Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
IA physiquearXiv cs.RO 

EmbodiedSkills : un cadre unifié pour orchestrer, entraîner et déployer des agents VLA

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

EmbodiedSkills, un framework présenté sur arXiv en septembre 2026 (arXiv:2609.01281), orchestre, entraîne et déploie des agents robotiques fondés sur des modèles vision-langage-action (VLA). Le système traite chaque décision de compétence comme une proposition d'exécution : une interface de compétences exécutables partagée vérifie les prérequis avant l'action, exécute une politique VLA bornée, puis contrôle le résultat, le tout dans une seule boucle d'agent. Cette interface fixe permet de remplacer les politiques de bas niveau sans la modifier. Les auteurs l'instancient avec le modèle vision-langage Qwen3-VL et la politique d'action pi0.5 de Physical Intelligence, diffusée via OpenPI. L'ensemble est testé en simulation sur RoboTwin 2.0 (50 tâches) et LIBERO (quatre suites), où les politiques adaptées à la tâche atteignent 86,20% et 97,40% de réussite moyenne respectivement. Sur RMBench, quatre tâches exigeant de la mémoire à long terme, ce taux chute à 12,5%.

Cet effondrement sur les tâches à mémoire longue est le résultat le plus significatif : il montre qu'un modèle VLA dépassant 85 à 97% de réussite sur des benchmarks d'action courte ne résout pas pour autant le raisonnement séquentiel sur un état qui évolue dans le temps, un écart largement soupçonné mais rarement chiffré aussi explicitement. Pour les intégrateurs et les équipes de recherche, l'intérêt tient moins à la performance brute qu'à l'architecture : en séparant vérification, planification et exécution, EmbodiedSkills rend auditable la cause d'un échec plutôt que de traiter le VLA comme une boîte noire.

Le travail s'inscrit dans la vague de frameworks agentiques cherchant à combler l'écart entre modèles VLA génériques, tels que pi-0 et pi0.5 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, et des tâches industrielles longues nécessitant coordination et récupération d'erreur ; EmbodiedSkills se positionne comme une couche d'orchestration entraînable au-dessus de ces politiques plutôt que comme un nouveau modèle de fondation concurrent. Il s'agit à ce stade d'une publication de recherche testée uniquement en simulation, sans déploiement matériel ni partenaire industriel annoncé, les auteurs présentant la vérification comme la brique manquante avant l'extension à des tâches à mémoire plus longue et le transfert vers du matériel réel.

Dans nos dossiers

FigureIA physique & VLANVIDIA GR00TPhysical Intelligence — π0

À lire aussi

VLA Foundry : un cadre unifié pour l'entraînement des modèles vision-langage-action
1arXiv cs.RO 

VLA Foundry : un cadre unifié pour l'entraînement des modèles vision-langage-action

Le laboratoire TRI-ML (Toyota Research Institute Machine Learning) publie VLA Foundry, un framework open-source qui unifie dans une seule base de code l'entraînement des modèles LLM, VLM et VLA (Vision-Language-Action). Jusqu'ici, la majorité des pipelines open-source de robotique apprenante se concentraient exclusivement sur l'étape d'entraînement à l'action, assemblant à la hâte des briques de préentraînement incompatibles entre elles. VLA Foundry propose à la place un continuum de bout en bout: du préentraînement linguistique jusqu'au fine-tuning spécialisé pour le contrôle moteur. Deux familles de modèles sont publiées simultanément: la première entraînée intégralement depuis zéro via le pipeline LLM→VLM→VLA, la seconde construite sur le backbone Qwen3-VL d'Alibaba. Les deux sont évalués en boucle fermée sur LBM Eval, un simulateur open-source et open-data de manipulation sur table. Sur les tâches multi-objets, le modèle fondé sur Qwen3-VL dépasse la baseline de façon significative, sans que TRI-ML ne quantifie précisément l'écart dans le résumé publié. Le code est disponible sur GitHub (TRI-ML/vla_foundry) et les poids sont libérés sur HuggingFace. Ce que VLA Foundry prouve concrètement, c'est que le choix du backbone VLM est un levier critique: partir d'un modèle vision-langage préentraîné et performant comme Qwen3-VL, plutôt que de construire une architecture robotique ad hoc, améliore substantiellement la politique de contrôle multi-tâches. Pour les équipes d'intégration et les chercheurs, cela valide une stratégie de transfert: exploiter les représentations génériques des grands VLMs commerciaux ou open-weights plutôt que de repartir de zéro. Par ailleurs, le fait que le modèle from-scratch atteigne les performances des travaux closed-source antérieurs de TRI-ML constitue un signal positif pour la reproductibilité de cette classe de modèles, souvent opaque dans la littérature. TRI-ML est l'un des laboratoires de robotique académique les plus actifs, avec une longue historique en apprentissage par renforcement et en manipulation. Dans la course aux VLA, il affronte désormais Physical Intelligence et son modèle pi0, Figure AI avec Helix, Google DeepMind (RT-2, et ses successeurs), ainsi que plusieurs startups émergentes. L'appui sur Qwen3-VL, un modèle produit par l'équipe Qwen d'Alibaba, illustre la tendance croissante à hybrider les avancées du monde NLP avec les contraintes du monde physique. Les prochaines étapes mentionnées incluent des améliorations d'outillage pour le simulateur LBM Eval et l'outil d'analyse STEP, deux contributions qui pourraient aider la communauté à standardiser l'évaluation des politiques robotiques en boucle fermée.

