OGPO : un affinage complet et efficace des politiques de contrôle génératives

ELASTIC : passage à l'échelle adaptatif du calcul en temps de test pour l'apprentissage efficace de politiques de contrôle génératives

Un nouvel article de recherche publié sur arXiv (identifiant 2606.31132) présente ELASTIC, un algorithme conçu pour optimiser le calcul mobilisé au moment de l'exécution par les politiques de contrôle génératives, notamment les diffusion policies et les modèles vision-langage-action (VLA) de type flow-based. Ces politiques peuvent allouer davantage de ressources selon deux axes : la mise à l'échelle séquentielle, qui augmente le nombre d'étapes de débruitage pour affiner une action, et la mise à l'échelle parallèle, qui échantillonne plusieurs actions candidates pour explorer différents modes de la distribution. ELASTIC formule ce choix comme un meta-processus de décision markovien : une meta-politique observe l'état du robot et décide, à chaque itération de débruitage, combien d'étapes séquentielles et d'échantillons parallèles allouer, entraînée par apprentissage par renforcement sans accès aux données d'entraînement de la politique de base. Sur des benchmarks de manipulation simulés avec des diffusion policies, ELASTIC domine au sens de Pareto les approches à budget fixe ou à échelle unique. En conditions réelles, avec le modèle VLA pi-0.5, la méthode égale les performances d'un "best-of-10" (dix tentatives échantillonnées) tout en réduisant la latence de 34%. L'enjeu dépasse la seule performance de laboratoire : l'allocation de calcul test-time reste aujourd'hui largement empirique, fixée à la main selon la tâche. Un mécanisme qui adapte automatiquement l'effort de calcul, par exemple en explorant davantage lors d'une phase de saisie éloignée de l'objet puis en resserrant la précision près du contact, s'attaque directement au compromis latence/fiabilité qui freine le déploiement industriel des VLA. Pour les intégrateurs, cela ouvre la voie à des politiques capables de s'exécuter plus vite sans sacrifier le taux de réussite, un point critique pour des cycles de production. Le travail s'inscrit dans la lignée des recherches sur le test-time scaling, déjà popularisé en robotique par les diffusion policies et par des modèles comme GR00T N2 ou Pi-0 de Physical Intelligence, dont pi-0.5 sert justement de base expérimentale ici. Les auteurs ne précisent pas de calendrier de déploiement industriel ; il s'agit pour l'instant d'un résultat de recherche destiné à orienter la conception des futures architectures VLA plutôt qu'un produit prêt à intégrer.

FlowCorrect : correction interactive et efficace de politiques de flux génératif pour la manipulation robotique

Des chercheurs ont publié sur arXiv (arXiv:2602.22056, version 3) une méthode baptisée FlowCorrect, destinée à corriger en temps réel les politiques de manipulation robotique génératives basées sur le flow matching, sans réentraînement. Le système s'appuie sur de brèves corrections humaines de trajectoire, transmises via une interface VR légère, pour ajuster localement la politique lorsque le robot rate une prise ou une pose de justesse. L'équipe a testé FlowCorrect sur un robot réel, sur quatre tâches de manipulation sur table : prise-et-dépose, versement de liquide, redressement d'une tasse et insertion. Avec un budget de corrections faible, la méthode atteint un taux de réussite de 80% sur des cas d'échec précédemment observés, tout en préservant les performances sur les scénarios déjà maîtrisés. Le résultat cible un problème concret pour les intégrateurs industriels : les politiques génératives de type VLA ou flow-matching, entraînées par imitation, échouent souvent lors du déploiement à cause de déplacements de distribution entre l'entraînement et le terrain, un écart bien documenté entre démonstrations impressionnantes et robustesse réelle. Plutôt que de réentraîner l'ensemble du modèle, coûteux et lent, FlowCorrect propose une correction incrémentale et locale à partir de très peu de démonstrations, ce qui intéresse directement les équipes cherchant à fiabiliser des déploiements sans cycle complet de réentraînement. Le chiffre de 80% doit toutefois être lu avec prudence : il porte sur seulement quatre tâches de laboratoire et un nombre limité d'essais, loin des volumes de déploiement industriel évoqués par des acteurs commerciaux du secteur humanoïde. FlowCorrect s'inscrit dans la lignée des politiques visuomotrices génératives (flow matching, diffusion) qui sous-tendent des modèles comme Pi-0 ou GR00T N2, et dans un courant de recherche en apprentissage par imitation interactif visant à corriger les robots en boucle avec l'humain plutôt que de tout réentraîner depuis zéro. Le papier, marqué comme une mise à jour ("replace") sur arXiv, correspond à une révision d'un travail déjà soumis plutôt qu'à une première annonce. Aucune entreprise ni site de déploiement industriel n'est cité : il s'agit d'un travail de recherche académique, testé en conditions de laboratoire, sans indication de pilote commercial ni de calendrier de mise sur le marché. Sa portée reste donc celle d'une preuve de concept méthodologique, à confirmer sur des tâches plus variées et des volumes plus importants avant toute intégration industrielle.

