Aller au contenu principal
V-VLAPS : planification guidée par valeur pour les modèles vision-langage-action (VLA)Illustration générée par IA
RecherchearXiv cs.RO 

V-VLAPS : planification guidée par valeur pour les modèles vision-langage-action (VLA)

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs proposent V-VLAPS (Value-Guided Vision-Language-Action Planning and Search), une méthode qui augmente les modèles VLA (Vision-Language-Action) d'un signal de valeur appris pour améliorer la planification en manipulation robotique. Les VLA encodent perception visuelle, langage et commande motrice pour générer des actions, mais leur comportement purement réactif se dégrade hors distribution d'entraînement ou sur des tâches à horizon long. V-VLAPS ajoute une tête de valeur légère (value head), entraînée sur des trajectoires hors-ligne (offline rollouts), qui prédit les retours Monte Carlo et guide un MCTS (Monte Carlo Tree Search) vers les branches de plus haute valeur. Sur les cinq suites du benchmark LIBERO, V-VLAPS égale la baseline sans valeur au budget de recherche standard ; avec un budget élargi, il la dépasse dans toutes les suites, avec +6 points de pourcentage sur LIBERO-Object et +4 points sur LIBERO-10.

L'apport central est de démontrer que les représentations internes des VLA encodent non seulement des informations sur l'échec d'une trajectoire (déjà documenté dans la littérature), mais peuvent aussi estimer la valeur pendant la planification. Cela ouvre une voie pragmatique pour les intégrateurs : renforcer des politiques VLA existantes sans réentraînement complet, par simple ajout d'une tête de valeur et d'un budget de recherche accru. L'analyse révèle toutefois une limite claire : la majorité des échecs durs sont des timeouts au niveau racine, là où les valeurs prédites restent peu différenciées, ce qui plafonne le gain observé et indique que le signal de valeur est encore insuffisamment discriminant en début de trajectoire.

Ce travail (préprint arXiv, janvier 2026) s'inscrit dans une série de méthodes cherchant à coupler la puissance générative des VLA modernes (RT-2, OpenVLA, Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA) avec des mécanismes de planification structurée, face aux approches concurrentes par world models et diffusion planifiante. Les résultats sont obtenus uniquement en simulation sur LIBERO et ne sont pas encore validés sur robot réel, limite classique de ce type de contribution arxiv. La prochaine étape naturelle est une évaluation sim-to-real pour vérifier si le signal de valeur appris se transfère hors simulation, notamment sur des tâches à contacts complexes ou en environnement non structuré.

À lire aussi

RePlan-VLA : replanification guidée par la progression pour les modèles vision-langage-action (VLA) à long horizon
Illustration générée par IA
1arXiv cs.RO 

RePlan-VLA : replanification guidée par la progression pour les modèles vision-langage-action (VLA) à long horizon

Des chercheurs publient sur arXiv (v1, novembre 2026) RePlan-VLA, un cadre logiciel conçu pour fiabiliser l'exécution de tâches longues par des modèles vision-langage-action (VLA), ces politiques de manipulation robotique qui convertissent images et instructions en commandes moteur. Le système est indépendant du VLA utilisé : il laisse la politique sous-jacente intacte, sans aucun réglage fin supplémentaire. Il surveille explicitement le mouvement du robot pour évaluer la progression de la tâche en cours, puis révise le plan à venir en fonction des résultats observés. Sur les benchmarks de simulation RoboCasa365 et CALVIN, il améliore le taux de réussite de 21,9 % et de 10,4 % par rapport à la meilleure base de comparaison.

RecherchePaper
1 source
PHR-VLA : raisonnement à horizon de planification pour les modèles vision-langage-action
Illustration générée par IA
2arXiv cs.RO 

PHR-VLA : raisonnement à horizon de planification pour les modèles vision-langage-action

Des chercheurs présentent PHR-VLA (Planning Horizon Reasoning for Vision-Language-Action Models), décrit dans un preprint arXiv publié fin août 2026 (arXiv:2608.27609). Le système ajoute aux modèles vision-langage-action une tête auxiliaire légère, activée uniquement à l'entraînement, qui aligne les représentations internes du modèle avec la dynamique future de la tâche extraite d'observations à venir. Une supervision locale et centrée sur le contact, au niveau des patchs d'image issus de la caméra de poignet, fait passer le taux de réussite sur le benchmark simulé LIBERO de 84,1% à 88,4%, et sur des tâches réelles de désassemblage de 63,3% à 82,5%. Une supervision équivalente via une caméra à la troisième personne améliore aussi légèrement les résultats sur Meta-World, de 56,70% à 57,8%.

RechercheOpinion
1 source
Planification de tâches et de mouvements guidée par la preuve avec des modèles vision-langage
Illustration générée par IA
3arXiv cs.RO 

Planification de tâches et de mouvements guidée par la preuve avec des modèles vision-langage

EAFG (Evidence Acquisition and Feasibility Gating), publié sur arXiv le 20 août 2026 (2608.20084v1), est un framework de planification de tâches et de mouvements (TAMP) pilotée par des modèles vision-langage (VLM) pour robots manipulateurs. Face à une instruction longue, comme cuisiner un plat, le VLM peut halluciner la présence d'objets jamais observés et bâtir des sous-objectifs sur ses connaissances a priori plutôt que sur la perception réelle, causant des échecs d'exécution. EAFG fait d'abord explorer le robot, via des sous-objectifs générés par le VLM et exécutés par TAMP, pour recueillir des preuves visuelles ; une porte de faisabilité décide ensuite de planifier, d'explorer davantage, ou d'arrêter.

RecherchePaper
1 source
ActPrune : élagage de jetons visuels guidé par l'action pour des modèles vision-langage-action (VLA) efficaces
Illustration générée par IA
4arXiv cs.RO 

ActPrune : élagage de jetons visuels guidé par l'action pour des modèles vision-langage-action (VLA) efficaces

ActPrune, une méthode d'élagage de tokens visuels sans entraînement pour les modèles vision-langage-action (VLA), a été publiée sur arXiv (2611.08827). Elle vise un goulot d'étranglement connu: le coût d'inférence des VLA, qui limite la rapidité de réaction d'un robot en boucle fermée. Contrairement aux approches précédentes, qui estiment la redondance des tokens à partir des embeddings visuels ou de l'attention, donc après le passage de l'image entière dans l'encodeur visuel, ActPrune prend sa décision en amont de l'encodeur. Elle s'appuie pour cela sur l'action propre du robot: le « chunk » d'actions prédit au pas de contrôle précédent est déjà disponible avant l'encodage de la nouvelle observation, et il décrit le mouvement de l'effecteur et de la caméra entre deux…

RecherchePaper
1 source