IA physiqueOpinion
1 source
OneVLA : un cadre unifié pour les tâches d'IA incarnée
2arXiv cs.RO 

OneVLA : un cadre unifié pour les tâches d'IA incarnée

Une équipe de recherche a publié fin mai 2026 sur arXiv (référence 2606.01241) un modèle baptisé OneVLA, présenté comme une architecture unifiée Vision-Langage-Action (VLA) capable de gérer à la fois la navigation autonome et la manipulation d'objets au sein d'un seul et même réseau. Le principe central repose sur une tête d'action commune qui génère des commandes de déplacement et des gestes de manipulation sans module séparé ni variante spécialisée selon la tâche. L'entraînement suit une stratégie progressive en plusieurs étapes, avec construction de jeux de données curés et un fine-tuning par Chain-of-Thought (CoT) visant à créer un transfert positif entre les deux domaines. Les expériences rapportées couvrent des environnements simulés et réels, et les auteurs affirment surpasser les modèles spécialisés à tâche unique ainsi que les approches cross-task existantes. Le code source et les poids du modèle sont annoncés comme devant être rendus publics, sans date précisée. L'enjeu est structurel pour le secteur : la quasi-totalité des VLA actuellement déployés ou publiés restent monolithiques par domaine. Pi-0 de Physical Intelligence excelle en manipulation dextère, GR00T N2 de NVIDIA intègre des capacités de navigation mais avec des têtes d'action distinctes, et la plupart des agents issus des travaux RT-X ou OpenVLA ne combinent pas les deux modalités de façon cohérente. Un modèle qui transfère positivement entre navigation et manipulation éviterait aux équipes d'intégration de maintenir deux pipelines d'inférence séparés, un coût opérationnel significatif en production. Le CoT appliqué à la planification motrice est également notable : il indique que le raisonnement symbolique peut renforcer la généralisation comportementale, une hypothèse jusqu'ici difficile à valider à l'échelle réelle. Ce travail s'inscrit dans une tendance de fond amorcée depuis 2024 vers les architectures dites "fondation" pour la robotique généraliste. Les limitations à signaler : il s'agit d'un preprint sans revue par les pairs, les benchmarks précis de performance (taux de succès par scénario, temps de cycle, conditions d'éclairage ou de charge) ne sont pas détaillés dans l'abstract, et aucune institution commerciale ni déploiement industriel n'est mentionné. Les prochaines étapes naturelles seraient la publication du code pour permettre une évaluation indépendante, ainsi qu'une validation sur plateformes humanoïdes réelles, là où la fusion navigation-manipulation est la plus critique pour des cas d'usage entrepôt ou logistique.

IA physiqueOpinion
1 source
Comment entraîner une politique de navigation à cross-embodiment pour robots avec des agents IA
3NVIDIA Developer Blog 

Comment entraîner une politique de navigation à cross-embodiment pour robots avec des agents IA

