Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Réduction de la redondance temporelle pour une inférence VLA efficace
RecherchearXiv cs.RO 

Réduction de la redondance temporelle pour une inférence VLA efficace

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

Des chercheurs publient sur arXiv (arXiv:2607.12287v1) une méthode d'accélération pour les modèles Vision-Language-Action (VLA), utilisés en manipulation robotique, dont la latence d'inférence freine aujourd'hui le déploiement en temps réel. Ils identifient deux sources de redondance temporelle dans les pipelines VLA existants : le réencodage visuel complet de trames vidéo consécutives quasi identiques, et l'échantillonnage itératif multi-étapes propre aux politiques d'action basées sur la diffusion. Leur réponse combine deux optimisations système. Côté perception, seuls les tokens correspondant aux régions dynamiques de la scène sont mis à jour de façon incrémentale, au lieu de réencoder l'image entière à chaque frame. Côté génération d'action, le calendrier de diffusion est compressé à seulement deux étapes grâce à un entraînement spécifiquement optimisé pour l'efficacité, sans sacrifier la précision des gestes. Testée sur les bancs d'essai simulés Libero et RobotWin ainsi que sur des plateformes robotiques réelles, la méthode obtient un gain de vitesse supérieur à 2x, avec un taux de réussite allant jusqu'à 98% sur des benchmarks de manipulation générale. Le code doit être publié sur GitHub, mais n'est pas encore disponible : il s'agit pour l'instant d'un preprint académique, pas d'un produit livré.

Pour les intégrateurs et les équipes robotique, ce travail s'attaque à un goulot d'étranglement bien réel : les politiques de diffusion, très précises, restent lentes à cause du débruitage itératif, ce qui complique leur usage sur du matériel embarqué à budget de calcul limité. Réduire ce coût sans perte de performance rapproche les VLA d'un fonctionnement temps réel sur GPU embarqué plutôt que sur infrastructure cloud dédiée, un enjeu central pour la commercialisation des bras manipulateurs et des humanoïdes.

Cette publication s'inscrit dans une vague plus large de travaux visant l'efficacité d'inférence des VLA, alors que des modèles comme Pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) ou Helix (Figure AI) ont démontré de fortes capacités de généralisation mais souffrent des mêmes limites de latence. La méthode reste pour l'instant validée en simulation et sur bancs de test restreints ; sa robustesse à grande échelle, en environnement industriel réel, reste à démontrer une fois le code effectivement publié.

Dans nos dossiers

FigureNVIDIA GR00TPhysical Intelligence — π0Manipulation robotique

À lire aussi

Planification robotique embarquée : éliminer la redondance d'inférence pour une prise de décision efficace
1arXiv cs.RO 

Planification robotique embarquée : éliminer la redondance d'inférence pour une prise de décision efficace

Des chercheurs ont publié REIS (arXiv:2605.31460), un framework de planification robotique embarquée conçu pour réduire la latence d'inférence des modèles de langage et de vision-langage (LLM/VLM) utilisés comme politiques de contrôle. Le constat central : dans les séquences de tâches robotiques, les observations consécutives produisent fréquemment des actions et sous-objectifs identiques, créant une redondance temporelle massive qui gaspille des ressources de calcul sans apporter d'information supplémentaire. REIS répond à ce problème en combinant trois mécanismes : un filtrage de scène léger (scene gating), un routage d'affordances guidé par les caches clé-valeur (KV-steered affordance routing), et un raisonnement délibératif activé uniquement lorsque la situation l'exige. Les expériences ont été menées sur le benchmark ALFRED, référence pour l'instruction-following en environnement 3D simulé, et sur des tâches robotiques en conditions réelles. Les résultats indiquent une suppression significative de l'overhead de raisonnement avec des performances maintenues sur les métriques standards, sans que des chiffres précis de réduction de latence ne soient communiqués dans le résumé public. La latence d'inférence est l'un des freins principaux à l'adoption des architectures VLA (Vision-Language-Action) en environnement industriel. Un système qui interroge un modèle de plusieurs milliards de paramètres à chaque frame de caméra est difficilement déployable sur un manipulateur en temps réel sans infrastructure cloud dédiée. REIS propose une approche inspirée de la cognition humaine : on ne recalcule pas une décision si le contexte n'a pas changé, économisant les cycles GPU pour les moments où la scène évolue réellement. Pour les intégrateurs et COO industriels, c'est une piste concrète pour rendre les politiques VLM opérables sur matériel embarqué, condition souvent non négociable dans les environnements à contraintes de latence ou de confidentialité des données. La tendance à utiliser des LLM/VLM comme cerveau de planification robotique est portée par des travaux notables : RT-2 et RT-X de Google DeepMind, Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA, ou encore les récents travaux d'Enchanted Tools (France) sur les architectures hybrides. Le gap entre démonstrations académiques et déploiement réel reste cependant structurel : les modèles de grande taille nécessitent typiquement un GPU dédié, incompatible avec les contraintes d'un robot mobile compact. REIS s'inscrit dans un axe de recherche croissant sur l'efficacité computationnelle des politiques incarnées, aux côtés de la distillation de politique, la quantization, et le token merging. Aucun partenariat industriel ni timeline de commercialisation ne sont mentionnés : il s'agit d'une contribution de recherche académique, sans produit livré ni déploiement annoncé à ce stade.

