Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
FibVLA : un modèle vision-langage-action temporel efficace avec échantillonnage de Fibonacci
RecherchearXiv cs.RO 

FibVLA : un modèle vision-langage-action temporel efficace avec échantillonnage de Fibonacci

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

FibVLA, un nouveau modèle vision-langage-action (VLA) présenté dans un article publié sur arXiv (2607.29596v1), s'attaque à un problème central des architectures actuelles: la difficulté à exploiter l'historique temporel sans sacrifier la vitesse d'inférence en temps réel. Les VLA classiques se contentent généralement de la perception du moment présent; ceux qui tentent d'intégrer un contexte long souffrent d'une chute de performance liée à l'encodage de séquences étendues. FibVLA propose deux mécanismes pour résoudre ce compromis: un échantillonnage rétrospectif logarithmique (logarithmic hindsight sampling) appliqué aux états proprioceptifs et aux images, qui capture les dépendances temporelles longue durée avec un minimum de redondance, et un module d'action reposant sur le flow matching couplé à une stratégie d'inférence récurrente dite "Fibonacci", générant des plans d'action sur un horizon étendu à partir d'un retour en boucle fermée en temps réel. Les auteurs rapportent une amélioration nette de la fluidité des mouvements et des taux de réussite, sans avoir besoin de réentraîner les encodeurs visuels de grande taille.

Cette approche répond à une tension concrète pour l'industrie robotique: les intégrateurs veulent des robots capables de raisonner sur une séquence d'actions passées, pas seulement sur l'image instantanée, mais chaque milliseconde d'inférence compte pour un contrôle en boucle fermée. Si les résultats se confirment à plus grande échelle, FibVLA illustrerait qu'il est possible d'obtenir un raisonnement temporel étoffé sans payer le prix habituel en latence, un point sensible dans le débat sur l'écart entre démonstrations impressionnantes et déploiement industriel réel.

FibVLA s'inscrit dans une lignée de modèles VLA qui cherche à généraliser l'IA incarnée, aux côtés d'approches comme RT-2, OpenVLA, Pi-0 ou GR00T N2, où la gestion efficace du contexte temporel reste un défi ouvert. L'article ne précise pas de partenariat industriel ni de calendrier de déploiement; il s'agit à ce stade d'un travail de recherche évalué en conditions réelles limitées, dont la prochaine étape logique serait une validation sur des plateformes robotiques plus variées et des tâches de manipulation plus complexes.

Dans nos dossiers

IA physique & VLANVIDIA GR00TOpenVLA / RT-XarXiv cs.RO

À lire aussi

TS-Mask VLA : masquage spatio-temporel 2D pour un modèle vision-langage-action avec pontage efficace
1arXiv cs.RO 

TS-Mask VLA : masquage spatio-temporel 2D pour un modèle vision-langage-action avec pontage efficace

Une équipe de recherche présente TS-Mask VLA, un nouveau modèle vision-langage-action (VLA) destiné à la manipulation robotique, décrit dans un article publié sur arXiv (2607.09818v1). Le système repose sur deux innovations techniques : un expert d'action à diffusion discrète doté d'un mécanisme appelé Bridge Attention, qui permet un conditionnement multi-couches depuis le modèle vision-langage pour générer des actions plus précises et stables, et une stratégie de masquage temporo-spatial en deux dimensions appliquée aux tokens d'action discrets, censée renforcer la compréhension des dépendances entre instants successifs et du couplage entre dimensions de l'action. Sur le benchmark de simulation LIBERO, TS-Mask VLA atteint un taux de réussite moyen de 95,7 %, avec seulement 0,5 milliard de paramètres, un score supérieur à celui de modèles nettement plus volumineux. Sur CALVIN, autre benchmark de référence pour les tâches robotiques longues et séquentielles, il obtient la meilleure longueur de séquence moyenne réussie observée, 4,19, signe d'une bonne tenue sur les scénarios à horizon long. Ce résultat intéresse directement le secteur de la robotique manipulative parce qu'il s'attaque à une limite connue des VLA autorégressifs actuels, qui traitent la génération d'action comme une simple prédiction du token suivant, sans modéliser explicitement la structure temporelle et spatiale des séquences de mouvement ni séparer clairement représentation perceptuelle et action. Si les gains de performance se confirment en dehors des benchmarks académiques, cela indiquerait qu'un modèle nettement plus compact peut rivaliser, voire dépasser, des architectures VLA plus lourdes sur des tâches de manipulation complexes, un argument important pour les intégrateurs cherchant à déployer ces modèles avec des contraintes de calcul embarqué. Il s'agit toutefois pour l'instant d'un travail de recherche validé uniquement sur des benchmarks de simulation (LIBERO, CALVIN) et quelques tâches réelles limitées, sans déploiement industriel ni intégration dans un produit commercial. L'article s'inscrit dans la lignée des travaux récents sur les VLA à diffusion, dans la continuité d'approches comme les modèles de type Pi-0 ou GR00T, sans toutefois s'y comparer directement dans le résumé fourni. Les auteurs annoncent des analyses d'ablation détaillées pour justifier chacun des deux choix de conception.

