Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
PredVLA : une politique de codage prédictif à moins d'un million de paramètres pour la manipulation robotique
RecherchearXiv cs.RO 

PredVLA : une politique de codage prédictif à moins d'un million de paramètres pour la manipulation robotique

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

Une équipe de recherche présente PredVLA, une politique de contrôle robotique conditionnée par le langage ne comptant que 0,68 million de paramètres entraînables et sans pretraining sur des données robotiques, décrite dans un article publié sur arXiv (2608.26673). Contrairement aux architectures vision-language-action dominantes, construites sur des transformeurs préentraînés à grande échelle, PredVLA repose sur un codage prédictif hiérarchique : un réseau récurrent génératif prédit les caractéristiques visuelles et la proprioception, les observations n'influençant l'état latent que via une inférence en ligne fondée sur les erreurs de prédiction sensorielle. Sur le benchmark LIBERO, il atteint 86,9% de réussite moyenne sur les trois suites à court horizon, et 75,4% avec la suite à long horizon incluse. Dans une comparaison contrôlée à conditions identiques, il affiche un taux de réussite 3,7 fois supérieur à un Transformer et 7,4 fois supérieur à un LSTM de taille comparable.

Ce résultat bouscule une hypothèse répandue dans le secteur : que le contrôle manipulatoire conditionné par le langage exige des modèles massifs, préentraînés sur d'immenses corpus de démonstrations robotiques. Avec un réseau plus de mille fois plus petit que les grands VLA de référence et sans pretraining robotique, PredVLA suggère qu'une architecture récurrente générative bien conçue peut capturer l'essentiel du contrôle sensorimoteur nécessaire, au moins en simulation. Pour les intégrateurs contraints en calcul embarqué, le signal est utile : des politiques plus légères et moins coûteuses à entraîner pourraient rester compétitives sur certaines tâches. Désactiver l'inférence d'erreur de prédiction, pour obtenir une condition strictement en boucle ouverte, offre un outil rare pour quantifier l'apport réel de la correction sensorielle en ligne, souvent opaque dans les grands VLA en boîte noire.

Ces travaux s'inscrivent dans un courant qui questionne le paradigme dominant des VLA à grande échelle, illustré par des systèmes comme GR00T N2 de NVIDIA, Pi-0 de Physical Intelligence ou Helix de Figure AI, entraînés sur de vastes corpus de téléopération et comptant des centaines de millions voire des milliards de paramètres. PredVLA s'appuie plutôt sur les théories du codage prédictif issues des neurosciences computationnelles. Les résultats restent pour l'instant limités au benchmark de simulation LIBERO, sans test sur robot physique ni comparaison avec ces grands VLA propriétaires, laissant ouverte la question du transfert sim-to-real.

Dans nos dossiers

FigureNVIDIA GR00TPhysical Intelligence — π0Manipulation robotique

À lire aussi

Apprentissage collectif pour une manipulation robotique unifiée par adaptation prédictive de la dynamique
1arXiv cs.RO 

Apprentissage collectif pour une manipulation robotique unifiée par adaptation prédictive de la dynamique

Des chercheurs proposent PACE, un cadre d'apprentissage collectif en deux étapes pour entraîner une politique unique de manipulation cartésienne, pilotée par l'état (et non par la vision), sur des robots aux morphologies différentes. Dans la première étape, une couche de représentation est pré-entraînée sur des trajectoires hors ligne pour extraire le contexte de la tâche à partir des données agrégées de plusieurs robots. Dans la seconde, une couche de décision est dotée d'un adaptateur de dynamique prédictive: on force l'état latent à prédire les transitions futures, ce qui ancre la politique dans le comportement réel du robot qui exécute l'action. L'inférence reste en temps réel, sans planification en ligne. En simulation, PACE atteint plus de 93 % de succès global et 89 % sur des robots simulés hors distribution dynamique, évalués en zero-shot. Les références restent nettement derrière: 82 % pour un Transformer en clonage comportemental et 66 % pour une politique de diffusion. Un déploiement sur un robot KUKA physique valide la faisabilité de la chaîne complète en transfert sim-to-real zero-shot. Le problème visé est concret pour quiconque veut mutualiser des données entre plusieurs bras robotiques. Une même commande cartésienne se traduit par des comportements de transition différents selon l'embodiment (cinématique, inerties, limites d'actionneurs). Une agrégation naïve moyenne alors des modes d'action incompatibles, d'où une ambiguïté de stratégie et un effondrement des performances sur les robots dont la dynamique s'écarte de la norme. Les résultats suggèrent que séparer l'intention dans l'espace de la tâche de la dynamique propre au robot peut limiter ce phénomène, ce qui intéresserait les intégrateurs gérant des parcs hétérogènes et voulant éviter un réentraînement par machine. Il faut toutefois rester prudent: les chiffres viennent essentiellement de simulation, la validation physique se limite à un seul robot KUKA, et le résumé ne donne ni nombre de tâches, ni cadence, ni taux de réussite en conditions réelles. Ce travail s'inscrit dans la course aux politiques généralistes multi-embodiments, portée par les modèles vision-langage-action comme Pi-0 ou GR00T, et par les approches de diffusion et de Transformers utilisées ici comme références. PACE prend un angle différent: une politique légère, basée sur l'état, centrée sur la robustesse face aux dynamiques atypiques plutôt que sur la généralité sémantique. Il s'agit d'une prépublication arXiv (v1), non évaluée par des pairs, sans produit ni pilote industriel annoncé. Les suites logiques seraient des tests sur davantage de robots physiques, l'intégration de la perception et une comparaison directe avec les grands modèles de fondation robotiques.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
IMPACT : apprentissage d'une commande prédictive à modèle interne pour la manipulation robotique en force
2arXiv cs.RO 

