RechercheInteresting Engineering 22 juillet 2026

Robot apprend comme un enfant, puis maîtrise seul le bowling, le pliage et le pressage de jus

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Robot apprend comme un enfant, puis maîtrise seul le bowling, le pliage et le pressage de jus

Des chercheurs dirigés par la Shanghai Jiao Tong University ont présenté RL-100, un cadre d'entraînement qui combine apprentissage par imitation et apprentissage par renforcement pour permettre à des robots manipulateurs de réaliser des tâches réelles avec une fiabilité proche de 100%. Le système repose sur un pipeline en trois étapes : d'abord l'imitation à partir de démonstrations téléopérées par des experts humains, qui entraîne une politique visuomotrice basée sur un modèle de diffusion et exploite des flux RGB ou des nuages de points 3D ; puis un apprentissage par renforcement hors ligne itératif, où le robot rejoue ses propres tentatives réussies pour affiner sa politique via un objectif unifié de type PPO, sans dégrader les comportements déjà appris ; enfin une phase d'apprentissage en ligne directement sur le robot physique, ciblée sur les cas d'échec rares, qui fait passer le taux de réussite d'environ 90% à un niveau quasi parfait. Les chercheurs ont aussi développé une technique de distillation par modèle de cohérence qui compresse la politique de diffusion multi-étapes en un contrôleur à une seule étape, réduisant la latence d'inférence d'environ 100 à 10 millisecondes. Sur huit tâches de manipulation testées, bowling, pliage de serviettes, versage de liquide, dévissage de bouchons, pliage de boîtes et préparation de jus d'orange en deux étapes, le robot a atteint 100% de réussite après l'entraînement complet, et a fonctionné en continu pendant sept heures dans un centre commercial pour servir du jus frais sans le moindre échec.

Ce résultat s'attaque directement à ce que le secteur robotique appelle le "plafond de l'imitation" : un robot qui se contente de copier des démonstrations humaines reste borné par la qualité et l'efficacité de ces démonstrations, sans jamais dépasser la performance de son professeur. En combinant imitation, renforcement hors ligne et un correctif ciblé en ligne, RL-100 illustre une voie concrète pour que les politiques d'apprentissage par diffusion, jugées jusqu'ici trop lentes pour un contrôle robotique à haute fréquence, deviennent utilisables en production. La démonstration en environnement public, sur sept heures sans interruption, est le type de test qui compte pour les intégrateurs et décideurs B2B : elle rapproche l'apprentissage par renforcement appliqué à la robotique d'un déploiement réel plutôt que d'une démonstration en laboratoire soigneusement choisie, un écart que le secteur peine encore à combler pour la plupart des systèmes de type VLA.

RL-100 s'inscrit dans une lignée de recherches visant à rendre les politiques de diffusion exploitables en temps réel, un problème également abordé par des approches comme Pi-0 ou GR00T N2 dans l'écosystème de la robotique généraliste. Le cadre revendique une conception agnostique à la tâche, au robot et à la représentation sensorielle, compatible avec des bras simples ou doubles. Les auteurs ne précisent pas de calendrier de commercialisation ni de partenaire industriel identifié ; il s'agit pour l'instant d'un résultat de recherche académique, dont la reproductibilité à plus grande échelle et hors conditions contrôlées reste à démontrer.

Dans nos dossiers

NVIDIA GR00T

À lire aussi

1arXiv cs.RO

Comment instruire un robot : les annotations linguistiques denses améliorent l'apprentissage de politiques

Des chercheurs publient DeMiAn (Dense Multi-aspect Annotation), une méthode en deux étapes pour améliorer l'apprentissage de politiques robotiques sans collecter de nouvelles démonstrations. Elle ré-annote automatiquement des segments existants via un modèle vision-langage selon quatre axes complémentaires : mouvement physique, composition de la scène, posture du bras et raisonnement. Un module « instructeur » traduit ensuite, à chaque déploiement, une description de tâche et un instantané de scène initiale vers l'annotation la plus adaptée, de façon asynchrone afin de masquer la latence de génération derrière l'exécution de la politique. Évaluée sur plus d'un million de clips de manipulation robotique et 50 000 vidéos égocentrées humaines issues d'EgoVerse, la méthode améliore à la fois une politique vision-langage-action (VLA) classique et un world-action model vidéo. Sur le benchmark RoboCasa, l'instructeur gagne cinq points de taux de succès sur une baseline limitée à la description de tâche seule, et reste à trois points d'un oracle disposant d'annotations parfaites par tâche. Le principal frein au scaling en robotique manipulatrice n'est pas le compute mais le coût de collecte de démonstrations physiques. DeMiAn inverse la contrainte : ré-annoter un corpus existant avec du langage dense revient nettement moins cher que rejouer des trajectoires en environnement réel. La méthode améliore également les performances sur les tâches composites et en distribution de test hors domaine, là précisément où les politiques VLA échouent le plus fréquemment en déploiement. Résultat non trivial : aucun des quatre axes d'annotation ne domine systématiquement l'ensemble des tâches, ce qui fait du choix de la description dense un problème de recherche à part entière. Les gains sont de surcroît calculés en intégrant le coût de génération des annotations en FLOPs, garantissant des comparaisons compute-performance honnêtes, une rigueur peu fréquente dans ce segment. Ce travail s'inscrit dans la valorisation croissante des datasets égocentrés humains (EgoVerse, EPIC-Kitchens) comme ressources pour pré-entraîner des politiques de manipulation, en alternative aux pipelines de simulation massive de type IsaacLab. Du côté compétitif, Physical Intelligence avec Pi-0 et Google DeepMind avec RT-X misent également sur la supervision langage-action à grande échelle. DeMiAn se distingue par son caractère post-hoc : aucune modification du protocole de collecte n'est requise, ce qui le rend directement applicable à des corpus robotiques institutionnels existants. Le papier (arXiv 2605.17077, mai 2025) reste un preprint sans validation hardware end-to-end au-delà des benchmarks simulés, laissant ouverte la question du sim-to-real gap sur les gains annoncés.

