Laboratoire compact : apprentissage par imitation aligné sur la tâche pour l'automatisation

L'équipe de recherche à l'origine de l'article présente TVF-DiT, un système compact d'apprentissage par imitation destiné à l'automatisation de laboratoires. Le modèle aligne un modèle de vision auto-supervisé avec un modèle vision-langage via un adaptateur compact, puis couple l'ensemble à un expert d'action basé sur un Diffusion Transformer. L'architecture complète totalise moins de 500 millions de paramètres, ce qui permet une inférence sur des GPU à faible VRAM, contrairement aux modèles fondation classiques utilisés en robotique. Testé sur trois tâches réelles de laboratoire, nettoyage de tubes à essai, rangement de tubes à essai et transfert de poudre, le système atteint un taux de réussite moyen de 86,6%, nettement supérieur aux autres approches légères comparées dans l'étude. Les chercheurs notent également que des prompts de tâche plus détaillés améliorent l'alignement vision-langage et les performances globales.

Ce résultat compte parce qu'il attaque un vrai goulot d'étranglement de l'automatisation de laboratoire: les techniques d'apprentissage par imitation les plus performantes reposent en général sur de gros modèles fondation, gourmands en calcul, difficiles à déployer sur du matériel de laboratoire standard. En démontrant qu'un modèle compact, correctement aligné, peut approcher les performances de systèmes plus lourds sur des tâches réelles et non simulées, l'étude apporte un argument concret contre l'idée que seule l'échelle garantit la généralisation. Pour les intégrateurs et décideurs qui équipent des laboratoires automatisés, cela ouvre la porte à des déploiements moins coûteux en infrastructure GPU, sans sacrifier la flexibilité promise par l'apprentissage par imitation face aux pipelines de mouvement codés à la main.

L'automatisation de laboratoire s'est longtemps appuyée sur des pipelines de mouvement conçus sur mesure et des interfaces matérielles spécifiques à chaque tâche, coûteuses à développer et peu adaptables à de nouveaux protocoles. Les approches récentes d'apprentissage par imitation, popularisées dans la robotique générale par des modèles vision-langage-action, ont montré qu'un robot pouvait apprendre des comportements généraux à partir de démonstrations, mais au prix de ressources de calcul importantes. TVF-DiT s'inscrit dans cette lignée en cherchant à réduire ce coût computationnel tout en conservant l'essentiel des capacités. L'article, publié en version révisée sur arXiv, ouvre la voie à des validations sur davantage de tâches et de configurations matérielles avant d'envisager un déploiement plus large en environnement industriel ou académique.