IA physiquearXiv cs.RO 25 août 2026

Un cadre sensible à la latence pour l'apprentissage de politiques visuomotrices sur robots industriels

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article publié sur arXiv (identifiant 2602.14255, version 2) présente un cadre logiciel pour déployer des politiques visuomotrices de bout en bout sur des bras robotiques industriels, où le décalage entre observation et exécution, causé par les latences d'observation, d'inférence et d'exécution, est amplifié par les interfaces de contrôle haut niveau et la dynamique de boucle fermée plus lente de ce matériel. Le système combine perception multimodale calibrée en latence, synchronisation des données, pipeline de communication unifié et interface de téléopération pour collecter des démonstrations expertes. Son mécanisme central horodate chaque séquence d'actions prédite et n'exécute que celles encore réalisables au moment prévu, permettant une inférence et une exécution asynchrones sans modifier l'architecture ni l'entraînement de la politique. Sur une tâche d'assemblage à contacts riches, avec une latence d'inférence variant de 100 à 500 millisecondes, cette approche maintient la durée de tâche et la fluidité du mouvement à 13% et 9% près de la référence de démonstration humaine, tout en évitant le ralentissement progressif du mode bloquant et les dépassements de force de contact importants de l'exécution asynchrone naïve.

Ce travail vise un angle mort du déploiement industriel des politiques vision-langage-action (VLA) : les démonstrations de manipulation les plus spectaculaires sont réalisées sur des bras de recherche rapides, alors que les bras industriels, aux boucles de contrôle nettement plus lentes, exposent frontalement le problème de latence que les vitrines commerciales masquent souvent. Pour les intégrateurs et décideurs industriels, la leçon pratique est qu'une politique validée en laboratoire peut se dégrader, voire devenir dangereuse en contexte de contact riche, une fois transposée sur un robot industriel réel sans traitement explicite du délai d'inférence, et qu'un simple étage d'ordonnancement temporel des actions, sans retouche de l'architecture ni ré-entraînement, suffit à corriger ce comportement.

L'étude part du constat que les robots industriels sont de plus en plus utilisés en construction et en fabrication avec des politiques apprises par imitation, généralement testées sur du matériel de laboratoire aux dynamiques plus rapides que les bras industriels réels. Contrairement aux annonces produit très médiatisées dans l'humanoïde, il s'agit ici d'une contribution de recherche méthodologique publiée en preprint, sans partenaire industriel ni calendrier de déploiement commercial mentionnés. La suite logique serait d'étendre ce cadre à d'autres tâches de manipulation à contacts riches et à des politiques VLA plus larges, afin de vérifier si la stratégie d'ordonnancement temporel se généralise au-delà du cas d'assemblage testé.

Dans nos dossiers

IA physique & VLA arXiv cs.RO

À lire aussi

1arXiv cs.RO

Repenser la représentation spatiale implicite dans l'apprentissage des politiques visuomotrices

Une équipe de chercheurs a publié en juin 2026 un préprint arXiv (2606.15232) proposant PRISM, un encodeur visuel destiné aux politiques visuomotrices pour la manipulation robotique. Le travail repart d'une brique très répandue dans ce domaine : le pooling spatial softmax, qui transforme les cartes de caractéristiques d'un réseau de neurones en un ensemble compact de coordonnées 2D représentant les points saillants d'une scène. Les auteurs montrent, par une série d'expériences comparatives, que cette représentation implicite produit des features plus stables et plus compactes que les représentations feature-value classiques, même avec un espace dimensionnel nettement réduit. Cependant, ils identifient un goulot d'étranglement : les opérations successives de sous-échantillonnage dans les encodeurs visuels courants dégradent l'information spatiale fine avant qu'elle ne parvienne au module générateur d'actions, problème particulièrement aigu en basse résolution. PRISM répond à ce déficit en fusionnant des représentations multiscalaires via une attention croisée top-down. Sur la tâche ToolHang, référence de précision en basse résolution, le taux de succès moyen passe de 5,0 % à 13,4 %, pour seulement 15,4 % de paramètres supplémentaires. Ce résultat a une portée directe pour les intégrateurs qui déploient des politiques d'imitation générative (Diffusion Policy, ACT, et dérivés) sur des robots industriels équipés de caméras embarquées à résolution modeste. Il confirme que le "sim-to-real gap" n'est pas uniquement lié aux données ou aux architectures d'action, mais aussi à la qualité des représentations visuelles intermédiaires. La démonstration que des gains substantiels sont atteignables sans revoir l'architecture d'action ni exploser le coût computationnel est un signal utile pour les équipes qui cherchent à améliorer la robustesse de leurs pipelines sans refonte complète. Ce travail s'inscrit dans la vague actuelle d'apprentissage par imitation basé sur des modèles génératifs, popularisée par Chi et al. (Diffusion Policy, 2023) et les travaux de Physical Intelligence (pi0) ou de Google DeepMind. Il n'implique pas d'acteur français ou européen identifiable. Le papier est un préprint, non encore évalué par les pairs, et les benchmarks restent limités à des tâches de table-top manipulation simulées et réelles ; une validation sur plateformes humanoïdes ou en environnement industriel reste à venir. Les prochaines étapes naturelles seraient une intégration dans des pipelines VLA (Vision-Language-Action) à grande échelle, où la précision spatiale est également un point de friction documenté.