RechercheOpinion

1 source

2Interesting Engineering

Des scientifiques montrent qu'un entraînement structuré surpasse les données d'apprentissage complexes en robotique

Des chercheurs de la NYU Tandon School of Engineering et du Robotics and AI Institute ont publié dans IEEE Robotics and Automation Letters une étude montrant qu'un robot apprend à manipuler des objets complexes plus efficacement lorsqu'on lui fournit des démonstrations cohérentes plutôt que variées. L'équipe a évalué cette hypothèse sur deux tâches de manipulation à haute dextérité : deux bras robotiques devant faire pivoter un cylindre de 180 degrés en repositionnant leurs prises, et une main robotique devant réorienter un cube dans sa paume vers des positions cibles. Plutôt que de recourir à la téléopération humaine, les chercheurs ont généré des exemples d'entraînement via des algorithmes de planification de mouvement dans des simulateurs physiques. La méthode classique, les arbres aléatoires à exploration rapide (RRT), produisait des trajectoires très disparates d'une démonstration à l'autre. En développant deux alternatives, l'une optimisant la progression vers l'objectif et l'autre s'appuyant sur une bibliothèque de mouvements prédéfinis, l'équipe a obtenu des données à faible entropie. Avec seulement 100 démonstrations consistantes, le système dual-bras a atteint une performance quasi parfaite en simulation. Le transfert sim-to-real, sans ré-entraînement sur matériel physique, s'est soldé par 90 % de succès pour les deux bras et 62 % pour la main dextre. Ces résultats remettent en question une intuition dominante dans le machine learning : plus de données égale meilleure performance. Ici, la qualité structurelle des exemples prime sur la quantité. Pour les équipes qui développent des systèmes d'apprentissage par imitation (imitation learning), cela change le problème de collecte de données : il ne s'agit plus d'accumuler des démonstrations humaines coûteuses et difficiles à standardiser, mais de concevoir des générateurs de données synthétiques pilotés par des planificateurs déterministes. Le taux de 90 % en déploiement réel sans fine-tuning est un résultat concret sur le sim-to-real gap, souvent présenté comme le verrou majeur de la robotique de manipulation, bien que les conditions de laboratoire ne constituent pas un environnement industriel, et que ces chiffres restent à valider en conditions non contrôlées. Cette recherche s'inscrit dans une tendance de fond qui voit planification classique et apprentissage automatique converger, plutôt que s'opposer. Les approches de type VLA (vision-language-action) et les pipelines basés sur la diffusion de politiques, portés par des acteurs comme Physical Intelligence (pi0) ou des équipes académiques liées à Berkeley et Stanford, affrontent le même défi : générer des données d'entraînement fiables pour des tâches contact-rich. L'angle exploré ici, contrôler l'entropie des démonstrations synthétiques plutôt que leur diversité, pourrait influencer les pipelines de génération de données pour la prochaine génération de manipulateurs, notamment dans les contextes industriels où la répétabilité prime sur la généralisation.

UELes équipes européennes en apprentissage par imitation (manipulation industrielle, main robotique) peuvent directement adopter cette approche de génération de données synthétiques à faible entropie pour réduire leur dépendance à la téléopération humaine coûteuse.