UELa réduction de latence d'inférence VLA intéresse indirectement les acteurs européens travaillant sur l'embarquement, mais REIS reste une contribution académique sans déploiement ni partenariat industriel annoncé en Europe.

RechercheOpinion
1 source
rMuscle : mémoire musculaire robotique pour une inférence efficace des modèles vision-langage-action
2arXiv cs.RO 

rMuscle : mémoire musculaire robotique pour une inférence efficace des modèles vision-langage-action

Un preprint arXiv (2609.19104v1, septembre 2026) présente rMuscle, un framework d'inférence en temps réel pour les modèles Vision-Language-Action (VLA) qui pilotent des robots. Le système part d'un constat : dans un poste de travail structuré, les exécutions robotiques répétées montrent une forte similarité, non seulement dans les observations et les trajectoires d'action, mais aussi dans les états internes du modèle. rMuscle exploite cette redondance via un cache à double phase inspiré de la mémoire musculaire humaine : un Context Cache qui réutilise les tokens visuels déjà calculés, et un Action Cache qui réutilise les motifs d'activation des neurones pour réduire les accès aux poids du modèle, son coût restant limité par recalcul en ligne et récupération par fenêtre glissante. Testé sur GPU RTX 4090 et cartes embarquées Jetson Thor, sur les benchmarks de simulation LIBERO et RoboTwin ainsi que sur des tâches de manipulation physique réelle, il affiche une accélération de 1,29 à 1,42 fois sans dégrader les taux de réussite du modèle original. L'enjeu est concret : la latence d'inférence détermine directement la réactivité et la fluidité des mouvements d'un robot, un facteur critique alors que les VLA s'imposent comme le paradigme dominant du contrôle robotique en usine. Les frameworks d'inférence généralistes ignorent pourtant la répétitivité propre aux tâches industrielles structurées, un angle mort que rMuscle attaque directement plutôt que de viser une accélération générique du calcul, ce qui concerne au premier chef les intégrateurs qui déploient des VLA sur du matériel embarqué à ressources limitées comme le Jetson Thor. Le point le plus significatif pour le secteur est que ce gain de vitesse ne dégrade pas le taux de réussite sur robot réel, une réponse directe au doute récurrent sur l'écart entre démonstrations en simulation et performance en conditions réelles. Il s'agit néanmoins d'un résultat de recherche publié en preprint, sans validation par les pairs ni intégration annoncée dans un produit commercial identifié. Ce travail s'inscrit dans la course actuelle à l'optimisation de l'inférence des VLA, devenus le paradigme dominant à mesure que les tâches manuelles répétitives en usine s'imposent comme le scénario de déploiement le plus rentable pour l'IA incarnée. rMuscle se distingue des méthodes génériques de compression ou de quantification de modèles en misant sur la structure même du travail industriel répété poste par poste, sans que les auteurs précisent quels VLA spécifiques ont servi de base expérimentale ni de calendrier de publication du code. La suite logique, non confirmée par l'article, serait une adoption par des frameworks d'inférence robotique plus larges ou des tests sur d'autres plateformes matérielles au-delà du RTX 4090 et du Jetson Thor.

RechercheActu
1 source
Au-delà de l'importance des tokens : préserver les échafaudages spatiaux pour une inférence VLA efficace
3arXiv cs.RO 

Au-delà de l'importance des tokens : préserver les échafaudages spatiaux pour une inférence VLA efficace

