Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
X-NavDP : généralisation d'une politique de diffusion de navigation à de nouveaux comportements et corps grâce à un appariement repondéré par Q-score de groupe
RecherchearXiv cs.RO 

X-NavDP : généralisation d'une politique de diffusion de navigation à de nouveaux comportements et corps grâce à un appariement repondéré par Q-score de groupe

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

Wandercraft, Exotec, Pollen et Enchanted Tools n'apparaissent pas dans cette étude, qui reste un travail de recherche en robotique mobile publié sur arXiv (2607.28560v1). Voici l'article :

Une équipe de recherche a publié X-NavDP, une politique de navigation par diffusion entraînée pour généraliser à des robots de morphologies différentes, accompagnée d'un nouveau cadre de post-entraînement par renforcement baptisé GQRM (Group Q-score Reweighted Matching). Le papier, disponible sur arXiv sous la référence 2607.28560v1, rapporte des gains de performance substantiels : le taux de réussite en navigation passe de 61,20 % à 84,28 % en simulation, et de seulement 10 % à 65 % sur des cas difficiles en conditions réelles. Le code et les modèles sont mis à disposition publiquement sur une page de projet dédiée (yty-sky.github.io/x-navdp-project-page).

Cette avancée s'attaque à un problème central pour l'industrie robotique : les politiques de navigation par diffusion sont aujourd'hui pré-entraînées sur des démonstrations générées par un planificateur oracle disposant d'une connaissance complète de l'environnement, calibré pour un seul robot type. Cela limite fortement leur capacité à s'adapter à d'autres morphologies ou à des scénarios exigeants comme sortir d'une impasse ou contourner un obstacle long, situations qui demandent des comportements réactifs locaux à partir des seules observations embarquées. Pour les intégrateurs travaillant avec des flottes hétérogènes d'AMR ou de robots mobiles, disposer d'une politique unique capable de généraliser sans démonstrations spécifiques à chaque plateforme réduirait significativement les coûts d'ingénierie et de collecte de données.

Les tentatives précédentes de post-entraînement par renforcement des politiques de diffusion n'apportaient que des améliorations marginales, freinées par la vraisemblance intraitable de ces modèles, qui rend les gradients de politique instables et l'exploration inefficace. GQRM contourne ce verrou grâce à deux mécanismes complémentaires : une stratégie d'exploration auto-amorcée avec perturbation comportementale qui préserve les acquis du pré-entraînement, et une normalisation de groupe des scores Q calculant des valeurs par trajectoire à chaque état pour un appariement de scores pondéré plus efficace. L'entraînement s'est fait en ligne et de façon distribuée sur des robots aux morphologies variées, une méthodologie qui pourrait inspirer d'autres équipes travaillant sur le transfert cross-embodiment.

Dans nos dossiers

WandercraftEnchanted Tools — MirokaïExotecarXiv cs.RO

À lire aussi

Découverte guidée de nouveaux comportements par politiques de diffusion
1arXiv cs.RO 

Découverte guidée de nouveaux comportements par politiques de diffusion

Une équipe de chercheurs a publié sur arXiv (arXiv:2606.08743v1, juin 2026) un cadre algorithmique pour diversifier les comportements générés par les diffusion policies en robotique. Ces politiques basées sur des modèles de diffusion modélisent efficacement des distributions multimodales de trajectoires d'action, mais souffrent d'un biais documenté : avec peu de démonstrations, l'échantillonnage standard reproduit les comportements dominants et ignore les modes rares mais valides. Les auteurs combinent des correcteurs de Feynman-Kac, outil issu des processus stochastiques, avec un potentiel de guidage orientant l'échantillonnage vers des trajectoires prometteuses mais sous-représentées. Ces trajectoires candidates sont ensuite affinées par optimisation par échantillonnage, puis réintégrées dans le jeu d'entraînement pour réentraîner la politique. Les expériences portent sur plusieurs environnements de manipulation en simulation, où la méthode découvre systématiquement de nouveaux comportements exécutables. L'enjeu est concret pour les équipes travaillant sur l'apprentissage par imitation en robotique industrielle ou de service. Un robot entraîné sur peu de données converge vers une seule stratégie même lorsque plusieurs solutions existent : ce cadre propose d'explorer l'espace des comportements sans collecter davantage de démonstrations humaines, ce qui touche directement à l'efficacité des données dans les pipelines de robot learning. Les auteurs positionnent leur approche contre les méthodes de guidage classiques, qui poussent les échantillons vers des régions infaisables, et contre le couplage RL+diffusion, qui peine à sortir des minima locaux. Les résultats restent cependant limités à la simulation de manipulation; aucune validation sur robot réel n'est rapportée dans ce préprint. Les diffusion policies ont connu une adoption rapide depuis les travaux de Chi et al. en 2023, supplantant progressivement les politiques comportementales classiques sur des tâches de manipulation complexes. Le domaine est aujourd'hui concurrentiel, avec Physical Intelligence (pi0), Google DeepMind et plusieurs laboratoires universitaires poussant les limites de ces modèles génératifs. L'approche Feynman-Kac s'inscrit dans une tendance plus large de réutilisation d'outils de la physique statistique pour le contrôle robotique. Les prochaines étapes naturelles seraient une validation sur hardware réel et une extension à des tâches à horizon long, où la diversité des trajectoires est encore plus critique.