IMPACT : apprentissage d'une commande prédictive à modèle interne pour la manipulation robotique en force

Une équipe de recherche a publié le 12 juin 2026 sur arXiv (référence 2606.10818) IMPACT, un framework d'apprentissage pour la manipulation robotique dite "forceful", c'est-à-dire impliquant des interactions physiques avec l'environnement : utilisation d'outils de masses variables, transport d'objets lourds, nettoyage de surface par contact prolongé. L'architecture découple le problème en deux blocs distincts : un planificateur de tâche de haut niveau, et un contrôleur prédictif basé sur un modèle interne (internal-model predictive control). Les expériences sont menées à la fois en simulation et sur robot réel, avec évaluation sur des objets non vus lors de l'entraînement. Les auteurs ne publient pas encore les métriques quantitatives précises dans l'abstract arXiv disponible, ce qui limite l'analyse indépendante à ce stade. Le verrou technique adressé est réel et sous-estimé dans les pipelines d'imitation learning actuels. Deux stratégies dominent aujourd'hui : la première laisse les forces émerger implicitement via les erreurs de suivi d'un contrôleur d'impédance, ce qui casse la généralisation dès que la masse de l'objet change ; la seconde commande explicitement les efforts via capteur force/couple ou capteur tactile au poignet, ce qui fonctionne mais alourdit l'intégration matérielle et fragilise les déploiements industriels. IMPACT propose une troisième voie en apprenant un modèle interne de la dynamique de contact, permettant au contrôleur prédictif d'anticiper les forces sans capteur dédié ni dégradation de généralisation. Les gains annoncés en taux de succès, sécurité et efficacité énergétique sont cohérents avec l'approche, mais restent à valider sur des benchmarks standardisés comme DROID ou RoboAgent. Ce travail s'inscrit dans un courant actif qui cherche à marier l'apprentissage par imitation avec les garanties du contrôle prédictif (MPC), après des travaux fondateurs comme ILC, DMP, et plus récemment les architectures VLA de type pi0 (Physical Intelligence) ou RoboDiff. Le problème de la manipulation forcée reste un angle mort des démos grand public, qui privilégient les tâches de pick-and-place sur objets légers. Les concurrents directs incluent les approches sim-to-real de CMU (DexVIP, ACT), d'ETH Zurich (ANYmal) et les travaux de Boston Dynamics Research sur la manipulation lourde. Côté européen, aucun acteur n'est directement cité, mais les travaux de Wandercraft et Enchanted Tools sur la dynamique de contact pourraient bénéficier de ce type de framework. La prochaine étape naturelle serait une validation sur manipulateurs industriels (UR, Franka) en conditions de production réelle.

RecherchePaper
1 source
La malédiction de la précision : une loi d'échelle des données pour la manipulation robotique de haute précision
3arXiv cs.RO 

La malédiction de la précision : une loi d'échelle des données pour la manipulation robotique de haute précision

