 3 par rapport aux précédentes méthodes à actions latentes, avec des performances qui se rapprochent du behavior cloning entraîné sur des actions expertes complètes, la référence "privilégiée" du domaine. L'enjeu dépasse la seule performance technique : le goulot d'étranglement de l'apprentissage par imitation reste la collecte de démonstrations étiquetées, un processus lent et onéreux en téléopération. Si des politiques efficaces peuvent être apprises depuis de simples vidéos ou séquences d'observations, cela ouvre la voie à des jeux de données bien plus larges et moins chers à constituer, en combinant une masse de démonstrations non étiquetées avec un minimum de données annotées. Il faut toutefois noter que la validation reste majoritairement en simulation, avec un unique bras WidowX pour la partie matérielle réelle : il s'agit d'une preuve de concept académique, pas d'un déploiement industriel à l'échelle. CLAM s'inscrit dans la lignée des travaux sur les modèles d'action latente et de monde pour la robotique, qu'il cherche explicitement à surpasser en tant que base de comparaison. Il se distingue de l'approche dominante des modèles vision-langage-action comme Pi-0 ou GR00T N2, qui reposent sur de vastes corpus d'actions étiquetées. Code et vidéos sont publiés sur clamrobot.github.io, laissant la porte ouverte à des reproductions et extensions par la communauté.

RecherchePaper

1 source

4arXiv cs.RO

Motion Generation avec contraintes environnementales

Un nouveau preprint arXiv (2607.25053, publié fin juillet 2026) propose une approche baptisée Environmental Constraint Exploitation (ECE) pour la planification de mouvement en robotique. Le constat de départ est classique : dans les espaces de configuration à haute dimension, la planification sans collision devient rapidement coûteuse en calcul et fragile face à l'incertitude sur l'environnement. Les auteurs renversent la logique habituelle en proposant d'exploiter délibérément le contact avec l'environnement plutôt que de le fuir systématiquement. Concrètement, la méthode intègre cette exploitation de contraintes environnementales dans des planificateurs de type RRT (Rapidly-exploring Random Tree), en biaisant l'exploration vers les régions pertinentes pour la tâche et en utilisant le contact physique comme moyen de réduire l'incertitude pendant l'exécution du mouvement. Les auteurs indiquent avoir validé l'approche à la fois en simulation et lors d'une application concrète en conditions réelles, sans toutefois préciser dans le résumé le type de robot ni le contexte industriel exact. L'intérêt pour le secteur tient au changement de paradigme proposé : la quasi-totalité des planificateurs de mouvement déployés en usine ou en logistique traitent tout contact non voulu comme un échec à éviter à tout prix, ce qui impose des marges de sécurité coûteuses en temps de cycle et en flexibilité. Une planification qui utilise le contact comme information plutôt que comme risque pourrait simplifier des tâches où un robot doit évoluer dans des espaces encombrés, glisser le long d'une surface ou stabiliser sa trajectoire en s'appuyant sur son environnement, un enjeu pertinent aussi bien pour les bras manipulateurs en entrepôt que pour les humanoïdes appelés à travailler dans des environnements non structurés. Le papier se présente lui-même comme une consolidation et une extension de travaux antérieurs des mêmes auteurs sur ce concept d'exploitation des contraintes environnementales, plutôt qu'une rupture inédite. À ce stade, il s'agit d'un résultat académique publié en preprint, sans affiliation industrielle ni feuille de route de commercialisation mentionnée : la contribution reste à ce jour du côté de la recherche fondamentale en planification robotique, avec un potentiel de transfert vers l'industrie qui reste à démontrer sur des cas d'usage à plus grande échelle.

RecherchePaper

1 source