RecherchearXiv cs.RO 30 juin 2026

AERIS : intelligence à rôles en temps réel via un essaim orchestré de modèles de langage en périphérie aérienne

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

Une équipe de chercheurs publie sur arXiv (référence 2606.30151, soumis fin juin 2026) AERIS, un framework de déploiement edge conçu pour embarquer des modèles de langage sur des plateformes aériennes autonomes. L'architecture organise plusieurs petits modèles de langage spécialisés (SLM), associés à des modules de perception et de contrôle allégés, en "rôles" réassignables dynamiquement à l'exécution selon les ressources disponibles à bord. Pour respecter les contraintes de scheduling cadencées par heartbeat propres aux systèmes aériens, AERIS découple un planificateur basse fréquence et un contrôleur haute fréquence, maintenant une boucle perception-décision-contrôle closed-loop en temps réel. La décomposition d'instructions à long horizon repose sur un mécanisme dit "attention-subgoal alignment" : l'étape active de l'instruction est annotée dans les messages entre modules, permettant une progression incrémentale vers l'objectif global. Le framework a été évalué sur un benchmark VLN (Vision-and-Language Navigation) haute fidélité pour UAV, et deux expériences en conditions réelles ont validé capacité de planification et réactivité.

Ce travail s'attaque à un verrou bien identifié : la quasi-totalité des architectures LLM+robot supposent une connectivité cloud continue ou des ressources de calcul embarquées peu réalistes pour un drone. AERIS démontre qu'un raisonnement en langage naturel peut tourner localement sur UAV en substituant la taille des modèles par une orchestration fine des rôles. Le rebinding dynamique est potentiellement utile pour des flottes hétérogènes où les ressources varient d'une unité à l'autre. La limite notable : les deux expériences terrain restent des preuves de concept ciblées, sans métriques de déploiement à l'échelle, ni taux de succès mesuré en environnement non structuré.

L'intégration de LLMs dans les robots mobiles est portée depuis 2023 par SayCan (Google DeepMind), PaLM-E et les frameworks VLA comme Pi-0 de Physical Intelligence, mais ces travaux visent principalement les manipulateurs terrestres. Dans l'aérien, les contraintes énergétiques et de latence sont plus sévères, ce qui explique que la plupart des démos LLM+drone restent connectées au cloud. Des approches concurrentes sur l'inférence embarquée légère, notamment autour d'EdgeLLM ou des travaux de Microsoft Research sur les modèles compressés, explorent un espace voisin, mais rarement sur UAV. Aucun acteur européen n'est impliqué dans ce preprint. AERIS demeure un résultat académique sans partenaire industriel identifié ni roadmap de commercialisation ; la suite logique serait une validation sur flotte multi-agents en milieu dynamique non contrôlé.

Dans nos dossiers

Physical Intelligence — π0 arXiv cs.RO

À lire aussi

1arXiv cs.RO

EcoVLA : co-inférence dispositif-périphérie économe en énergie pour modèles vision-langage-action sous contraintes temps réel

Des chercheurs présentent EcoVLA, un framework de co-inférence adaptatif entre terminal embarque et serveur edge pour les modèles Vision-Language-Action (VLA) utilises en robotique, décrit dans un preprint arXiv (référence 2608.15502v1). Le système introduit une abstraction unifiee au niveau des étapes de calcul, applicable a différentes architectures VLA, couplée a un modèle de prédiction conjoint de latence et d'énergie intégrant terminal, serveur edge et réseau. EcoVLA sélectionné en continu, avec un surcout de décision de l'ordre de la milliseconde, le schéma de répartition de calcul le plus économe en énergie qui respecte les contraintes temps réel, et s'adapte aux variations du réseau et de la charge système. Un mécanisme allégé de transmission des tenseurs intermédiaires entre étapes réduit le cout de communication de cette collaboration inter-appareils. Sur plusieurs modèles VLA testes, les auteurs rapportent jusqu'a 236% de gain d'efficacité énergétique système par rapport aux approches de co-inférence existantes, sous une contrainte de fréquence de sortie d'action de 20 Hz, tout en respectant les objectifs de niveau de service même en conditions réseau et charge edge fluctuantes. Ce travail cible un goulot d'étranglement concret pour l'industrie robotique: les modèles VLA, de plus en plus utilises comme cerveau de contrôle pour robots humanoïdes et mobiles, restent trop lourds pour un fonctionnement purement embarque a budget énergétique limite, tandis qu'un délestage intégral vers un serveur distant expose le contrôle a une latence imprévisible. En proposant un partage dynamique du calcul entre terminal et edge, EcoVLA s'adresse directement aux intégrateurs devant déployer des VLA sur des flottes de robots avec des contraintes simultanées d'autonomie énergétique et de réactivité. Le chiffre de 236%, mesure en laboratoire, reste a confronter a des déploiements réels, mais il souligne l'ampleur du gaspillage énergétique des approches de co-inférence actuelles, généralement conçues sans optimisation conjointe latence-énergie. La généralisation des VLA comme fondation de l'IA incarnée a jusqu'ici privilégié la performance brute au détriment de l'efficacité de déploiement, laissant un vide entre inférence locale et inférence cloud que peu de travaux avaient traite de manière systématique et transversale aux architectures. EcoVLA reste une contribution de recherche et non un produit commercial: aucun acteur industriel, robot ou site de déploiement n'est associe a ce stade, seulement des expérimentations sur plusieurs modèles VLA en conditions simulées. Sa portée dépendra d'une reproduction indépendante des gains annonces et d'une extension a des VLA plus récents ou a des flottes robotiques hétérogènes, avant toute adoption potentielle par les fabricants de robots ou les fournisseurs de puces edge.