RecherchePaper

1 source

3arXiv cs.RO

Preuve d'un « soi » émergent dans l'apprentissage continu d'un robot

Des chercheurs ont publié sur arXiv (2603.24350, version révisée) une méthode pour quantifier l'émergence d'un "soi" dans des systèmes robotiques soumis à l'apprentissage continu. Le protocole compare deux conditions : un robot entraîné sur une tâche fixe (contrôle) et un second exposé à des tâches variables en apprentissage continu. L'analyse révèle que ce second robot développe un sous-réseau invariant, une portion de son architecture neurale qui reste significativement plus stable que le reste du réseau (p < 0,001). Ce sous-réseau est fonctionnellement critique : sa préservation facilite l'adaptation à de nouvelles tâches, tandis que sa dégradation intentionnelle entraîne une baisse mesurable des performances. L'apport principal est de proposer un critère opérationnel pour détecter quelque chose qui ressemble fonctionnellement à un "soi" dans un système artificiel. En robotique, l'apprentissage continu achoppe sur l'oubli catastrophique : les réseaux de neurones se dégradent sur les tâches antérieures dès qu'ils en apprennent de nouvelles. L'existence d'un noyau invariant fonctionnellement critique suggère qu'un mécanisme analogue à celui qui stabilise l'identité cognitive humaine pourrait, délibérément exploité, offrir une piste architecturale pour atténuer ce problème. Pour les équipes travaillant sur des robots adaptatifs en environnements non structurés ou des cobots reconfigurables, cela ouvre une direction concrète : identifier et protéger ce noyau stable pour améliorer la plasticité sans sacrifier les acquis. La question de la conscience de soi dans les systèmes artificiels est débattue depuis des décennies, sans critère mesurable universel. Ce qui distingue cette contribution, c'est le passage d'une définition philosophique à un indicateur reproductible dans un cadre expérimental robotique contrôlé. Les auteurs ne prêtent pas de conscience subjective aux robots testés, mais établissent une correspondance structurelle entre persistance cognitive et notion de soi. Les prochaines étapes naturelles incluent la validation sur des architectures humanoïdes plus complexes, où l'apprentissage continu est déjà en déploiement chez Figure AI, Agility Robotics ou 1X Technologies, ainsi que l'extension aux grands modèles de langage soumis à du fine-tuning continu.

RecherchePaper

1 source

4arXiv cs.RO

CoMo : apprendre le mouvement latent continu depuis des vidéos internet pour un apprentissage robotique à grande échelle

Des chercheurs ont publié sur arXiv (référence 2505.17006, version 3) une méthode baptisée CoMo, pour "Continuous Motion", conçue pour extraire automatiquement des représentations continues du mouvement à partir de vidéos issues d'Internet, et les réutiliser comme étiquettes d'action pour entraîner des politiques robotiques. CoMo repose sur deux mécanismes distincts : une différence temporelle précoce (Td) appliquée en amont de l'encodeur pour rendre plus difficile l'apprentissage par raccourcis visuels (les modèles ont tendance à coder l'arrière-plan statique plutôt que le mouvement lui-même), et un apprentissage contrastif temporel (Tcl) qui construit des paires positives avec un décalage temporel réduit vers le futur, et des paires négatives en inversant la direction du temps. Le résultat est un espace latent continu, entraîné sur des vidéos à grande échelle, capable de générer des pseudo-étiquettes d'action pour des vidéos jamais vues en phase d'inférence. Des expériences en simulation et en conditions réelles montrent des gains de performance par rapport aux approches discrètes, aussi bien avec des architectures diffusion que autorégressives. L'enjeu industriel est direct : l'un des goulots d'étranglement du robot learning est la rareté des démonstrations téléopérées, coûteuses à collecter. Si une méthode peut extraire un signal d'action utilisable depuis des vidéos YouTube ou des caméras industrielles non étiquetées, elle réduit mécaniquement le coût de constitution des datasets. La contribution principale de CoMo face aux méthodes discrètes par quantification vectorielle (VQ) est de supprimer la perte d'information liée à la projection dans un codebook de petite taille, et surtout de combler le fossé de distribution entre un espace discret de tokens visuels et un espace d'actions continues à valeurs réelles, fossé qui pénalise l'apprentissage conjoint d'une politique unifiée. La généralisation zéro-shot annoncée est la prétention la plus forte : elle signifie que CoMo pourrait étiqueter des vidéos de nouveaux environnements ou tâches sans ré-entraînement, ce qui reste à valider sur des benchmarks standardisés ; l'abstract ne cite pas de métriques numériques précises. Ce travail s'inscrit dans un axe de recherche très actif depuis 2023, qui cherche à exploiter Internet comme source de supervision pour les robots, aux côtés de méthodes comme RT-2 de Google DeepMind, Pi-0 de Physical Intelligence, ou encore les travaux sur les VLA (Vision-Language-Action models) d'UC Berkeley et du MIT. Les approches discrètes concurrentes (type GROOT ou méthodes VQ-VAE appliquées à la vidéo) souffrent précisément des limitations que CoMo prétend résoudre. La prochaine étape naturelle serait une validation sur des benchmarks robotiques communautaires comme RLBench, LIBERO ou BridgeData V2, et un test à l'échelle de données réellement "internet-scale" pour confirmer si la généralisation zéro-shot tient face à la diversité des distributions visuelles du monde réel.

RecherchePaper

1 source