IA physiquePaper

1 source

2arXiv cs.RO

Modèle d'action géométrique pour l'apprentissage de politiques robotiques

Des chercheurs ont déposé le 16 juin 2026 sur arXiv (arXiv:2606.17046) le Geometric Action Model (GAM), une politique de manipulation robotique conditionnée par le langage naturel. L'architecture réutilise un modèle fondamental géométrique (GFM) pré-entraîné en le scindant en deux segments : les couches superficielles encodent les observations visuelles, tandis qu'un prédicteur causal inséré à la jonction génère des tokens latents futurs conditionnés sur les instructions textuelles, la proprioception et l'historique d'actions du robot. Les blocs restants du GFM décodent ensuite simultanément la géométrie future de la scène et les actions à exécuter via un backbone unique partagé. Sur une suite de benchmarks en simulation et sur robot réel incluant des tâches de manipulation en contact riche, GAM affiche selon ses auteurs une précision, une robustesse, une vitesse d'inférence et une compacité supérieures aux baselines VLA à large échelle actuellement en référence. Le problème central qu'adresse ce travail est le décalage entre les représentations 2D dominantes dans les VLA (vision-language-action models) et la nature tridimensionnelle des interactions physiques. Des systèmes comme Pi-0 et Pi0.5 (Physical Intelligence), GR00T N2 (NVIDIA) ou les modèles RT-X (Google DeepMind) opèrent principalement sur des espaces latents dérivés d'images 2D, ce qui les handicape pour les tâches de saisie précise, d'assemblage et de dépose sur surfaces contraintes. Ancrer la prédiction d'actions directement dans un espace géométrique 3D, avec une modification minimale du modèle fondamental sous-jacent, constitue le pari architectural de GAM. Si ces résultats résistent à une reproductibilité indépendante, ils valideraient l'hypothèse que des priors géométriques explicites améliorent la généralisation des politiques généralistes face au gap sim-to-real. Cette publication s'inscrit dans une course aux VLA généralistes lancée depuis RT-2 (Google DeepMind, 2023), où la majorité des acteurs industriels, dont Figure (Helix), Agility Robotics, 1X et Physical Intelligence, misent sur des transformers multimodaux sans encodage 3D explicite. En parallèle, plusieurs laboratoires académiques (Berkeley, Stanford, CMU) explorent l'intégration de représentations géométriques comme le Gaussian Splatting dans les politiques robotiques. GAM s'inscrit dans cette seconde tendance avec une proposition architecturale minimaliste. À ce stade, il s'agit d'un preprint arXiv non peer-reviewed, sans déploiement industriel ni partenariat hardware annoncé ; une validation sur des plateformes commerciales standards (UR, Franka) en dehors du laboratoire reste à démontrer.

