La variance du débruitage guide la replanification…

1arXiv cs.RO

Au-delà de la prédiction du futur : le débruitage comme adaptation générative pour le contrôle des robots

Des chercheurs publient sur arXiv (arXiv:2609.28339v1) une méthode baptisée NowWAM pour entraîner des politiques de contrôle robotique à partir de Diffusion Transformers (DiT) pré-entraînés sur de la génération d'images et de vidéos. Plutôt que de prédire des images futures pour transférer ce prior génératif vers le contrôle, comme le font la plupart des approches existantes, NowWAM débruite l'observation courante et prédit les actions du robot à partir du même flux visuel, sans cible visuelle future séparée. Sur le benchmark de simulation LIBERO-Plus, avec un backbone FLUX2-Klein, la méthode atteint 87,7 % de réussite, soit 6,1 points de plus qu'une base entraînée avec prédiction du futur, tout en divisant par deux le nombre de tokens visuels d'entraînement (784 à 392) et en réduisant le temps par étape de 2,85 à 1,63 seconde, un gain de vitesse de 1,8x. Avec un backbone texte-vers-image pur, Z-Image, sans capacité de génération vidéo ni d'édition d'image, NowWAM atteint 87,8 %. Le résultat central du papier est que restreindre l'entraînement au seul point d'arrivée débruité dégrade nettement la robustesse, alors que remplacer la cible future par la cible présente ne change quasiment rien aux performances. Cela suggère que ce n'est pas la prédiction du futur en tant que telle qui rend utile le prior génératif des DiT pour le contrôle, mais la trajectoire de débruitage elle-même, utilisée comme interface d'apprentissage. Pour le secteur des politiques robotiques de type VLA (vision-language-action), bâties sur des bases génératives comparables à celles derrière Pi-0 ou GR00T N2, ce travail remet en cause l'hypothèse répandue selon laquelle un module de prédiction vidéo du futur serait nécessaire pour exploiter un prior génératif. Il ouvre aussi une piste d'efficacité concrète: moitié moins de tokens visuels et un temps de calcul par étape quasi divisé par deux, un enjeu direct pour le contrôle temps réel embarqué. Ce travail s'inscrit dans la tendance à construire des politiques de contrôle sur des DiT pré-entraînés à grande échelle, une lignée qui inclut des modèles comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, généralement adaptés via prédiction visuelle du futur. NowWAM se positionne comme une alternative de co-entraînement plus économe, comparée sous conditions contrôlées à une base "future prédiction" sur LIBERO-Plus, un environnement de simulation standard pour la manipulation, et non un déploiement sur robot réel. Les auteurs montrent que l'adaptation au contrôle ne dépend pas d'un backbone spécialisé en vidéo ou en édition d'image, élargissant les bases génératives exploitables en robotique. Publié en preprint, l'article ne mentionne aucun déploiement industriel ni partenariat commercial; ses conclusions restent à confirmer au-delà du benchmark simulé.

RechercheActu

1 source

2arXiv cs.RO

Valider quand les futurs concordent : découpage adaptatif des actions tenant compte des conséquences pour la manipulation robotique

Une équipe de chercheurs propose CA³C (Consequence-Aware Adaptive Action Chunking), un cadre d'inférence qui décide dynamiquement quelle portion d'une séquence d'actions prédite par une politique robotique doit être exécutée avant de replanifier. Les politiques à « action chunking » prédisent des séquences de commandes sur plusieurs pas de temps, mais la plupart des systèmes exécutent un préfixe de longueur fixe, en supposant que le même horizon reste fiable dans tous les états. CA³C s'appuie sur un modèle du monde conditionné par les actions, qui simule les conséquences de plusieurs séquences candidates générées avec le même bruit d'échantillonnage. Le problème de l'horizon d'exécution est formulé comme une inférence bayésienne de point de rupture, puis la séquence retenue est choisie par consensus entre futurs imaginés. Le principe tient en une phrase : s'engager tant que les futurs simulés concordent, replanifier dès qu'ils divergent. La politique de base n'est ni modifiée ni réentraînée. Testée sur plusieurs benchmarks en simulation et sur des tâches de manipulation avec de vrais robots, la méthode améliore diverses politiques à action chunking, avec une réduction relative du taux d'échec allant jusqu'à 71,8 % par rapport aux politiques d'origine. L'intérêt tient au critère de décision. Les méthodes adaptatives existantes estiment l'horizon à partir de la similarité ou de la stabilité des actions prédites. Or des actions différentes peuvent mener au même résultat, tandis que des actions proches peuvent produire des futurs distincts. Juger la confiance dans l'espace des conséquences plutôt que dans l'espace des actions est donc plus cohérent avec ce qui compte pour la tâche. Pour les intégrateurs et les équipes qui déploient des politiques VLA ou de diffusion, l'approche est un module greffé à l'inférence, sans nouvelle collecte de données ni réentraînement, ce qui abaisse le coût d'adoption. Deux réserves : le chiffre de 71,8 % est un maximum, pas une moyenne, et le coût de calcul additionnel n'est pas précisé dans le résumé. Faire tourner un modèle du monde sur plusieurs candidats a un prix en latence, qui compte pour des cycles de contrôle rapides. La qualité du modèle du monde conditionne aussi la fiabilité du consensus. Ce travail, publié sur arXiv (2610.07949, première version), s'inscrit dans l'évolution de l'action chunking popularisé par des politiques comme ACT et Diffusion Policy, puis repris par les modèles VLA tels que Pi-0. Le compromis est connu : des horizons longs donnent des mouvements fluides mais réagissent mal aux perturbations, des horizons courts sont plus réactifs mais plus coûteux et saccadés. Parallèlement, les modèles du monde conditionnés par l'action gagnent du terrain comme outils de planification et d'évaluation. La suite logique serait de mesurer la surcharge de calcul, de tester la méthode sur des politiques de grande taille et en conditions industrielles. Il s'agit à ce stade d'un résultat de recherche, sans déploiement commercial annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Modèle de diffusion adaptatif pour la manipulation robotique efficace (VADF)

