RecherchearXiv cs.RO 1 septembre 2026

Hydra : un modèle d'action pour la navigation combinant planification latente discrète et exécution par flow-matching continu

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent Hydra, un modèle "World Action Model" conçu pour la planification et le contrôle en temps réel de robots physiques, décrit dans un article publié le 28 août 2026 sur arXiv (référence 2608.28995v1). Le problème que Hydra cherche à résoudre est celui du décalage de représentation entre les modèles du monde, qui imaginent des futurs possibles à partir d'images, et les planificateurs, qui doivent aujourd'hui décoder chaque candidat de trajectoire en pixels haute dimension pour l'évaluer, une étape coûteuse qui freine le contrôle en temps réel. Hydra intègre le planificateur, à la fois l'échantillonneur et l'évaluateur, directement à l'intérieur du modèle, en construisant un espace latent unifié couvrant états visuels, poses physiques et actions de contrôle, compressé via des quantifications vectorielles en vocabulaires discrets d'intentions kinodynamiques et d'états visuels. Les candidats sont classés par un "Kinematic-Perceptual Cost" sans jamais repasser par l'espace des pixels, une approche que les auteurs nomment Discrete Latent Planning (DLP), couplée à du Flow Matching conditionnel pour transformer chaque intention discrète en trajectoire continue exécutable. Le système a été évalué sur deux plateformes robotiques physiques, sans que l'article ne précise leurs marques ou modèles.

Pour l'industrie robotique, cette approche s'attaque directement à un goulot d'étranglement reconnu des architectures VLA (vision-language-action) et des modèles du monde génératifs: la latence introduite par la reconstruction pixel par pixel à chaque étape de planification. Si les résultats se confirment au-delà du cadre de cet article de recherche, ils suggèrent qu'un espace latent partagé et discret peut remplacer la recherche coûteuse en pixels sans sacrifier la qualité de l'exécution en boucle fermée, ce qui intéresserait directement les intégrateurs cherchant à déployer des politiques réactives sur du matériel embarqué à ressources limitées. Les auteurs affirment que Hydra dépasse les modèles du monde de référence en planification orientée objectif, tout en égalant ou dépassant les politiques réactives de type "foundation policy" les plus avancées, une comparaison à prendre avec prudence puisqu'elle provient des auteurs eux-mêmes et non d'une évaluation indépendante.

Ce travail s'inscrit dans la lignée des efforts récents visant à combiner modèles du monde génératifs et politiques d'action, un axe de recherche exploré notamment par des familles de modèles comme Pi-0 ou GR00T N2 pour l'exécution réactive continue, mais où peu d'approches avaient jusqu'ici cherché à unifier explicitement planification discrète et exécution continue dans un même espace latent. L'article ne mentionne ni partenariat industriel, ni feuille de route de déploiement, ni acteur français ou européen; il s'agit à ce stade d'une contribution académique publiée en preprint, sans validation par les pairs ni pilote industriel annoncé.

Dans nos dossiers

NVIDIA GR00T arXiv cs.RO

À lire aussi

1arXiv cs.RO

Flow Motion Policy : planification de mouvement pour bras manipulateur par modèles de flow matching

Des chercheurs ont mis en ligne sur arXiv (arXiv:2604.07084v2, version révisée d'une soumission antérieure) une étude présentant Flow Motion Policy, un planificateur de mouvement neuronal en boucle ouverte destiné aux bras manipulateurs robotiques. Contrairement aux planificateurs neuronaux existants, qui produisent un unique chemin déterministe à partir des observations capteurs, Flow Motion Policy s'appuie sur le flow matching pour apprendre une distribution de plans de mouvement conditionnée par l'observation de la scène. Au moment de l'inférence, le système échantillonne un lot de plans candidats et sélectionne le meilleur parmi N propositions (stratégie dite "best-of-N"), sans recourir à une vérification itérative de collisions ni à un vérificateur de collision privilégié pendant la planification. Les auteurs comparent leur méthode à des approches représentatives par échantillonnage, par optimisation et par apprentissage neuronal, et rapportent une amélioration du taux de succès et de l'efficacité de la planification. Le site du projet met à disposition davantage de matériel. Cette contribution s'inscrit dans un enjeu concret pour l'industrie robotique: les méthodes classiques de planification de trajectoire (échantillonnage type RRT, optimisation de trajectoire) exigent une connaissance complète et coûteuse de la géométrie de la scène, un luxe rarement disponible en conditions réelles à partir de simples capteurs. Les planificateurs neuronaux de bout en bout promettaient de s'affranchir de cette contrainte, mais leur nature déterministe à sortie unique limitait leur robustesse face à des environnements variables, un frein pour les intégrateurs déployant des bras de pick-and-place en usine. En générant plusieurs hypothèses de trajectoire exploitables sans vérification coûteuse, ce travail illustre l'intérêt croissant des politiques génératives stochastiques pour la robotique manipulative. Il faut toutefois noter que l'abstract ne fournit aucun chiffre précis de gain (taux de succès, temps de cycle), ce qui limite l'évaluation de l'ampleur réelle de l'amélioration annoncée. Le papier se positionne dans la lignée des travaux récents combinant modèles génératifs de type diffusion ou flow matching et apprentissage de politiques robotiques, une famille de techniques déjà mobilisée dans des politiques d'imitation pour la manipulation. Aucun nom d'entreprise ni de calendrier de déploiement industriel n'est mentionné: il s'agit d'une contribution de recherche académique, dont le code et les démonstrations sont accessibles via le site du projet.