RechercheActu
1 source
Logic-VLA : un modèle vision-langage-action conditionné par la logique temporelle
2arXiv cs.RO 

Logic-VLA : un modèle vision-langage-action conditionné par la logique temporelle

Un article de recherche publié le 24 août 2026 sur arXiv (2608.20556v1) présente Logic-VLA, un modèle vision-langage-action (VLA) conditionné non seulement par des instructions en langage naturel mais aussi par des spécifications en logique temporelle de signaux (Signal Temporal Logic, STL) fournies au moment de l'inférence. Le système repose sur un encodeur STL basé sur un graphe syntaxique, pré-entraîné pour capturer la sémantique de la logique temporelle. L'adaptation de la politique se fait en deux étapes : un fine-tuning supervisé conditionné par STL sur des démonstrations satisfaisant les contraintes, suivi d'une optimisation de préférence au niveau des trajectoires sur des paires de rollouts appariés (satisfaisants versus violant les contraintes), utilisant un substitut par flow-matching pour l'Identity Preference Optimization. Les tests, menés en simulation de navigation de quadricoptère en boucle fermée dans des environnements photoréalistes randomisés, montrent une amélioration du taux de satisfaction des contraintes STL de 24,8 à 40,7 points de pourcentage par rapport à une politique de base ignorant ces contraintes, pour une perte de réussite de la tâche en langage naturel limitée à 1,8 point au maximum, y compris sur des formules STL inédites à l'entraînement. L'enjeu dépasse la simple performance : les instructions en langage naturel données à un robot ne précisent presque jamais les contraintes de sécurité spatiotemporelles réelles (zones interdites, délais, séquences obligatoires), ce qui reste un angle mort des VLA actuels déployés dans l'industrie. Logic-VLA suggère qu'une seule politique peut s'adapter à des exigences formelles variables sans entraîner un modèle distinct par spécification, une piste pertinente pour les intégrateurs qui doivent certifier un comportement robotique plutôt que simplement l'observer fonctionner en démonstration. Ce travail s'inscrit dans la lignée des modèles VLA génériques (à la manière de Pi-0 ou GR00T N2) mais cible spécifiquement le manque de garanties formelles de ces architectures, en s'appuyant sur des méthodes de vérification issues du contrôle formel. Il faut noter que la validation reste circonscrite à la simulation de drones dans des scènes synthétiques, sans démonstration sur robot physique ni déploiement industriel : un jalon méthodologique en amont d'un transfert réel, dont les auteurs ne donnent pas de calendrier.

RechercheOpinion
1 source
VLA-ACL : élagage de jetons visuels cohérent avec les actions pour des modèles vision-langage-action (VLA) efficaces
3arXiv cs.RO 

VLA-ACL : élagage de jetons visuels cohérent avec les actions pour des modèles vision-langage-action (VLA) efficaces