RecherchePaper

1 source

2arXiv cs.RO

Progress Probes P² : surveillance légère en temps réel des modèles vision-langage-action (VLA)

Des chercheurs publient sur arXiv (2610.31613) une méthode baptisée Progress Probes, ou P², qui surveille en temps réel l'exécution d'un modèle Vision-Language-Action (VLA) sans recourir à un modèle externe. Le principe consiste à entraîner des sondes linéaires sur les activations internes de la politique, à partir de simples démonstrations réussies, pour estimer l'avancement de la tâche. Une exécution est signalée comme défaillante quand sa progression s'écarte de la trajectoire attendue. Les tests ont été menés sur le VLA open source π0.5 (Physical Intelligence), en simulation et sur des tâches de manipulation réelles. D'après les auteurs, P² égale ou dépasse les moniteurs fondés sur des modèles vision-langage (VLM), ainsi que des méthodes qui exigent des données d'échec pour l'entraînement. Le résumé ne donne ni taux de détection, ni latence, ni coût de calcul chiffrés. Il s'agit d'un travail de recherche, sans produit ni déploiement industriel. L'enjeu est la supervision humaine. Un VLA reste sujet à des erreurs imprévisibles, et le déployer sans opérateur suppose un détecteur d'échec fiable. Les approches actuelles ajoutent un VLM en parallèle, ce qui alourdit l'architecture, consomme du calcul embarqué et crée un second point de défaillance. Une sonde linéaire coûte presque rien à l'inférence et s'entraîne avec des données que tout intégrateur possède déjà, ses démonstrations de réussite. Si les résultats tiennent hors du cadre des auteurs, les VLA pourraient intégrer leur propre garde-fou, ce qui compterait pour les chaînes logistiques et les cellules de manutention où chaque arrêt non détecté coûte cher. Les réserves sont nettes : un seul modèle testé, des tâches de manipulation dont la diversité reste à vérifier, et aucune donnée publiée sur les faux positifs en production. Ce travail s'inscrit dans l'essor des VLA généralistes (π0 puis π0.5 chez Physical Intelligence, Helix chez Figure, GR00T chez NVIDIA), dont la fiabilité reste le principal obstacle entre la démonstration et le déploiement. La détection d'échec reposait jusqu'ici sur des VLM externes ou sur des classifieurs entraînés avec des échecs, coûteux à collecter. L'interprétabilité par sondes, déjà courante dans les modèles de langage, gagne ainsi la robotique. Les prochaines étapes à surveiller sont la validation sur d'autres architectures de VLA, des tâches longues et des plateformes variées, puis le passage de la détection à la correction, par exemple une reprise automatique ou une demande d'aide à l'opérateur.

RecherchePaper

1 source

3arXiv cs.RO

LAW : unifier langage, action et modèle du monde pour une intelligence physique à base d'agents