Une équipe de chercheurs propose GeoScaffold, une méthode d'élagage (pruning) des tokens visuels pour les modèles vision-langage-action (VLA), qui ne demande aucun réentraînement. Le travail, publié sur arXiv (2609.36967), part d'un constat : les stratégies existantes retiennent des tokens visuels individuels selon leur pertinence sémantique pour la tâche, sans tenir compte de l'information spatiale que la manipulation exige. Pour tester cette limite, les auteurs construisent une référence volontairement simple, « Stride », qui échantillonne uniformément les tokens sur la séquence visuelle aplatie en une dimension, soit un élagage purement géométrique. Sur pi 0.5 et le benchmark de simulation LIBERO, GeoScaffold conserve seulement 20 % des tokens visuels tout en maintenant un taux de succès moyen de 93,2 %, avec une accélération de 1,78 fois de la phase de prefill par rapport au modèle non élagué. Le résultat le plus instructif tient au comportement de Stride. À certains taux d'élagage, cette méthode naïve dépasse l'élagage sémantique et l'élagage aléatoire, mais elle s'effondre dès que le budget de tokens baisse légèrement. Les auteurs l'expliquent par le « rayon de couverture spatiale », c'est-à-dire le plus grand angle mort créé dans l'image par l'ensemble des tokens conservés, et ils observent une forte corrélation entre ce rayon et le succès des tâches. Pour les équipes qui cherchent à faire tourner des VLA sur du calcul embarqué, le message est clair : choisir les tokens « importants » ne suffit pas, il faut aussi préserver l'échafaudage géométrique de la scène. Cela remet en cause l'idée, héritée de la vision par ordinateur généraliste, que la pertinence sémantique suffit à guider la compression pour le contrôle robotique. Le gain reste modeste sur le prefill, et il est mesuré uniquement en simulation. Aucune validation sur robot réel, latence de bout en bout ou consommation n'est annoncée dans le résumé. GeoScaffold découpe chaque image en régions spatiales, répartit le budget de tokens entre régions selon des poids de pertinence pour la tâche, puis choisit à l'intérieur de chaque région des tokens « d'échafaudage » par échantillonnage du point le plus éloigné (farthest point sampling), afin de réduire le rayon de couverture local. Il s'inscrit dans une série de travaux sur l'accélération des VLA, dont pi 0.5 de Physical Intelligence est ici le modèle de référence, et qui cherchent à réduire le coût d'inférence sans repasser par l'entraînement. LIBERO reste un banc d'essai en simulation, dont les scènes sont plus régulières que celles d'un site industriel, ce qui limite la portée des 93,2 % annoncés. La suite logique serait un test sur d'autres architectures VLA et sur matériel réel, mais aucun calendrier n'est communiqué.

RecherchePaper
1 source
TS-Mask VLA : masquage spatio-temporel 2D pour un modèle vision-langage-action avec pontage efficace
4arXiv cs.RO 

TS-Mask VLA : masquage spatio-temporel 2D pour un modèle vision-langage-action avec pontage efficace

Une équipe de recherche présente TS-Mask VLA, un nouveau modèle vision-langage-action (VLA) destiné à la manipulation robotique, décrit dans un article publié sur arXiv (2607.09818v1). Le système repose sur deux innovations techniques : un expert d'action à diffusion discrète doté d'un mécanisme appelé Bridge Attention, qui permet un conditionnement multi-couches depuis le modèle vision-langage pour générer des actions plus précises et stables, et une stratégie de masquage temporo-spatial en deux dimensions appliquée aux tokens d'action discrets, censée renforcer la compréhension des dépendances entre instants successifs et du couplage entre dimensions de l'action. Sur le benchmark de simulation LIBERO, TS-Mask VLA atteint un taux de réussite moyen de 95,7 %, avec seulement 0,5 milliard de paramètres, un score supérieur à celui de modèles nettement plus volumineux. Sur CALVIN, autre benchmark de référence pour les tâches robotiques longues et séquentielles, il obtient la meilleure longueur de séquence moyenne réussie observée, 4,19, signe d'une bonne tenue sur les scénarios à horizon long. Ce résultat intéresse directement le secteur de la robotique manipulative parce qu'il s'attaque à une limite connue des VLA autorégressifs actuels, qui traitent la génération d'action comme une simple prédiction du token suivant, sans modéliser explicitement la structure temporelle et spatiale des séquences de mouvement ni séparer clairement représentation perceptuelle et action. Si les gains de performance se confirment en dehors des benchmarks académiques, cela indiquerait qu'un modèle nettement plus compact peut rivaliser, voire dépasser, des architectures VLA plus lourdes sur des tâches de manipulation complexes, un argument important pour les intégrateurs cherchant à déployer ces modèles avec des contraintes de calcul embarqué. Il s'agit toutefois pour l'instant d'un travail de recherche validé uniquement sur des benchmarks de simulation (LIBERO, CALVIN) et quelques tâches réelles limitées, sans déploiement industriel ni intégration dans un produit commercial. L'article s'inscrit dans la lignée des travaux récents sur les VLA à diffusion, dans la continuité d'approches comme les modèles de type Pi-0 ou GR00T, sans toutefois s'y comparer directement dans le résumé fourni. Les auteurs annoncent des analyses d'ablation détaillées pour justifier chacun des deux choix de conception.

RechercheActu
1 source