Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Un correcteur appris fait-il mieux qu'un simple repli ? Résultats avec un VLA gelé
RecherchearXiv cs.RO 

Un correcteur appris fait-il mieux qu'un simple repli ? Résultats avec un VLA gelé

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

Une étude publiée sur arXiv (2610.06921) examine si un correcteur appris, déployé à l'exécution sur une politique vision-langage-action (VLA) gelée, apporte réellement plus qu'une simple action de repli. Les auteurs testent π0.5, le modèle de Physical Intelligence, laissé inchangé, sur quatre tâches du benchmark de simulation RoboTwin. Pour chaque graine de test, ils apparient un rollout sans correction et un rollout avec correction. Ils ajoutent un témoin placebo: une seconde exécution de la politique de base avec la même graine. Sur 3 888 épisodes appariés, le pipeline complet augmente le taux de succès de 13,5 points de pourcentage sur la tâche « beat block hammer » (intervalle à 95 % de +9,4 à +17,7). Les trois autres tâches ne montrent aucun gain détectable au poids de correction déployé. Parmi les épisodes de base en échec sur la tâche réactive, 43,2 % réussissent à la simple relance, contre 63,5 % après correction.

Ces chiffres relativisent la notion de « sauvetage ». Près de la moitié des échecs récupérés par le correcteur auraient été récupérés par la seule variabilité stochastique de la politique. Un intégrateur qui mesure un correcteur contre une exécution unique surestime donc son apport. L'efficacité dépend aussi fortement de la tâche: un mécanisme de récupération qui améliore nettement un cas peut être neutre sur les autres. La décision d'intervenir ne peut pas être fixée une fois pour toutes. Le protocole (placebo apparié, intervalles par grappes de graines, règles de comparaison prédéfinies) est lui-même réutilisable pour évaluer les couches de sécurité et de récupération autour des VLA.

Sur le plan comparatif, un déclencheur à instant fixe, associé à un retour scripté vers une configuration articulaire antérieure, produit un gain net sur deux séries d'essais. Aucune différence n'est détectée avec le pipeline appris, même si le critère d'équivalence prédéfini n'est pas respecté de façon constante. Une simple pause et un contrôle à action constante n'apportent pas de gains comparables. Le résultat ne démontre donc pas que la complexité apprise est inutile, mais qu'elle n'est pas prouvée. Les limites sont nettes: l'étude est menée en simulation, sur quatre tâches et une seule politique. Elle s'inscrit dans la course aux VLA généralistes (π0.5, Helix, GR00T), où la fiabilité à l'exécution, plutôt que le réentraînement, devient un enjeu de déploiement. Un retrait simple et un placebo apparié devraient servir de référence minimale avant d'investir dans des correcteurs appris.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

IA physique & VLANVIDIA GR00TPhysical Intelligence — π0arXiv cs.RO

À lire aussi

REACT : débruitage glissant et double découplage pour un contrôle réactif des robots avec des modèles VLA
1arXiv cs.RO 

REACT : débruitage glissant et double découplage pour un contrôle réactif des robots avec des modèles VLA

Des chercheurs publient sur arXiv (2610.12007) REACT, un cadre de « rolling denoising » destiné aux modèles vision-langage-action (VLA) à base de flow matching, ces modèles qui génèrent des séquences d'actions (« action chunks ») pour produire des mouvements de robot cohérents dans le temps. Au lieu de régénérer un chunk complet à chaque cycle, REACT maintient un tampon d'actions persistant dont les blocs sont à des pas de débruitage échelonnés. À chaque pas de contrôle, tout l'horizon est débruité avec l'observation la plus récente, le bloc le plus « propre » est exécuté, les blocs partiellement raffinés sont décalés vers l'avant et du bruit frais est ajouté en queue. Chaque action est ainsi affinée sur plusieurs observations successives avant d'être envoyée au robot. Un second volet, le « dual decoupling », sépare la perception, l'encodage par le VLM, le débruitage par le DiT (diffusion transformer) et l'exécution des actions, ce qui permet des mises à jour d'observation à haute fréquence et un flux d'actions continu sous des contraintes de calcul réalistes. L'évaluation couvre le benchmark de simulation RoboTwin 2.0 et des tâches réelles de manipulation bimanuelle et de contrôle dynamique sur plusieurs plateformes robotiques. Les auteurs revendiquent un meilleur taux de réussite, une latence de réaction réduite et des trajectoires plus lisses que les méthodes de replanification fréquente et les approches asynchrones. Le résumé ne donne aucun chiffre précis, ni fréquence de contrôle, ni gain en points de succès. L'enjeu est un compromis structurel des VLA actuels. Des chunks longs donnent des mouvements fluides mais un robot lent à réagir à une perturbation, tandis qu'une replanification fréquente améliore la réactivité au prix de discontinuités qui abîment la qualité du geste, voire le matériel. Pour un intégrateur, cela touche directement les tâches dynamiques (objets mobiles, convoyeurs, interaction avec des humains) où les démonstrations de VLA restent souvent cantonnées à des scènes quasi statiques. Si les gains se confirment, REACT montrerait qu'on peut gagner en réactivité par l'architecture d'inférence, sans réentraîner de modèle plus gros. Il faut toutefois rester prudent : il s'agit d'un preprint non évalué par les pairs, et la comparaison porte sur des baselines choisies par les auteurs. L'absence de chiffres de latence dans le résumé empêche pour l'instant de juger si le gain est marginal ou décisif. Cette approche s'inscrit dans une série de travaux sur le temps réel des VLA. Les chunks d'actions issus de la diffusion ou du flow matching, popularisés par des modèles comme Pi-0, ont imposé ce dilemme, et des méthodes asynchrones ou de « real-time chunking » ont tenté de le contourner en exécutant l'inférence en parallèle du mouvement. REACT s'en distingue en transposant au contrôle robotique l'idée du débruitage glissant (rolling diffusion), déjà utilisée en génération vidéo, et en y ajoutant la séparation des composants pour tenir les contraintes de calcul embarquées. La suite dépendra de la publication du code, de mesures sur des cycles de contrôle réels et de tests sur d'autres familles de VLA, en particulier celles qui visent le déploiement industriel.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Robot de tennis de table : combler l'écart sim-vers-réel avec un prédicteur d'états de balle par transformeur
2arXiv cs.RO 