RecherchePaper

1 source

2arXiv cs.RO

Vers des modèles du monde unifiés pour la navigation visuelle par planification et anticipation augmentées de mémoire

Une équipe de recherche présente UniWM, un « world model » unifié et augmenté par mémoire pour la navigation visuelle des agents incarnés, détaillé dans une version mise à jour d'un article arXiv (2510.08713v3). Le système fusionne, au sein d'un seul backbone autorégressif multimodal, la prévision visuelle égocentrique des états futurs et la planification d'actions, évitant le découplage classique entre ces deux modules qui provoque un désalignement état-action dans les architectures modulaires habituelles. Un mécanisme de mémoire hiérarchique combine indices perceptifs à court terme et contexte de trajectoire à long terme pour maintenir un raisonnement stable sur des horizons étendus. Testé sur quatre bancs d'essai (Go Stanford, ReCon, SCAND, HuRoN) ainsi que sur le 1X Humanoid Dataset, issu du fabricant de robots humanoïdes 1X Technologies, UniWM améliore le taux de réussite de navigation jusqu'à 30% face aux meilleures références existantes, réduit sensiblement les erreurs de trajectoire, et généralise en zero-shot sur le jeu de données inédit TartanDrive. Code et modèles sont publiés en open source sur GitHub, sous UWMILab/UniWM. Le résultat cible un point de friction connu en robotique embarquée : les piles de navigation modulaires, qui séparent planification et modélisation visuelle, s'adaptent mal aux scénarios dynamiques ou inédits faute d'alignement entre prédiction et décision. En ancrant explicitement l'action sur des états futurs imaginés au sein d'un modèle unique entraîné de bout en bout, UniWM illustre une alternative aux pipelines fragmentés, un enjeu concret pour les intégrateurs qui déploient des robots mobiles ou humanoïdes en environnement non structuré. Le transfert réussi vers un jeu de données humanoïde suggère une passerelle entre navigation mobile classique et locomotion humanoïde, même si ces gains restent mesurés sur des bancs d'essai académiques standardisés, pas en conditions réelles de déploiement. UniWM s'inscrit dans la tendance de recherche vers des modèles du monde unifiés, où prévision visuelle et contrôle fusionnent dans un système génératif unique plutôt qu'en sous-modules séparés, une logique voisine de celle poursuivie par les laboratoires développant des modèles vision-langage-action pour la manipulation robotique. Porté par le UWMILab, le projet met code et poids à disposition de la communauté académique sans annonce de partenariat industriel ni de calendrier de déploiement pilote, et aucun acteur européen n'apparaît dans les benchmarks utilisés. La prochaine étape annoncée reste l'appropriation du code par les chercheurs en navigation visuelle et robotique incarnée.

RecherchePaper

1 source

3arXiv cs.RO

Relier la planification discrète à l'exécution continue pour les robots redondants