UELes laboratoires européens travaillant sur l'apprentissage par imitation (INRIA, CEA-List) pourraient exploiter ce cadre pour réduire leur dépendance aux données de démonstration, mais aucun acteur ou déploiement européen n'est impliqué dans ce préprint.

RecherchePaper
1 source
APT : le pré-entraînement par expertise d'action améliore la généralisation des politiques VLA aux nouvelles instructions
2arXiv cs.RO 

APT : le pré-entraînement par expertise d'action améliore la généralisation des politiques VLA aux nouvelles instructions

Une équipe de chercheurs a publié le 11 juin 2026 sur arXiv (identifiant 2606.12366) APT (Action expert PreTraining), une méthode d'entraînement en deux étapes conçue pour améliorer la généralisation des politiques robotiques Vision-Langage-Action (VLA) face à des instructions en langage naturel hors distribution. Le problème ciblé : les modèles VLA actuels, qui couplent un grand modèle de vision-langage (VLM) préentraîné à un expert d'action continu, peinent à exécuter des consignes qu'ils n'ont pas vues pendant l'entraînement. La méthode s'applique aux architectures mainstream du domaine, notamment les architectures de style pi (Physical Intelligence) et GR00T (NVIDIA), et démontre des gains cohérents sur des instructions inédites et des tâches compositionnelles selon les expériences rapportées dans l'article. Le problème fondamental identifié par les auteurs est un déséquilibre structurel dans les données VLA : la diversité linguistique y est bien plus faible que la diversité visuelle ou motrice, ce qui pousse les politiques à s'appuyer sur des raccourcis visuels plutôt que sur les instructions textuelles. Les méthodes à actions discrètes, comme OpenVLA, atténuent ce biais via un co-entraînement vision-langage, mais les experts d'action continus, initialisés aléatoirement, génèrent des gradients bruités qui corrompent le VLM et n'exploitent pas sa capacité de compréhension linguistique. APT résout cela par une factorisation bayésienne : l'expert d'action est d'abord préentraîné comme un prior vision-action sans supervision linguistique, sur un VLM gelé (étape 1), puis les tokens de langage sont injectés via un mécanisme de fusion à porte (gated fusion) qui intègre les représentations du VLM tout en préservant le prior visuomoteur appris (étape 2). Cette séparation empêche l'imbalance linguistique de polluer l'apprentissage moteur initial. Le domaine des VLA robotiques connaît depuis 2024 une accélération notable avec pi0 de Physical Intelligence, GR00T N2 de NVIDIA, et Helix de Figure AI, tous construits autour du paradigme VLM couplé à un expert d'action continu. La généralisation aux instructions non vues reste l'un des défis non résolus du secteur : les démos en laboratoire reposent souvent sur des jeux de consignes étroits, loin de la variabilité d'un déploiement industriel réel, ce qui constitue un frein concret à la commercialisation. APT propose une réponse méthodologique à ce gap sans modifier les architectures cibles, en réordonnant uniquement leur processus d'entraînement. Les prochaines étapes naturelles incluront des validations indépendantes sur des benchmarks standardisés comme LIBERO ou RoboSuite, ainsi que des tests à l'échelle sur robots physiques en environnement non structuré.

RechercheActu
1 source
ObstaDiff : apprentissage généralisable de politiques de diffusion via des représentations conscientes des obstacles
3arXiv cs.RO 

ObstaDiff : apprentissage généralisable de politiques de diffusion via des représentations conscientes des obstacles

