RecherchearXiv cs.RO 1 octobre 2026

Dream4ACT : une interface d'action visuelle partagée pour la modélisation vidéo-action multi-morphologies

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Dream4ACT, présenté sur arXiv (2609.40153v1), est un modèle du monde conçu pour modéliser conjointement la vidéo et l'action de robots de morphologies différentes. Son principe central est une interface visuelle partagée, baptisée « action views ». Les configurations articulaires cibles du robot sont rendues par cinématique directe à partir du fichier URDF, depuis quatre caméras virtuelles prescrites. Observations et actions prennent ainsi la même forme d'image, ce qui leur permet de partager un autoencodeur vidéo et un transformeur de diffusion (DiT). L'entraînement repose sur du « masked flow-matching ». En choisissant quelles séquences futures sont corrompues, un seul modèle entraîné conjointement assure la dynamique directe, la dynamique inverse et la génération simultanée d'observations et d'actions. Pour obtenir des commandes exécutables à partir des vues d'action prédites, les auteurs proposent un mécanisme de récupération multivue sous contrainte URDF, sans apprentissage et sans décodeur propre à chaque embodiment. Les résultats annoncés sont un taux de succès moyen de 88,98 % sur RoboTwin 2.0 et un score global de 65,66 sur TriWorldBench.

L'enjeu est de savoir si les modèles de génération vidéo (VGM), riches en connaissances spatio-temporelles, peuvent servir de base à la commande robotique. Les vecteurs d'action articulaires gênent cet usage, car leur dimension et leur sémantique changent d'un robot à l'autre et ils n'ont pas de structure dans l'espace image. Les visualisations de l'effecteur terminal, elles, ne décrivent pas la configuration complète du bras. Dream4ACT contourne le problème en traitant l'action comme une image, tout en conservant la géométrie articulée propre à chaque robot. Pour un intégrateur ou une équipe de recherche, l'intérêt est de réutiliser un même backbone vidéo pour plusieurs plateformes sans réentraîner un décodeur par morphologie. Les chiffres sont à relativiser : RoboTwin 2.0 est un benchmark en simulation. Rien n'est dit ici sur un transfert sur robot réel, sur la latence d'inférence ni sur les comparaisons avec des politiques VLA établies. Le résultat est une contribution de recherche, pas un produit ni un déploiement.

Ce travail s'inscrit dans la montée des « world models » et des approches vidéo-action, qui cherchent à exploiter des modèles génératifs préentraînés plutôt que des politiques entraînées de zéro. Il se place face aux VLA qui prédisent directement des vecteurs d'action, comme Pi-0 ou GR00T, et face aux modèles vidéo conditionnés par l'action, qui restent souvent propres à un seul embodiment. Le score sur TriWorldBench, qualifié de « compétitif » par les auteurs, mesure la prédiction multivue conditionnée par l'action. L'article n'indique ni acteur européen impliqué ni calendrier de suite. Les étapes à surveiller sont la validation sur matériel réel, le passage à des morphologies plus variées (mains dextres, humanoïdes) et la publication de code ou de poids permettant une reproduction indépendante.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

NVIDIA GR00T World models arXiv cs.RO

À lire aussi

1arXiv cs.RO

Modélisation unifiée du monde par actions visuelles masquées

Des chercheurs présentent Masked Visual Actions, une nouvelle interface de contrôle en espace pixel pour les modèles de monde robotiques, décrite dans un article déposé sur arXiv (2607.19343v1). La méthode consiste à exprimer une action sous forme de trajectoire partiellement révélée d'une entité arbitraire dans une vidéo. Concrètement, révéler le mouvement du robot transforme le modèle en modèle de dynamique directe, capable de prédire comment la scène va réagir à une commande motrice bas niveau. À l'inverse, révéler le mouvement souhaité d'un objet permet au même modèle de retrouver le comportement robotique nécessaire pour produire ce résultat, une forme de modélisation inverse. Le système a été affiné avec seulement 15 heures d'exemples masqués, combinant vidéos réelles et données de simulation. Un unique point de contrôle (checkpoint) obtient une bonne fidélité visuelle et un contrôle fiable sur des scènes variées et plusieurs types d'embodiments robotiques différents. L'intérêt de cette approche pour le secteur tient à l'unification qu'elle propose entre prévision et contrôle au sein d'un seul modèle vidéo, sans représentation d'action spécifique par plateforme. Pour les équipes qui développent des politiques de manipulation, les "rollouts imaginés" produits par le modèle montrent une corrélation avec les résultats d'exécution réelle, ce qui ouvre la voie à évaluer des politiques robotiques sans multiplier les essais physiques coûteux. Le modèle sert aussi d'outil de planification, en classant des futurs candidats pour orienter la prise de décision, et de générateur de trajectoires robotiques à partir d'un mouvement d'objet cible. Avec seulement 15 heures de données de finetuning, ces résultats suggèrent qu'un modèle vidéo pré-entraîné peut absorber l'essentiel des priors physiques nécessaires, réduisant la dépendance à de vastes jeux de données de téléopération spécifiques à chaque robot. Ces travaux s'inscrivent dans la dynamique plus large des modèles de monde vidéo appliqués à la robotique, aux côtés d'approches comme les architectures VLA (vision-langage-action) ou les modèles génératifs de type Genie. La contribution ici porte spécifiquement sur le mode d'expression de l'action en pixels, plutôt que sur une nouvelle architecture réseau. L'article ne précise pas de partenariat industriel ni de déploiement matériel; il s'agit à ce stade d'une démonstration de recherche évaluée en simulation et en environnement contrôlé, dont la généralisation à des déploiements robotiques en production reste à établir.