Des chercheurs publient sur arXiv (identifiant 2604.02021) un cadre de transition entre planification discrète et exécution continue pour bras manipulateurs redondants à 7 degrés de liberté. Le constat de départ est pratique : les trajectoires générées par apprentissage par renforcement sur grille voxel, exécutées directement via cinématique inverse numérique point par point, produisent du jitter de pas, des transitions articulaires brusques et des instabilités au voisinage de configurations singulières. La méthode proposée agit sur deux niveaux sans modifier le planificateur existant. Côté planification : des actions cartésiennes à 26 voisins normalisées en pas et un mécanisme de tie-breaking géométrique qui supprime les virages inutiles et les oscillations. Côté exécution : une couche TP-DLS (task-priority damped least-squares IK) où la position de l'effecteur terminal est traitée comme tâche primaire, le centrage articulaire et le contrôle de posture étant projetés dans l'espace nul comme tâches subordonnées, combinés à un clipping par région de confiance et des contraintes de vitesse articulaire. Sur un 7-DOF testé en environnements sparse, medium et dense générés aléatoirement : taux de succès en scène dense de 0,58 à 1,00, longueur de chemin de 1,53 m à 1,10 m, erreur d'effecteur inférieure à 1 mm, accélérations articulaires de pointe réduites de plus d'un ordre de grandeur. L'intérêt opérationnel est la modularité : la couche TP-DLS s'insère comme un module plug-in sans retoucher le planificateur sous-jacent, abaissant le coût d'adoption pour les équipes qui disposent déjà d'un planificateur RL voxel-grid. La réduction des accélérations de pointe d'un facteur supérieur à 10 se traduit directement par moins d'usure mécanique, une moindre sollicitation des servomoteurs et une meilleure compatibilité avec les normes cobotiques (ISO/TS 15066). Le passage de 58 % à 100 % de succès en scènes denses est surtout un signal de diagnostic : il indique que le goulot d'étranglement n'était pas le planificateur RL mais bien la couche de conversion discret-continu, une hypothèse rarement testée explicitement dans la littérature. Limite à noter : tous les résultats restent en simulation sur environnements générés aléatoirement, sans validation sur hardware réel ni benchmark standardisé de la communauté. La cinématique inverse DLS et la gestion par priorité de tâche sont des techniques classiques issues des travaux de Nakamura et Hanafusa (1986) et de Siciliano et Slotine (1991) ; la contribution ici est leur intégration calibrée dans un pipeline RL voxel-grid avec des heuristiques spécifiques à la discontinuité des actions discrètes. Les premiers concernés sont les intégrateurs et équipementiers utilisant des bras 7-DOF redondants tels que Franka Robotics (FR3), KUKA (LBR iiwa) ou Kinova (Gen3). Aucun partenariat industriel ni timeline de transfert technologique n'est annoncé dans le preprint. La suite logique serait une validation sur robot physique et une comparaison directe avec des planificateurs continus comme CHOMP ou TrajOpt, qui résolvent le problème de manière différente mais avec un coût computationnel nettement plus élevé.

UEKUKA (LBR iiwa) et Franka Robotics (FR3), deux fabricants européens de bras redondants 7-DOF explicitement ciblés, pourraient réduire leur coût d'intégration de planificateurs RL et améliorer leur conformité ISO/TS 15066 grâce à ce module plug-in, sous réserve de validation hardware.

RecherchePaper

1 source

4arXiv cs.RO

DiffWAM : un modèle du monde et d'actions rapide et efficace pour la navigation

Des chercheurs présentent DiffWAM, un modèle « monde-action » de navigation pour drones (UAV) qui convertit les représentations prédictives d'un modèle vidéo gelé en trajectoires de caméra continues en 3D. Là où les approches courantes génèrent d'abord une vidéo du futur, puis reconstruisent la géométrie pour en tirer un mouvement, DiffWAM s'en dispense au déploiement. Le module Grid-Motion conserve les associations spatio-temporelles du mouvement à partir de caractéristiques multi-niveaux. Le module Latent2Pose les ancre dans la géométrie de la première image pour retrouver un mouvement 3D métriquement cohérent. Les rollouts vidéo complets et la reconstruction géométrique ne servent qu'à la supervision hors ligne. Le système inclut aussi FastDreamer, qui recouvre le calcul prédictif et géométrique avec le vol en cours et transmet les trajectoires de façon asynchrone, avec horodatage, pour une exécution continue. Sur le banc d'essai DiffWAM-1000 (1 000 échantillons), le modèle atteint une RMSE de trajectoire de 0,3492 m et un taux de succès à l'arrivée de 74,40 %. Une version embarquée, DiffWAM-Flash, affiche 1,08 s de latence pour le pipeline du modèle sur NVIDIA Jetson AGX Thor. L'intérêt tient à la latence et au coût de calcul, deux obstacles à l'usage de modèles vidéo de fondation en robotique aérienne. Supprimer le décodage vidéo et la reconstruction multi-images à l'inférence rend ces modèles plus compatibles avec un calcul embarqué. Cela suggère que le mouvement est déjà largement encodé dans les représentations prédictives, sans passer par une vidéo générée. Les résultats appellent toutefois des réserves. Le banc DiffWAM-1000 semble propre aux auteurs, et un succès à l'arrivée de 74,40 % laisse environ un échec sur quatre, ce qui reste loin d'un seuil industriel. Une latence de 1,08 s dit peu de choses sans connaître la vitesse de vol, la fréquence de replanification et la gestion des obstacles dynamiques. Les expériences réelles (passages contraints, orbites, trajectoires en S, navigation multi-étapes) sont qualifiées de représentatives, donc probablement choisies, sans statistiques de réussite publiées dans le résumé. Ce travail s'inscrit dans la montée des modèles « monde-action » et des approches VLA (vision-langage-action), qui réutilisent les a priori des modèles vidéo pour piloter des robots. Il en propose une variante efficace pour la navigation aérienne, face aux pipelines « générer puis reconstruire ». Aucun acteur industriel n'est cité, et aucun acteur français ou européen n'apparaît dans le résumé. Il s'agit d'un résultat de recherche publié sur arXiv, accompagné d'une page projet, sans produit ni déploiement commercial annoncé. La suite logique serait une validation sur d'autres bancs d'essai, des essais en extérieur à plus grande échelle et une comparaison publique avec d'autres méthodes de navigation par modèle vidéo.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source