Une équipe de chercheurs a publié sur arXiv (référence 2604.15938) une proposition architecturale baptisée VADF (Vision-Adaptive Diffusion Policy Framework), visant à corriger deux défauts structurels des politiques de diffusion appliquées à la manipulation robotique. Le premier défaut est le déséquilibre de classe dû à l'échantillonnage uniforme lors de l'entraînement : le modèle traite indistinctement les exemples faciles et difficiles, ce qui ralentit la convergence. Le second est le taux d'échec à l'inférence par dépassement de délai, un problème opérationnel concret dès qu'on sort du laboratoire. VADF intègre deux composants : l'ALN (Adaptive Loss Network), un MLP léger qui prédit en temps réel la difficulté de chaque pas d'entraînement et applique un suréchantillonnage des régions à forte perte via du hard negative mining ; et l'HVTS (Hierarchical Vision Task Segmenter), qui décompose une instruction de haut niveau en sous-tâches visuellement guidées, en assignant des schedules de bruit courts aux actions simples et des schedules longs aux actions complexes, réduisant ainsi la charge computationnelle à l'inférence. L'architecture est conçue model-agnostic, c'est-à-dire intégrable à n'importe quelle implémentation existante de politique de diffusion. L'intérêt pour un intégrateur ou un responsable R&D est avant tout pratique : les politiques de diffusion souffrent de coûts d'entraînement élevés et d'une fiabilité insuffisante en déploiement réel, ce qui freine leur adoption industrielle. Si les gains annoncés par VADF se confirment sur des benchmarks indépendants, la réduction des étapes de convergence représenterait un levier significatif sur les coûts GPU, et la diminution des timeouts à l'inférence améliorerait directement la cadence opérationnelle. Il faut toutefois noter que ce travail est un preprint non évalué par des pairs, sans chiffres de performance comparatifs publiés dans l'article lui-même. Les politiques de diffusion ont émergé comme méthode de choix pour l'imitation comportementale en robotique depuis les travaux de Chi et al. en 2023 (Diffusion Policy, Columbia), avant d'être intégrées dans des architectures plus larges comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA. La principale tension du domaine reste le sim-to-real gap et la robustesse à l'inférence en conditions réelles, terrain sur lequel VADF prétend apporter une contribution. Les prochaines étapes logiques seraient une validation sur des benchmarks standard (RLBench, LIBERO) et une comparaison directe avec ACT ou Diffusion Policy de référence.

RecherchePaper

1 source

4arXiv cs.RO

Vision-Langage-Politique : un modèle pour la planification dynamique des tâches robotiques

Une équipe de recherche propose un nouveau modèle baptisé Vision-Language-Policy, ou VLP, destiné à la planification dynamique de tâches robotiques à partir de commandes en langage naturel. Décrit dans un article déposé sur arXiv (2512.19178, version révisée), le système s'appuie sur un modèle vision-langage affiné sur des données réelles, capable d'interpréter des instructions sémantiques et de raisonner sur la scène de travail observée pour générer directement des politiques de comportement pilotant le robot. Les auteurs ont testé leur approche sur plusieurs robots différents et sur une variété de tâches en conditions réelles, démontrant que le modèle peut ajuster sa stratégie en cours d'exécution lorsque les instructions changent, sans nécessiter de replanification complète. Des vidéos de démonstration sont disponibles sur robovlp.github.io. L'article ne précise pas de métriques chiffrées de type charge utile, degrés de liberté ou temps de cycle, ni de nom de robot commercial identifiable, ce qui limite l'évaluation de la performance réelle du système face aux standards du secteur. L'intérêt de ce travail réside dans la promesse de généralisation inter-incarnations, c'est-à-dire la capacité d'un même modèle à fonctionner sur des morphologies de robots différentes sans réentraînement spécifique à chaque plateforme. C'est l'un des points durs actuels de l'IA robotique, où les modèles VLA (vision-language-action) peinent souvent à transférer d'un bras ou d'un humanoïde à un autre. Si l'adaptabilité dynamique aux changements de consigne se confirme à plus grande échelle, cela répondrait à une limite classique des architectures de planification traditionnelles, qui séparent rigidement le raisonnement de haut niveau de l'exécution bas niveau et s'adaptent mal aux imprévus. Ce travail s'inscrit dans la lignée des modèles VLA récents comme Pi-0 ou GR00T N2, qui cherchent tous à unifier perception, langage et action dans un même modèle entraîné de bout en bout. Il s'agit ici d'une contribution académique, sans annonce de partenaire industriel ni de déploiement commercial, et la prudence reste de mise tant qu'une validation indépendante sur des benchmarks standardisés n'a pas été publiée.

RechercheActu

1 source

La variance du débruitage guide la replanification : découpage adaptatif pour politiques robotiques à base de flux

À lire aussi

Au-delà de la prédiction du futur : le débruitage comme adaptation générative pour le contrôle des robots

Valider quand les futurs concordent : découpage adaptatif des actions tenant compte des conséquences pour la manipulation robotique

Modèle de diffusion adaptatif pour la manipulation robotique efficace (VADF)

Vision-Langage-Politique : un modèle pour la planification dynamique des tâches robotiques