UniReflex : contrôle de force plug-and-play pour politiques génératives préentraînées via réflexe rapide-lent

UniReflex, décrit dans un preprint arXiv publié mi-août 2026 (2608.17432v1), ajoute un contrôle de force en boucle fermée à des politiques d'imitation générative déjà entraînées, sans réentraîner leur réseau principal. En interceptant les représentations latentes de la tête d'action, il pilote un réseau réflexe rapide qui sépare l'exercice actif de force de la réponse aux interactions externes, prédit des directions de rigidité anisotrope pour un contrôle d'impédance variable (VIC) directionnel, et bascule via un gating adaptatif entre planification en position et exécution en force. Sur des essais réels bimanuels, la méthode améliore la stabilité de contact et le taux de réussite tout en préservant la précision de position, avec une latence de rétropropagation par pas 25 à 66 fois plus faible que l'entraînement conjoint. L'enjeu est concret : les politiques génératives récentes, de type diffusion ou VLA, planifient bien les trajectoires mais ne régulent pas la force de contact, un manque critique pour l'assemblage, l'insertion ou la manipulation d'objets déformables. Jusqu'ici, ajouter cette modalité imposait de redesigner ou réentraîner tout le réseau, opération coûteuse et incompatible avec la logique des modèles fondation préentraînés à grande échelle. En figeant le backbone et en ne branchant qu'un module réflexe léger, UniReflex ouvre une voie pour équiper des politiques déjà entraînées d'un contrôle de force sans casser leur compatibilité, un point de friction réel pour les intégrateurs visant l'industrialisation de la manipulation en contact ; les résultats restent toutefois des démonstrations de laboratoire, et le gain de latence n'est vérifié que sur les backbones testés par les auteurs. Ce travail s'inscrit dans une tendance où les modèles VLA et les politiques par diffusion dominent désormais la manipulation robotique, au détriment du contrôle d'impédance classique de la robotique industrielle, plus précis en force mais moins généraliste. Les approches concurrentes exigent généralement de reconcevoir l'architecture ou de réentraîner tout le backbone pour intégrer la force ; UniReflex se distingue en se déclarant compatible avec tout backbone génératif figé, testé sur plusieurs architectures en configuration bimanuelle. Simple preprint non encore relu par les pairs, le travail devra être validé sur davantage de plateformes et comparé aux références établies du contrôle de force en dehors des benchmarks internes des auteurs.

EVE : un système générateur-vérificateur pour les politiques génératives

Des chercheurs ont publié en décembre 2024 sur arXiv (2512.21430) EVE, un framework modulaire de type générateur-vérificateur visant à améliorer les politiques visuomotrices génératives en robotique, au moment de l'inférence et sans aucun réentraînement. Le système enveloppe une politique de base figée, reposant sur la diffusion ou le flow-matching, avec plusieurs agents vérificateurs VLM (Vision-Language Model) opérant en mode zéro-shot. Chaque vérificateur propose des raffinements d'actions candidates générées par la politique de base ; un module d'incorporation fusionne ensuite les retours agrégés via un guidage par classifieur intégré dans le processus de débruitage de l'action. Les évaluations couvrent des tâches de manipulation simulées et réelles sur différents embodiments robotiques, avec des gains de taux de succès mesurés dans chaque configuration testée, sans modifier ni la politique ni les vérificateurs. L'intérêt principal réside dans le transfert d'une technique émergente des LLMs, le scaling du compute au test-time, vers la commande robotique incarnée. Des systèmes comme OpenAI o1 ou DeepSeek-R1 ont montré qu'allouer davantage de calcul à l'inférence améliore significativement les performances, sans toucher aux poids du modèle. EVE applique cette logique aux politiques génératives : là où une politique de diffusion dégrade sous distribution shift (scènes inédites, objets non vus à l'entraînement, perturbations), les vérificateurs VLM guident la correction sans fine-tuning coûteux. Pour les intégrateurs et décideurs B2B, le signal est concret : améliorer les performances d'un modèle déployé pourrait devenir une question de ressources de calcul à l'inférence, non de nouveaux cycles d'entraînement sur des données supplémentaires. Les politiques visuomotrices par diffusion ont émergé à partir de 2023 avec Diffusion Policy (Columbia University) et ACT, suivies d'architectures flow-matching comme pi0 de Physical Intelligence. Ces modèles performent correctement sur leur distribution d'entraînement mais peinent hors distribution, un frein central au déploiement industriel. EVE s'inscrit dans une tendance plus large qui consiste à coupler des VLMs généralistes avec des politiques spécialisées sans réentraînement. Les approches concurrentes incluent le Best-of-N sampling appliqué à la robotique et les méthodes de récompense dense au test-time (SuSIE, GROOT). La suite logique serait de valider EVE sur des plateformes physiques à plus grande échelle et de quantifier le trade-off latence/qualité en fonction du nombre de vérificateurs actifs simultanément.

💬 Le test-time compute en robotique, c'était la suite évidente après o1, et j'attendais que quelqu'un le fasse proprement. Améliorer une politique déployée sans relancer un cycle d'entraînement, c'est le genre d'approche qui va vraiment intéresser les intégrateurs si ça tient en prod. Tu gardes un oeil sur le trade-off latence/nombre de vérificateurs, parce que là ça peut vite coûter cher.