Des chercheurs publient sur arXiv VLA-ACL (Action Consistency Learning), une méthode d'élagage de tokens visuels pour les modèles Vision-Language-Action (VLA), dont le code est disponible sur GitHub. Le système apprend une politique d'élagage légère tout en laissant le modèle VLA de base entièrement gelé. L'entraînement vise à ce que les actions produites à partir d'un contexte visuel élagué restent cohérentes avec celles d'un modèle enseignant qui voit le contexte complet. Les actions de référence (ground truth) ne servent que de supervision auxiliaire. Les tests portent sur le benchmark de simulation LIBERO et sur des tâches de manipulation en conditions réelles. La méthode élimine jusqu'à 87,5 % des tokens visuels tout en gardant des performances jugées compétitives. Elle réduit le calcul jusqu'à 75 % et accélère l'inférence d'un facteur 1,5. Ces chiffres comptent pour le déploiement. Un VLA doit traiter de longues séquences de tokens à chaque pas de contrôle, et les patchs visuels dominent cette séquence. Cette charge limite le temps réel sur le matériel embarqué. Le gain d'inférence de 1,5x reste nettement inférieur à la réduction de calcul de 75 %. Cet écart suggère que les coûts hors visuel, comme le décodage des actions, plafonnent l'accélération réelle. Les résultats viennent de l'article seul, sans reproduction indépendante. La notion de « performance compétitive » n'est pas chiffrée dans le résumé, et on ignore sur quels modèles de base et quels robots les tests réels ont été faits. La méthode gèle le modèle de base, donc un intégrateur peut l'ajouter à un VLA existant sans le réentraîner. Elle illustre aussi un changement d'approche : choisir les tokens selon leur effet sur la commande finale plutôt que selon des scores d'attention. Les travaux antérieurs d'élagage pour VLA se répartissent en deux familles. La première regroupe des heuristiques sans entraînement, fondées sur les scores d'attention ou des seuils de mouvement, jugées indirectes par les auteurs. La seconde exige un réglage fin coûteux du modèle de base. VLA-ACL se place entre les deux : une supervision au niveau de l'action, sans toucher aux poids du VLA. Les auteurs affirment un meilleur compromis performance-efficacité que les méthodes d'élagage existantes pour VLA gelés. La suite dépendra de la généralisation à d'autres architectures (Pi-0, GR00T, Helix et leurs équivalents) et de tests sur plus de tâches réelles. Le code étant public, la communauté pourra vérifier ces résultats rapidement.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
FASA : adaptation de l'échantillonnage sensible au retour pour des modèles VLA à diffusion efficaces
4arXiv cs.RO 

FASA : adaptation de l'échantillonnage sensible au retour pour des modèles VLA à diffusion efficaces

Un article publié le 18 septembre 2026 sur arXiv (référence 2609.19475v1) présente FASA (Feedback-Aware Sampling Adaptation), une méthode d'accélération pour les modèles Vision-Language-Action (VLA) fondés sur la diffusion. Ces modèles, utilisés pour piloter des robots à partir d'images et de langage naturel, souffrent d'un défaut connu : leur processus de génération d'action repose sur un échantillonnage itératif coûteux en calcul et en accès mémoire, ce qui empêche leur exécution en temps réel sur du matériel embarqué limité. FASA fonctionne sans entraînement supplémentaire et agit directement au moment de l'inférence : un premier module, l'adaptateur de plage piloté par l'interaction, ajuste dynamiquement le nombre global d'étapes de débruitage en fonction du retour visuel et de la force mesurée par la pince du robot ; un second module, l'adaptateur d'étape sensible à la proprioception, choisit précisément l'étape optimale à l'intérieur de cette plage. Les auteurs annoncent des gains de vitesse d'inférence allant jusqu'à 1,45 fois par rapport aux méthodes existantes, avec des taux de réussite jugés comparables sur plusieurs bancs d'essai (benchmarks) non détaillés dans le résumé. Cette approche cible un point de friction central pour l'industrialisation des VLA : les méthodes d'accélération existantes imposent soit un réentraînement coûteux (distillation, flow matching), soit un élagage ou un système de cache programmé de façon statique, qui dégrade la perception en ignorant la variabilité réelle de la charge de travail robotique. En traitant le retour multimodal comme signal de contrôle du pipeline de débruitage, FASA propose une troisième voie, sans coût d'entraînement, potentiellement pertinente pour les intégrateurs cherchant à déployer des modèles génératifs lourds sur des plateformes de calcul contraintes, comme les contrôleurs embarqués de robots manipulateurs. Il s'agit toutefois d'un prépublication arXiv, non encore validée par relecture par les pairs, sans identification des auteurs ni de laboratoire dans le résumé disponible, et sans précision sur le matériel de test ni sur les modèles VLA de référence utilisés pour la comparaison. Le gain de 1,45x reste à situer par rapport aux architectures concurrentes d'accélération de l'inférence robotique, un axe de recherche actif à mesure que les modèles VLA gagnent en taille et en ambition d'usage industriel.

RechercheActu
1 source