Le laboratoire à l'origine de cet article, publié sur arXiv (2607.23108v1) sous le titre "The Curse of Precision", s'attaque à une question restée peu étudiée dans l'apprentissage par imitation : la relation entre volume de données et précision atteignable sur des tâches d'assemblage robotique en environnement fermé. Les auteurs établissent une nouvelle loi d'échelle empirique : pour maintenir un taux de réussite fixe, le nombre de démonstrations N nécessaires croît de façon super-exponentielle à mesure que la précision cible P se rapproche d'une limite c, selon la relation log(N) proportionnel à 1/(P-c). Autrement dit, au-delà d'un certain seuil de précision, ajouter des démonstrations supplémentaires devient rapidement improductif, voire prohibitif en coût de collecte. Le résultat central de l'étude est que cette limite c n'est pas une constante physique propre à la tâche, mais une propriété émergente de l'ensemble du système agent, incluant ses capteurs et sa politique experte. Les expériences, menées sur des tâches de manipulation canoniques, montrent que des ajustements système comme l'ajout d'une caméra poignet ou l'utilisation d'un expert plus performant abaissent mesurablement c, élargissant ainsi la précision maximale accessible. Cette découverte a une portée pratique directe pour les équipes qui développent des systèmes de manipulation robotique de haute précision, un domaine clé pour l'assemblage industriel et l'intégration de bras robotiques dans des lignes de production. Plutôt que de multiplier aveuglément les démonstrations pour améliorer la précision d'un modèle appris par imitation, la loi proposée offre une méthode de diagnostic : si les gains stagnent malgré l'ajout de données, le problème vient probablement d'une limite systémique (capteur insuffisant, politique experte imparfaite) plutôt que d'un manque de volume. Cela répond à une hypothèse implicite mais rarement testée dans le secteur des politiques vision-langage-action (VLA), à savoir que plus de données suffit toujours à améliorer la précision. Le travail s'inscrit dans la lignée des études sur les lois d'échelle en apprentissage par imitation, jusqu'ici centrées sur la généralisation en environnement ouvert plutôt que sur la précision en tâche fermée. Il fournit un cadre théorique et une métrique quantitative pour évaluer les capacités d'un système de manipulation, avec des implications pour le débogage et la conception des futures générations de politiques robotiques à haute précision.

RecherchePaper
1 source
Démystifier la conception de l'espace d'action pour les politiques de manipulation robotique
4arXiv cs.RO 

Démystifier la conception de l'espace d'action pour les politiques de manipulation robotique

Une étude empirique de grande envergure, publiée sur arXiv (référence 2602.23408), apporte les premières réponses systématiques à une question restée sans réponse rigoureuse dans la communauté de la manipulation robotique : comment concevoir l'espace d'action d'une politique apprise par imitation ? Les chercheurs ont conduit plus de 13 000 déploiements réels sur un robot bimanuel, entraîné et évalué plus de 500 modèles sur quatre scénarios distincts, en examinant deux axes structurants : l'axe temporel (représentations absolues vs. incrémentales, dites "delta") et l'axe spatial (espace articulaire, ou joint-space, vs. espace opérationnel, ou task-space). Le résultat principal est sans ambiguïté : les représentations delta, qui encodent des variations de position plutôt que des positions cibles absolues, améliorent systématiquement les performances d'apprentissage. Sur l'axe spatial, joint-space et task-space révèlent des forces complémentaires : le premier favorise la stabilité du contrôle, le second facilite la généralisation à de nouveaux scénarios. Ces résultats ont une portée directe pour les équipes qui développent des politiques robotiques en production. Jusqu'ici, le choix de l'espace d'action relevait d'heuristiques héritées ou de conventions propres à chaque laboratoire, sans base empirique solide. L'étude montre que ce choix n'est pas accessoire : il conditionne fondamentalement le paysage d'optimisation de l'apprentissage par imitation, bien davantage que ce que supposait la littérature. Pour un intégrateur ou un ingénieur concevant un système de manipulation industrielle, la recommandation est désormais claire : préférer les delta actions par défaut, et arbitrer entre joint-space et task-space selon que la priorité est la stabilité du suivi de trajectoire ou la robustesse face à la variabilité des tâches. Ces conclusions sont directement applicables aux architectures VLA (Vision-Language-Action), qui dominent actuellement la recherche en politiques généralisables. Ce travail intervient dans un contexte où la course à la mise à l'échelle des données et des modèles concentre la majorité des ressources de recherche. Des systèmes comme pi-0 (Physical Intelligence), ACT ou Diffusion Policy ont popularisé l'imitation learning comme voie principale vers la manipulation généraliste, et des acteurs comme Figure AI, 1X ou Apptronik misent sur ces architectures pour leurs déploiements industriels. Pourtant, la conception de l'espace d'action restait guidée par des choix hérités des années 2010, faute d'étude comparative à grande échelle. En comblant ce manque avec une rigueur rare, les auteurs posent une base méthodologique qui devrait informer la prochaine génération de politiques bimanuelle et les benchmarks de comparaison entre systèmes.

RechercheOpinion
1 source