RecherchePaper

1 source

2arXiv cs.RO

Incitation visuelle guidée par la topologie pour les politiques vision-langage-action

Un article publié sur arXiv en septembre 2026 (2609.23944) décrit une méthode qui améliore les politiques vision-langage-action (VLA) sur des tâches de manipulation impliquant des géométries d'obstacles complexes. Le système combine une planification en simulation avec une signature topologique de type Gauss-Linking-Integral, censée capturer des propriétés invisibles en observation caméra partielle. À partir d'informations géométriques privilégiées issues de la simulation, les auteurs enrichissent un jeu de démonstrations nominal avec des trajectoires qui amènent le robot vers une configuration topologique cible avant de reprendre la tâche. Un modèle vision-langage, affiné sur ce même jeu de données, prédit ensuite à partir des images caméra en direct la signature topologique et des points de passage pour l'effecteur terminal, projetés sur les observations comme indices visuels guidant la politique VLA. Testée sur trois tâches bimanuelles en simulation et une tâche réelle de ramassage de boîte sur banc matériel, la méthode dépasse de 40% le taux de succès du meilleur système de référence. Ce résultat cible une faiblesse connue des VLA: leur difficulté à distinguer des situations qui se ressemblent visuellement ou en configuration articulaire mais exigent des actions différentes selon la topologie de l'environnement, par exemple contourner un obstacle par un côté plutôt que l'autre. Les planificateurs de mouvement classiques, qui connaissent toute la géométrie, savent raisonner sur cette distinction, mais cette information manque généralement au déploiement réel, où le robot ne dispose que d'une observation caméra partielle. Le gain mesuré en conditions matérielles réelles nourrit le débat sur l'écart entre performance simulée et conditions réelles, une question centrale pour les intégrateurs qui envisagent des politiques VLA génériques sur des tâches industrielles de contournement d'obstacles ou de manipulation bimanuelle fine. L'approche prolonge les travaux qui injectent des connaissances géométriques dans des politiques VLA entraînées sur des démonstrations visuelles brutes, sans raisonnement explicite sur la topologie de la scène, et se distingue des méthodes de prompting visuel qui suppriment ces indices plutôt que de les conserver. Les auteurs proposent un site dédié, topology-vla.github.io, sans calendrier de transfert commercial ni partenariat industriel annoncé, ce qui situe ce travail au stade de la recherche amont plutôt que du déploiement produit.