IA physiqueOpinion

1 source

3arXiv cs.RO

Toucher visible : rendu du contact pour les politiques visuomotrices

Des chercheurs publient sur arXiv (article 2609.14156v1, déposé en tant que nouvelle contribution) une méthode baptisée Visible Touch, destinée à intégrer le toucher dans les politiques visuomotrices des robots manipulateurs. Le système repose sur un capteur de contact magnétique bas coût, conçu en interne et mis en open source, fabriqué à partir de pièces standard via un pipeline paramétrique de conception assistée par ordinateur allant jusqu'au moulage. L'idée centrale consiste à afficher le signal de contact directement dans le même repère spatial que l'image de la scène observée par la politique, plutôt que de l'encoder séparément, ce qui le rend exploitable par n'importe quel modèle conditionné par l'image sans modification d'architecture. Sur le benchmark LIBERO, cette approche améliore le taux de réussite d'un modèle BC-Transformer de 15,7 points de pourcentage en moyenne en configuration à deux caméras, avec des gains comparables à une seule caméra. Appliquée au fine-tuning de modèles vision-langage-action (VLA) pré-entraînés, elle apporte 25 points de gain moyen à miniVLA sur LIBERO, et jusqu'à 30 points à π_0.5 sur quatre tâches réelles à fort contact, avec le capteur maison. Ce résultat s'attaque à un angle mort connu des politiques génératives de manipulation: la plupart des modèles VLA actuels, y compris les architectures pré-entraînées dominantes, fonctionnent uniquement à partir de la vision et de la proprioception, sans retour tactile. Les solutions existantes nécessitaient un matériel tactile spécialisé, un encodeur dédié, ou une architecture non basée sur l'image, incompatibles avec le paradigme actuel des modèles construits sur des représentations visuelles 2D pré-entraînées. En montrant qu'une simple reprojection du signal de contact dans le plan image suffit à obtenir des gains significatifs, l'étude suggère une voie d'intégration du toucher peu coûteuse et directement compatible avec les pipelines de fine-tuning industriels existants, un enjeu clé pour les tâches d'assemblage ou d'insertion où la vision seule échoue souvent. Le travail s'inscrit dans la lignée des recherches visant à combler l'écart entre perception visuelle et retour physique dans l'apprentissage robotique, alors que la génération actuelle de modèles VLA pré-entraînés se généralise dans l'industrie. Il s'agit d'un preprint académique et non d'un produit commercialisé: les auteurs annoncent l'ouverture du design du capteur, sans calendrier de déploiement industriel précisé à ce stade.

IA physiqueActu

1 source

4arXiv cs.RO

SSI-Policy : apprentissage d'interfaces de scène structurées pour la manipulation robotique vision-langage

Des chercheurs ont déposé SSI-Policy sur arXiv (2606.26800, juin 2026), un framework modulaire pour la manipulation robotique en régime de faibles données. Le système repose sur une représentation intermédiaire appelée Structured Scene Interface (SSI), une couche RGB-only qui encode simultanément des caractéristiques de profondeur monoculaire, des dispositions spatiales d'objets ancrées dans le langage naturel, et des trajectoires 2D conditionnées par instruction. Sur le benchmark LIBERO avec seulement 10 démonstrations par tâche, SSI-Policy dépasse la meilleure méthode concurrente de près de 15 points, et reste compétitif face aux approches à 50 démonstrations recourant au préentraînement externe à large échelle. Les auteurs valident également sur 13 tâches réelles : raisonnement spatial, transfert cross-embodiment et manipulation avec contact. L'apport central est architectural : en découplant la perception du contrôle via l'interface SSI, la politique aval peut apprendre à partir de très peu de démonstrations. Que l'interface soit entraînable sur des vidéos sans annotation d'action est particulièrement précieux pour les intégrateurs industriels qui peinent à collecter des données de téléopération à grande échelle. L'absence de capteur de profondeur, le système fonctionnant en pure RGB, réduit les prérequis matériels et facilite le déploiement sur des bras standards. Le caractère robot-agnostique de SSI cible directement la faiblesse récurrente des VLA (Vision-Language Action models) comme Pi-0 de Physical Intelligence, OpenVLA ou GR00T N2 de NVIDIA : leur difficulté à transférer vers de nouveaux embodiments sans réentraînement coûteux. SSI-Policy se positionne face à trois familles de méthodes : les approches vidéo (SuSIE, UniSim), sujettes à dérive géométrique sur les horizons longs ; les méthodes 3D (Act3D, RoboPoint), qui exigent du RGB-D ; et les interfaces de flux optique, sans structure géométrique explicite. SSI-Policy prétend en combiner les avantages, affirmation partiellement étayée par les ablations publiées mais restant à confirmer sur des benchmarks plus larges comme RLBench ou DROID. L'article est un preprint, non soumis à évaluation par les pairs. La suite logique : validation sur plateformes humanoïdes complètes et pilotes industriels réels, deux domaines où la robustesse en faible nombre d'exemples reste le verrou commercial principal.

IA physiqueOpinion

1 source