Robot de tennis de table : combler l'écart sim-vers-réel avec un prédicteur d'états de balle par transformeur

Des chercheurs ont publié le 11 juin 2026 sur arXiv (référence 2606.11464) un cadre basé sur des transformeurs pour prédire l'état d'une balle de ping-pong en conditions réelles, dans le but d'améliorer le contrôle en boucle fermée d'un robot de tennis de table. Le système modélise les corrélations temporelles longue portée à partir de séquences d'observations historiques, sans recourir à des équations physiques de vol ou de rebond. Pour l'entraînement, l'équipe a constitué un jeu de données réel à grande échelle, collecté auprès de joueurs de niveaux variés et avec des configurations différentes de canons à balles, afin de maximiser la diversité des trajectoires. La pièce centrale de la contribution est SPAD (Swap Predictor at Deployment) : une stratégie de transfert sim-to-real qui consiste simplement à substituer, au moment du déploiement, le simulateur physique utilisé pendant l'entraînement par le prédicteur entraîné sur données réelles, sans nécessiter de réentraînement de la politique de contrôle. Ce résultat est significatif car il s'attaque directement au problème du sim-to-real gap, l'un des verrous majeurs de la robotique dynamique à haute vitesse. La plupart des approches existantes soit dépendent d'une identification précise des paramètres physiques (masse de la balle, coefficient de rebond, spin), soit peinent à généraliser hors distribution simulée. SPAD propose une alternative modulaire : le prédicteur est un composant interchangeable, ce qui permet de conserver l'efficacité de l'entraînement en simulation tout en bénéficiant de la fidélité des données réelles uniquement à l'inférence. C'est un paradigme "plug-and-play" qui pourrait s'étendre à d'autres tâches de manipulation rapide où la simulation reste incomplète. Le tennis de table robotique est un banc de test établi pour le contrôle haute vitesse, utilisé notamment par des équipes de Google DeepMind (qui ont démontré des robots capables de battre des joueurs amateurs en 2023) et par plusieurs laboratoires universitaires en Chine et en Europe. La spécificité de cette approche est d'éviter toute hypothèse sur le modèle physique du vol de balle, là où des systèmes comme celui de DeepMind intègrent encore des composantes analytiques explicites. La prochaine étape naturelle serait de valider SPAD sur des politiques de contrôle plus complexes, notamment face au spin variable et aux échanges multi-rebonds, qui restent les cas limites non résolus du domaine.

RecherchePaper
1 source
Trouve ce que tu ne sais pas faire : apprentissage par renforcement en conditions réelles à base d'agents pour des modèles VLA auto-améliorants
3arXiv cs.RO 

Trouve ce que tu ne sais pas faire : apprentissage par renforcement en conditions réelles à base d'agents pour des modèles VLA auto-améliorants

