Au-delà de la force implicite : évaluer les…

1arXiv cs.RO

Le jeu de l'imitateur : évaluer la capacité d'imitation des robots au-delà de la prédiction d'action

Un benchmark baptisé « The Imitator Game » évalue en quatre niveaux (L0 à L3) la capacité d'un robot à imiter l'intention d'une démonstration humaine, et non son simple mouvement, en écartant progressivement la scène du robot de celle de la démonstration. L'étude s'appuie sur IG-10K, le plus grand jeu de données humain-robot appairé et aligné par environnement à ce jour : plus de 20 000 épisodes couvrant 50 tâches et 6 domaines, en réel comme en simulation. Les auteurs publient aussi Imitator Arena, une plateforme ouverte d'évaluation humaine en aveugle par comparaison A/B. Sur neuf modèles vision-langage-action testés, les performances restent stables de L0 à L2 puis s'effondrent à L3 : aucun ne dépasse 13% de réussite en zero-shot sur des tâches inédites, malgré des gains nets après un fine-tuning sur seulement 10 démonstrations appariées. Le point de rupture identifié est la « substitution fonctionnelle » : atteindre le même objectif via un objet ou un outil différent de celui vu en démonstration, plus déterminante dans l'effondrement des scores que la simple variation visuelle du décor. Pour les intégrateurs et équipes robotique, le résultat tempère l'idée que les politiques vision-langage-action actuelles comprennent réellement une tâche : elles semblent surtout rejouer des trajectoires proches de ce qu'elles ont observé, sans transfert vers une affordance différente. Le plafond de 13% en zero-shot confirme l'écart persistant entre démonstrations soignées et généralisation réelle ; le protocole d'évaluation en aveugle d'Imitator Arena vise à limiter les biais de sélection des vidéos de démonstration, une critique récurrente adressée aux annonces du secteur. Ce travail s'inscrit dans la vague des modèles vision-langage-action qui apprennent des tâches robotiques à partir de vidéos humaines plutôt que de téléopération coûteuse, une piste suivie par plusieurs laboratoires de robotique généraliste. En décomposant l'évaluation en quatre niveaux plutôt qu'en un score global agrégé, les auteurs cherchent précisément à localiser où l'apprentissage par imitation cesse de fonctionner. Le site du projet et l'accès à Imitator Arena sont ouverts sur imitator-game.github.io, pour que la communauté y soumette et compare ses propres modèles. Ce gain rapide avec un minimum de données ouvre une piste concrète pour de futurs déploiements : combiner pré-entraînement à grande échelle sur données appariées et calibration légère sur site.

RecherchePaper

1 source

2arXiv cs.RO

Affinement épars guidé par l'incertitude pour les politiques Action Chunking Transformer

Une équipe de chercheurs propose Uncertainty-Guided Refinement (UGR), un raffinement ciblé pour les politiques de manipulation robotique à décodage d'actions par segments, présenté dans un article arXiv (2609.15840, soumission du 15 septembre 2026). Le modèle prédit d'abord un segment d'actions complet, estime une incertitude par instant à partir des états cachés de cette prédiction initiale, puis corrige uniquement les pas de temps les plus incertains via un masque binaire, grâce à une branche d'incertitude découplée du prédicteur principal. Sur cinq tâches de manipulation bi-bras du benchmark simulé RoboTwin, UGR obtient le meilleur taux de réussite sur quatre tâches sur cinq et améliore la référence ACT (Action Chunking Transformer) de jusqu'à 13 points de pourcentage en absolu, devançant en comparaison un raffinement complet du segment ou un raffinement par blocs non ciblé. L'intérêt tient au constat que les erreurs de ces politiques se concentrent sur une poignée d'instants critiques plutôt que sur l'ensemble du segment, ce qui rend un raffinement uniforme coûteux en calcul et mal ciblé. En ne corrigeant que les instants jugés incertains, UGR pourrait réduire la charge de calcul à l'inférence sans sacrifier la précision, un arbitrage qui intéresse directement les intégrateurs déployant des politiques vision-langage-action sur des bras bi-manuels ou humanoïdes à ressources limitées. Le résultat montre aussi qu'un signal d'incertitude par instant peut guider activement une correction plutôt que rester un simple indicateur passif, une piste utile pour des architectures à grande échelle comme Pi-0, GR00T N2 ou Helix. La démonstration reste néanmoins limitée à un benchmark simulé et à la référence ACT, sans test sur robot physique ni comparaison à un modèle VLA commercial. Le travail s'inscrit dans la lignée de l'Action Chunking Transformer, introduit en 2023 par le projet ALOHA de Stanford et devenu une référence pour l'apprentissage par imitation en manipulation bi-bras, depuis repris dans des politiques de diffusion et des modèles VLA plus récents. RoboTwin, utilisé pour l'évaluation, sert de banc d'essai standard pour ce type de politiques sur des tâches bi-manuelles simulées. Publié sans affiliation industrielle ni annonce de déploiement, l'article relève de la recherche amont : aucun pilote ni calendrier commercial n'est mentionné, la suite logique étant une validation sur matériel réel et une intégration éventuelle dans des piles de contrôle VLA plus larges, terrain où Physical Intelligence, NVIDIA ou Figure concentrent aujourd'hui leurs efforts.