RechercheActu

1 source

3arXiv cs.RO

Modélisation du monde conditionnée par le langage pour la navigation visuelle

Une équipe de chercheurs publie sur arXiv (2603.26741, version 2) un travail sur la navigation visuelle conditionnée par le langage, baptisée LCVN. Dans cette tâche, un agent incarné doit suivre une instruction en langage naturel en ne disposant que d'une observation égocentrique initiale, sans image du but. La perception et le contrôle continu doivent donc être guidés uniquement par le texte. Les auteurs introduisent le jeu de données LCVN, qui regroupe 39 016 trajectoires et 117 048 instructions vérifiées par des humains, couvrant des environnements et des styles de consigne variés. Ils comparent deux approches. La première, l'imagination latente, associe un modèle du monde à base de diffusion (LCVN-WM), qui imagine les observations futures, à un agent acteur-critique (LCVN-AC) dont la politique est apprise entièrement dans cet espace latent imaginé. La seconde, la prédiction autorégressive unifiée (LCVN-Uni), utilise un seul backbone multimodal qui prédit actions et observations en une passe sur une séquence de tokens partagée. Les résultats montrent que les deux approches sont complémentaires. L'imagination latente produit des déroulés plus cohérents dans le temps, tandis que la prédiction unifiée généralise mieux à des environnements jamais vus. Pour un ingénieur robotique ou un intégrateur, l'enseignement porte sur l'arbitrage d'architecture entre un modèle du monde explicite, utile pour la planification, et un modèle unique de type VLA (vision-langage-action), plus robuste hors distribution. Des ablations isolent l'effet du guidage linguistique, des signaux de conditionnement et du style d'instruction. Elles permettent de savoir si le goulot d'étranglement vient de l'ancrage du langage ou de la modélisation de la dynamique. Cette distinction est précieuse pour orienter les investissements, entre meilleures données langagières et meilleurs modèles dynamiques. Il faut cependant rester prudent : il s'agit d'un travail académique évalué sur un benchmark, sans déploiement sur robot physique annoncé. Il ne dit rien du transfert sim-to-real ni des temps de latence en conditions industrielles. Ce travail s'inscrit dans la longue tradition de la navigation visuelle conditionnée par un but image, qui sert de banc d'essai à l'IA incarnée depuis des années. Il rejoint la tendance actuelle qui combine modèles du monde génératifs et politiques linguistiques, portée par des modèles du monde comme ceux de la famille Genie ou Cosmos et par les VLA généralistes (Pi-0, GR00T, Helix), qui visent surtout la manipulation. La navigation par instruction reste moins couverte par ces modèles. Le jeu de données, relativement volumineux pour la tâche, peut servir de référence commune. Aucune suite commerciale ni calendrier de pilote n'est annoncé. La prochaine étape logique serait de tester ces approches hybrides sur du matériel réel, ou d'unifier imagination latente et prédiction autorégressive dans une même architecture.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Modèle vision-langage-action partagé et modulaire pour le contrôle universel de la morphologie en MDP contextuels

Une équipe de recherche propose une nouvelle architecture pour piloter des robots de morphologies très différentes avec un seul contrôleur, dans un article intitulé "Shared Modular Recurrence in Contextual MDPs for Universal Morphology Control" (arXiv:2506.08630, version 3, republiée en cross-listing début juillet 2026). Le système repose sur une architecture transformer combinée à une récurrence modulaire partagée entre les composants du robot (bras, jambes, articulations), conçue pour reconstruire des informations contextuelles sur les propriétés physiques d'un robot même quand ces données ne sont que partiellement disponibles au départ. Les chercheurs l'ont testé sur un large ensemble de robots simulés dans MuJoCo, le moteur physique open source largement utilisé en apprentissage par renforcement, à travers quatre environnements distincts. Résultat clé: le modèle affiche un gain net en généralisation zero-shot, c'est-à-dire sa capacité à piloter correctement des robots aux dynamiques, cinématiques et topologies jamais rencontrées pendant l'entraînement, sans réglage additionnel. Cette avancée s'inscrit dans un enjeu central pour l'industrie robotique: réduire le coût d'entraînement et de déploiement de contrôleurs spécifiques à chaque morphologie de robot. Un contrôleur universel capable de généraliser à de nouveaux designs mécaniques réduirait drastiquement les besoins en données et en calcul pour chaque nouveau modèle de robot, un problème que rencontrent aujourd'hui les fabricants de robots humanoïdes et de bras manipulateurs multiples. C'est aussi une contribution au débat sur la viabilité des architectures de type VLA (vision-language-action) et des politiques génériques à grande échelle: ici, la généralisation ne vient pas d'un volume massif de données mais d'une architecture qui exploite explicitement la structure modulaire du robot. L'approche s'inscrit dans une lignée de travaux en RL contextuel et en contrôle multi-robots qui exploitent déjà des informations sur la morphologie pour entraîner des agents partagés, mais qui peinaient jusqu'ici à généraliser à des morphologies fortement dissimilaires. Le fait que cet article soit republié en tant que "replace-cross" sur arXiv suggère une révision après retours de la communauté, un signe que le sujet suscite un intérêt actif en apprentissage par renforcement appliqué à la robotique. Les prochaines étapes attendues concernent une validation sur robots physiques réels, au-delà des simulations MuJoCo, pour confirmer le transfert sim-to-real.

RecherchePaper

1 source