Des chercheurs proposent FIND, un cadre d'apprentissage par renforcement (RL) en conditions réelles qui permet à un modèle vision-langage-action (VLA) de s'améliorer seul à partir de ses propres échecs. Le dispositif repose sur un VLA π0.5 gelé, complété par un RL « off-policy » résiduel, c'est-à-dire une couche de correction apprise sans toucher aux poids du modèle de base. Sur huit tâches de manipulation réelles, le taux de succès, évalué indépendamment par des humains, passe de 55 % à 71,9 %. Une exécution représentative enchaîne 456 épisodes autonomes en 6 heures d'interaction, avec 30 interventions humaines de remise en ordre de la scène et aucune étiquette de récompense fournie par un humain pendant l'apprentissage en ligne. Un site de projet (FIND.github.io) est annoncé. Il s'agit d'un résultat de recherche, sans produit ni déploiement industriel. L'enjeu porte sur deux verrous du RL en monde réel : les remises à zéro manuelles de l'environnement après chaque essai et la supervision du succès par un opérateur. FIND les contourne. Plutôt que de restaurer une scène prédéfinie, un agent vision-langage observe l'état obtenu après chaque essai, choisit dans une bibliothèque prédéfinie les tâches réalisables, privilégie celles au taux de succès récent le plus faible et juge le résultat en comparant les images avant et après exécution. La pratique devient ainsi un problème de sélection de tâches conditionnée par la scène et par la performance. Pour un intégrateur, cela esquisse des VLA qui progressent sur site sans cellule de reset dédiée ni annotation continue. Des réserves s'imposent : le gain reste de 17 points environ, le plafond est inférieur à 72 %, le périmètre se limite à huit tâches d'une bibliothèque fixe, et 30 interventions humaines subsistent. La fiabilité du juge visuel est examinée dans les ablations, ce qui reste le point à vérifier, car une erreur d'évaluation se propage directement à la politique. Ces travaux s'inscrivent dans la série des modèles π0 puis π0.5 de Physical Intelligence, généralement déployés comme politiques figées après pré-entraînement et affinage supervisé. Le RL en monde réel sur ces modèles, déjà exploré par d'autres équipes, se heurtait aux coûts humains que FIND cherche à réduire. L'approche rejoint les boucles d'auto-amélioration revendiquées par des acteurs comme Physical Intelligence, Figure ou Tesla, sans que leurs résultats soient comparables, faute de protocole commun. Les suites probables sont l'extension à des bibliothèques de tâches ouvertes, la réduction des interventions restantes et des tests sur d'autres VLA ou en conditions de production.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Retissage de la sémantique, de la dynamique et du contrôle : un transformeur à trois flux centré sur l'action, simple mais efficace
4arXiv cs.RO 

Retissage de la sémantique, de la dynamique et du contrôle : un transformeur à trois flux centré sur l'action, simple mais efficace

Une équipe de chercheurs publie sur arXiv (2610.11416v1) ACT³, pour Action-Centric Tri-Stream Transformer, une architecture de politique robotique qui combine trois flux de calcul. Un modèle vision-langage (VLM) apporte la compréhension sémantique. Un modèle du monde (WM) génératif de vidéo apporte la prédiction de dynamique. Un « expert d'action » produit les commandes. Cet expert accède aux représentations des deux backbones par attention couche par couche, et chaque backbone n'attend qu'à l'intérieur de son propre flux. Les flux se propagent donc indépendamment, mais les deux backbones restent mis à jour par la supervision de contrôle. Les auteurs affirment des résultats supérieurs aux approches comparables sur des benchmarks de manipulation en simulation et en conditions réelles. Le résumé ne donne ni taux de réussite, ni noms de benchmarks, ni plateforme matérielle, ni coût de calcul : il s'agit d'un preprint de recherche, sans produit ni déploiement. L'intérêt tient au problème que cible ce travail. Les VLA (Vision-Language-Action) héritent de VLM pré-entraînés riches en sémantique mais pauvres en connaissances de physique, ce qui limite la généralisation des politiques. Greffer un modèle du monde corrige ce manque, mais la manière de fusionner sémantique et dynamique reste ouverte. ACT³ défend une solution volontairement simple, sans mélange des représentations, qui préserve les rôles distincts de chaque source. Si le gain se confirme, c'est un schéma réutilisable pour les équipes qui assemblent des politiques à partir de briques pré-entraînées. Deux réserves s'imposent. Faire tourner un générateur de vidéo à l'inférence pèse sur la latence et le budget GPU, et rien n'est chiffré ici. Les résultats annoncés sans valeurs ne permettent pas non plus d'évaluer l'écart entre démonstration et fiabilité industrielle. Ce travail s'inscrit dans la lignée des VLA bâtis sur des VLM, comme Pi-0 de Physical Intelligence ou GR00T de NVIDIA, dont l'expert d'action dédié est le modèle évident. Il suit aussi la vague récente de politiques qui injectent des modèles du monde vidéo pour anticiper les conséquences physiques des actions. La suite dépendra d'éléments que le résumé ne fournit pas : publication du code et des poids, comparaisons indépendantes avec des baselines établies, et mesures de fréquence de contrôle sur robot réel.

RecherchePaper
1 source