RecherchePaper

1 source

3arXiv cs.RO

Imp-ACT : contrôle d'impédance adaptatif et segmentation d'action par transformers pour la manipulation en contact

Des chercheurs présentent Imp-ACT, une méthode de contrôle robotique pour la manipulation en contact riche, décrite dans une prépublication arXiv (2609.31225v1, non encore relue par les pairs). Le principe consiste à intégrer la modulation de rigidité cartésienne directement dans la phase de collecte de démonstrations par téléopération, plutôt que de fixer cette rigidité au niveau du contrôleur comme le font la plupart des politiques vision-action actuelles. Un contrôleur d'impédance auto-ajustable adapte la rigidité selon la direction instantanée du mouvement tout en conservant de la souplesse dans les directions orthogonales, sans sélection manuelle ni reconstruction de cible hors ligne. Cette rigidité adaptée est enregistrée en même temps que les observations visuelles, proprioceptives et de force, puis utilisée pour entraîner une architecture Action Chunking with Transformer (ACT) qui prédit conjointement la pose de l'effecteur, l'action du gripper et la rigidité directionnelle. Sur deux tâches test, essuyage de surface et insertion de fiche, Imp-ACT égale ou dépasse le taux de réussite de deux références à rigidité fixe (basse et haute), tout en réduisant les forces de contact : la vibration des forces de contact chute d'environ 29 fois par rapport à la référence souple et 180 fois par rapport à la référence rigide lors de l'essuyage, et les forces orthogonales à l'axe d'insertion baissent de 43% par rapport à la meilleure référence à rigidité fixe lors de l'insertion. L'enjeu dépasse la simple démonstration académique : la plupart des politiques d'apprentissage par imitation actuelles séparent l'apprentissage du mouvement de la gestion de la compliance, laissant les intégrateurs choisir manuellement un compromis rigide/souple selon la tâche, un réglage coûteux et rarement optimal pour l'ensemble d'une opération de contact. En montrant qu'une politique unique peut apprendre à moduler sa rigidité en fonction de la direction, à partir de simples démonstrations téléopérées, Imp-ACT suggère une voie pour automatiser ce réglage dans des tâches industrielles sensibles comme l'assemblage, le câblage ou le nettoyage de surfaces, où un excès de rigidité génère des forces dommageables et un excès de souplesse compromet la précision. Le travail s'appuie sur l'architecture ACT, déjà répandue dans l'apprentissage par imitation robotique, et se distingue des politiques généralistes de type VLA en se concentrant spécifiquement sur le sous-problème du contrôle de compliance plutôt que sur la généralisation multi-tâches. Il s'agit à ce stade d'une évaluation de laboratoire sur deux tâches ciblées, sans annonce de déploiement industriel ni de partenariat commercial.

RecherchePaper

1 source

4arXiv cs.RO

Au-delà de la description : évaluer cognitivement l'action fine pour les agents incarnés

Des chercheurs ont publié CFG-Bench, un nouveau benchmark destiné à évaluer la capacité des grands modèles multimodaux (MLLM) à raisonner sur l'action fine dans des environnements physiques, plutôt que sur la simple planification de haut niveau ou le raisonnement spatial déjà couverts par les benchmarks existants. L'article, disponible sur arXiv (2511.18685), détaille un corpus de 1 368 vidéos annotées, associées à 19 562 paires question-réponse. Ces données couvrent trois paradigmes d'évaluation et quatre capacités cognitives distinctes : l'interaction physique, la relation temporelle-causale, la compréhension intentionnelle et le jugement évaluatif. L'objectif est de mesurer si un modèle sait traduire une observation visuelle en connaissance actionnable, au-delà de la simple reconnaissance d'objets ou de scènes. Les résultats sont significatifs pour l'écosystème des agents incarnés (embodied agents) qui s'appuient de plus en plus sur des architectures vision-langage-action (VLA) pour piloter robots et humanoïdes. Les auteurs montrent que même les MLLM les plus performants du marché peinent à produire des instructions détaillées pour des interactions physiques concrètes, et présentent des lacunes marquées dès qu'il s'agit de raisonnement d'ordre supérieur, comme inférer une intention ou juger la qualité d'une action. C'est un signal notable pour les intégrateurs et équipes de recherche qui misent sur ces modèles comme moteurs de décision : la compréhension de haut niveau ne garantit pas une exécution fine et fiable, un des points de friction identifiés dans l'écart persistant entre démonstration et déploiement réel en robotique. Point plus encourageant pour le secteur : les auteurs démontrent qu'un fine-tuning supervisé (SFT) sur les données de CFG-Bench, en apprenant explicitement au modèle à articuler des actions fines, se traduit par des gains de performance mesurables sur des benchmarks incarnés déjà établis. Cela suggère une piste d'amélioration directe et reproductible pour les futurs modèles VLA, plutôt qu'une simple mise en évidence de leurs limites. Le projet s'inscrit dans la vague de benchmarks spécialisés qui cherchent à combler les angles morts des évaluations génériques de MLLM. La page du projet et le jeu de données sont accessibles publiquement via cfg-bench.github.io, ouvrant la voie à des comparaisons futures entre laboratoires et fournisseurs de modèles.

RecherchePaper

1 source

Au-delà de la force implicite : évaluer les proxys force-couple explicites dans le chunking d'actions avec des transformers

À lire aussi

Le jeu de l'imitateur : évaluer la capacité d'imitation des robots au-delà de la prédiction d'action

Affinement épars guidé par l'incertitude pour les politiques Action Chunking Transformer

Imp-ACT : contrôle d'impédance adaptatif et segmentation d'action par transformers pour la manipulation en contact

Au-delà de la description : évaluer cognitivement l'action fine pour les agents incarnés