ObstaDiff est une politique de diffusion pour la manipulation robotique conçue pour les scènes encombrées d'obstacles non structurés, point faible connu des approches d'imitation learning classiques, qui supposent généralement des arrière-plans dégagés. Le système s'appuie sur un encodeur visuel léger, dit obstacle-aware, qui décompose la scène en trois éléments, la cible, les obstacles et l'arrière-plan, avant de transmettre cette représentation structurée à une politique d'alignement générant la trajectoire de l'effecteur terminal jusqu'à une pose intermédiaire centrée sur la cible, en évitant les obstacles environnants. Testé sur robot réel en serre agricole, à raison de 61 essais par méthode comparée, soit 366 exécutions au total, ObstaDiff atteint un taux de réussite moyen de 75,41% et un taux de collision de 8,20%, des résultats supérieurs aux politiques d'imitation learning de référence évaluées dans les mêmes conditions. Le travail est publié en prépublication sur arXiv sous la référence 2609.10918v1. Ce résultat s'attaque à l'un des écarts les plus documentés du secteur, celui qui sépare les démonstrations en laboratoire sur fond neutre du déploiement réel où les obstacles imprévisibles sont la norme. Pour les intégrateurs visant l'automatisation de tâches de manipulation en agriculture, en entrepôt ou en industrie légère, la capacité d'une politique à raisonner explicitement sur les obstacles, plutôt qu'à les ignorer, conditionne directement la fiabilité et la viabilité économique d'un déploiement. Un taux de collision de 8,20% reste loin de zéro et ne prouve pas une robustesse totale, mais la comparaison favorable aux baselines suggère qu'une représentation structurée cible-obstacle-arrière-plan est une piste concrète pour réduire l'écart entre démonstration et réalité, plutôt qu'une simple optimisation marginale des politiques de diffusion existantes. ObstaDiff s'inscrit dans la lignée des politiques de diffusion appliquées à la manipulation robotique, une famille de méthodes étudiée pour générer des trajectoires continues à partir de démonstrations mais qui bute généralement sur la généralisation à des scènes visuellement différentes de l'entraînement. Il s'agit ici d'un travail de recherche en prépublication, non d'une annonce produit ni d'un déploiement commercial, évalué sur un nombre d'essais réels modeste mais transparent, sans partenaire industriel ni calendrier de commercialisation mentionné. Le choix d'une serre agricole comme terrain d'essai, où cultures et structures encombrent en permanence l'espace de travail, illustre un cas d'obstruction difficile à simuler ; la suite logique passe par l'extension à d'autres tâches et environnements, ainsi qu'une comparaison plus large face aux politiques vision-langage-action qui dominent aujourd'hui les débats sur la généralisation en robotique.

RecherchePaper
1 source
Apprentissage en cours de déploiement : apprentissage par renforcement à l'échelle d'une flotte pour des politiques de robots généralistes
4arXiv cs.RO 

Apprentissage en cours de déploiement : apprentissage par renforcement à l'échelle d'une flotte pour des politiques de robots généralistes

Une équipe de chercheurs a déposé le 1er mai 2026 sur arXiv (référence 2605.00416) un cadre d'apprentissage par renforcement appelé Learning While Deploying (LWD), conçu pour améliorer en continu des politiques généralisées de type Vision-Language-Action (VLA) directement en conditions réelles. Le système a été validé sur une flotte de 16 robots à deux bras, engagés sur huit tâches de manipulation en environnement physique, dont le réassort sémantique de produits d'épicerie et des séquences longues de 3 à 5 minutes. Partant d'une politique VLA pré-entraînée hors ligne, LWD collecte les rollouts autonomes et les corrections humaines réalisés sur l'ensemble de la flotte, puis les intègre dans un cycle continu d'amélioration et de redéploiement. Techniquement, le framework combine le Distributional Implicit Value Learning (DIVL), pour une estimation de valeur robuste sur des données hétérogènes à récompense sparse, avec le Q-learning via Adjoint Matching (QAM), adapté aux générateurs d'actions de type flow-based. Au terme de l'accumulation d'expérience de flotte, la politique généraliste unique atteint un taux de succès moyen de 95 %, les gains les plus marqués étant observés sur les tâches longue durée. Ce résultat est significatif non parce qu'il affiche un chiffre élevé, mais parce qu'il démontre que l'écart entre données d'entraînement et déploiement réel peut être réduit par apprentissage continu in situ. Les politiques VLA, de plus en plus utilisées comme backbone généralisé en robotique manipulation, souffrent d'un problème bien identifié : les datasets de démonstration fixes ne capturent ni les variations de distribution rencontrées sur le terrain, ni les pannes rares, ni les corrections opérateur. LWD formalise un pipeline où ces signaux de terrain sont directement réintégrés dans la boucle d'entraînement, sans nécessiter une phase offline séparée. Pour un intégrateur ou un COO industriel, la promesse est concrète : une flotte déployée s'améliore d'elle-même à mesure qu'elle travaille, et les interventions humaines alimentent le modèle plutôt que d'être perdues. Cette publication s'inscrit dans une course active à la post-formation de politiques VLA pour la manipulation robotique. Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, et les équipes de Figure AI ou 1X Technologies investissent tous dans des politiques généralisées robustes au transfert réel. Le point de différenciation de LWD est le paradigme fleet-scale : là où la majorité des travaux publiés portent sur un ou deux robots en laboratoire, les auteurs valident leur approche sur 16 unités en parallèle. Aucun partenaire industriel ni calendrier de commercialisation n'est mentionné dans le preprint, et les vidéos de démonstration n'ont pas été évaluées de manière indépendante, ce qui invite à traiter ces résultats comme une preuve de concept académique solide plutôt que comme une annonce produit.

RechercheOpinion
1 source