LAW, pour Language, Action and World modeling, est un framework en boucle fermée publié sur arXiv (2610.23334) qui associe un modèle vision-langage (VLM) et un modèle monde-action (WAM, world-action model, capable de prédire conjointement les actions et les états futurs du monde). Le VLM de 2 milliards de paramètres planifie les sous-tâches restantes, estime la valeur des actions proposées par le WAM et les fusionne, puis évalue de façon asynchrone l'état d'exécution pour décider de poursuivre ou de passer à la sous-tâche suivante. Côté WAM, une architecture Mixture-of-Transformer Experts combine calcul spécifique à chaque modalité et calcul partagé pour modéliser conjointement vidéo et actions. Une mémoire visuelle hiérarchique à double flux fournit le contexte temporel aux deux modèles. Sur le benchmark simulé RoboTwin (50 tâches), LAW atteint 94,21 % de réussite moyenne, et 95,56 % avec le backbone OpenWAM-alpha, ce que les auteurs présentent comme un nouvel état de l'art open source. Sur trois tâches longues sur robot réel, il obtient 65 % de réussite moyenne, contre 28,33 % pour pi-0.5 et 25 % pour Fast-WAM. L'intérêt pour l'industrie tient à la manière dont le résultat est obtenu : la planification sémantique est confiée à un petit VLM, qui surpasse des variantes équipées d'Embodied-R1.5 et de GPT-5.5 High. Cela suggère que, pour le pilotage de tâches longues, un modèle spécialisé et léger peut valoir un très grand modèle généraliste, avec des implications sur la latence et le coût d'embarquement. L'apprentissage de valeur par sous-tâche, qui conserve la supervision des préfixes réussis de trajectoires ayant échoué, répond aussi à un problème pratique : exploiter les données d'échec plutôt que les jeter. À nuancer toutefois : RoboTwin est un benchmark simulé, saturé autour de 95 %, et l'évaluation réelle ne porte que sur trois tâches, sans précision ici sur le nombre d'essais ni sur les plateformes. L'écart de 65 % contre 28 % face à pi-0.5 est net, mais reste une comparaison de laboratoire, loin d'un déploiement en production. Ce travail s'inscrit dans la convergence entre modèles VLA (vision-langage-action) comme pi-0.5 de Physical Intelligence et modèles monde-action, qui apprennent à prédire la vidéo future pour guider le contrôle, à l'image de Fast-WAM. Le débat porte sur la meilleure répartition entre raisonnement symbolique, prédiction du monde et génération d'actions. LAW propose une architecture hiérarchique où le langage sert de pivot, une approche proche de celles des systèmes à double vitesse de Figure (Helix) ou de NVIDIA (GR00T). Il s'agit d'un preprint non évalué par des pairs. Les prochaines étapes à surveiller sont la publication du code et des poids, des tests sur davantage de tâches et de plateformes, et une reproduction indépendante.

RecherchePaper

1 source

4arXiv cs.RO

ManiCM : politique de diffusion 3D en temps réel via un modèle de cohérence pour la manipulation robotique

Des chercheurs ont mis en ligne une version actualisée (v4) de leur article ManiCM sur arXiv (2406.01586), présentant un modèle capable de générer des actions robotiques par diffusion en une seule étape d'inférence, contre plusieurs dizaines habituellement nécessaires. Le système applique une contrainte de cohérence (consistency model) au processus de diffusion dans l'espace des actions, conditionné par un nuage de points représentant la scène en 3D. Plutôt que de prédire le bruit à chaque étape de débruitage comme le font les modèles de diffusion classiques, une technique de distillation de cohérence entraîne le modèle à prédire directement l'échantillon d'action final depuis n'importe quel point de la trajectoire ODE. Évalué sur 31 tâches de manipulation issues des bancs d'essai Adroit et Metaworld, ManiCM affiche une vitesse d'inférence moyenne dix fois supérieure aux méthodes de diffusion 3D de référence, tout en conservant un taux de réussite comparable. Cette accélération répond à un frein connu des politiques de diffusion en robotique : leur puissance pour modéliser des distributions d'actions complexes se paie par des dizaines d'étapes de débruitage séquentielles, incompatibles avec un contrôle temps réel, surtout avec des observations 3D haute dimension comme les nuages de points. En ramenant l'inférence à une seule étape sans sacrifier significativement le taux de succès, ManiCM s'attaque à un vrai goulot d'étranglement pour tout intégrateur voulant faire tourner ces modèles sur du matériel embarqué à fréquence de contrôle élevée, plutôt que dans des démonstrations hors ligne. Les gains restent toutefois mesurés en simulation, sur des bancs d'essai standards mais artificiels, et non sur des bras ou mains robotiques physiques : l'écart classique entre performance simulée et robustesse en conditions réelles reste à vérifier. La méthode s'inscrit dans la lignée des politiques de diffusion 3D (3D Diffusion Policy, DP3) qui se sont imposées pour la manipulation dextre depuis 2023-2024, en reprenant les modèles de cohérence initialement conçus pour accélérer la génération d'images dans la communauté vision par ordinateur, ici adaptés à l'espace d'action de dimension bien plus faible pour une convergence rapide. Il s'agit d'une publication de recherche académique, sans annonce d'intégration commerciale ni de partenaire industriel à ce stade. Les suites attendues pour ce type de travaux sont généralement une validation sur robot physique et une comparaison face à d'autres approches génératives rapides, VLA ou politiques distillées, qui visent le même compromis entre expressivité et latence de contrôle.

RecherchePaper

1 source