Un article technique intitulé « How to Train a Cross-Embodiment Robot Navigation Policy with AI Agents » présente une méthode pour entraîner des politiques de navigation robotique capables de fonctionner sur plusieurs types de robots, une approche dite « cross-embodiment » reposant sur des agents IA. Le texte distingue navigation et locomotion : la locomotion assure un mouvement stable comme la marche ou l'équilibre, tandis que la navigation doit en continu localiser le robot, interpréter un environnement changeant, choisir un itinéraire et éviter les obstacles pour atteindre un objectif en sécurité. Selon l'article, transférer cette capacité vers un nouveau robot ou un nouvel environnement exige généralement de nouvelles données d'entraînement, de nouveaux assets de simulation et de nouvelles interfaces robot spécifiques, un goulot d'étranglement que la méthode proposée cherche à réduire en confiant à des agents IA la génération ou l'adaptation automatique de ces éléments. Cette approche vise un problème central pour les intégrateurs et laboratoires de robotique : la difficulté de porter une politique de navigation d'un robot ou d'un environnement à un autre sans tout recréer manuellement. Si la génération assistée par IA des données de simulation et des interfaces tient ses promesses, elle pourrait réduire le temps et le coût de déploiement d'un même système de navigation sur des flottes hétérogènes, mobiles ou humanoïdes, un enjeu alors que le secteur cherche à généraliser les modèles vision-langage-action au-delà de la manipulation vers la mobilité autonome. L'article, cependant, ne fournit aucune métrique chiffrée, taux de réussite, temps de cycle, nombre de robots ou de scènes testées, ni de date de disponibilité, ce qui en fait pour l'instant une démonstration méthodologique plutôt qu'un produit prêt à déployer. Cette publication s'inscrit dans la tendance sectorielle à découpler les compétences robotiques, perception, locomotion, navigation, manipulation, de la plateforme matérielle, dans la lignée des efforts autour des modèles génériques de type VLA et de l'entraînement massif en simulation. Le texte source ne précise ni l'organisme à l'origine de la méthode au-delà du titre, ni les robots ou environnements utilisés pour la valider, ni de calendrier de publication d'outils ou de suite associée, laissant ouvertes les questions de reproductibilité et de disponibilité pratique de cette approche.

IA physiquePaper
1 source
RLinf-VLA : un cadre unifié et efficace pour l'apprentissage par renforcement des modèles vision-langage-action
4arXiv cs.RO 

RLinf-VLA : un cadre unifié et efficace pour l'apprentissage par renforcement des modèles vision-langage-action

Une équipe de recherche présente RLinf-VLA, un framework unifié et efficace pour l'entraînement par renforcement (RL) de modèles vision-langage-action (VLA), décrit dans un article arXiv (2510.06710, version 3, remplaçant une version antérieure). Le système standardise l'intégration de plusieurs architectures VLA, de différents algorithmes RL et de simulateurs hétérogènes derrière une interface commune, pour permettre comparaisons équitables et reproductibilité. Pour gagner en efficacité, RLinf-VLA introduit une stratégie d'allocation de pipeline fine et hybride, répartissant dynamiquement les ressources entre rendu, inférence et entraînement, ce qui produit un gain de vitesse de 1,61 à 1,88 fois sur le simulateur ManiSkill. Les modèles entraînés avec ce framework atteignent 98,11% de réussite sur 130 tâches du benchmark LIBERO, 97,66% sur 25 tâches ManiSkill, et une moyenne de 84,63% sur six tâches RoboTwin. Pour les laboratoires de robotique et les équipes développant des politiques de manipulation, ce travail répond à un problème concret: jusqu'ici, chaque groupe construisait sa propre pipeline RL+VLA sur mesure, rendant les comparaisons d'architectures et d'algorithmes peu fiables. Un gain de vitesse proche du double affecte directement le coût et la durée des cycles d'entraînement, une étape historiquement gourmande en calcul puisqu'elle combine simulation, inférence et mise à jour de politique en boucle continue. Les taux de réussite proches de la saturation, 98% sur LIBERO, 97,7% sur ManiSkill, montrent que le post-entraînement par renforcement peut pousser des VLA déjà pré-entraînés par imitation vers des performances très élevées sur des benchmarks simulés établis, mais ces résultats restent obtenus en simulation contrôlée et ne préjugent pas d'une généralisation équivalente en conditions réelles. Le contexte est celui d'un basculement plus large dans l'entraînement des modèles VLA, jusque-là dominé par l'apprentissage supervisé à partir de démonstrations, vers des méthodes de post-entraînement par interaction, une trajectoire qui rappelle le rôle du RLHF pour les grands modèles de langage. Les auteurs positionnent explicitement RLinf-VLA comme une réponse à la fragmentation des efforts en RL pour la robotique embarquée, où l'absence de plateforme commune empêchait des comparaisons équitables entre architectures et algorithmes. Au-delà du code, l'article revendique la synthèse d'un ensemble de pratiques efficaces pour l'entraînement RL des VLA, positionnant le framework comme base technique et méthodologique pour la recherche future en intelligence embarquée. Aucune entreprise ni site de déploiement industriel n'est associé à cette publication, qui reste à ce stade une contribution académique validée sur des benchmarks de simulation plutôt qu'un produit déployé.

IA physiqueOpinion
1 source