Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
MINERVA : quelle taille minimale pour une politique de manipulation qui résout LIBERO ?
RecherchearXiv cs.RO 

MINERVA : quelle taille minimale pour une politique de manipulation qui résout LIBERO ?

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

Publiée le 4 septembre 2026 sur arXiv (2609.03715v1), l'étude MINERVA mesure la taille de modèle réellement nécessaire pour résoudre LIBERO, le benchmark de manipulation aujourd'hui dominé par des modèles vision-langage-action (VLA) de plusieurs milliards de paramètres. Sa politique de 0,54 million de paramètres atteint 95,1% de réussite sur 2 000 essais répartis sur les quatre suites standard de LIBERO, à seulement 2,4 points du résultat rapporté pour pi-0.5 de LeRobot, avec 7 700 fois moins de paramètres. Les performances plafonnent vers 1 million de paramètres et s'effondrent sous 250 000. La régression L1 directe égale le flow matching tout en étant jusqu'à 3,8 fois plus rapide sur GPU, et sur simple CPU portable, sans GPU, la politique replanifie chaque pas de contrôle en 5 à 9 millisecondes, 113 fois plus vite que SmolVLA et 1 400 fois plus vite que pi-0.5. Sur LIBERO-90 (89 tâches), le même protocole obtient 94,6%, mais chute à 46-56% face aux perturbations de LIBERO-Plus, avec une robustesse quasi nulle aux variations photométriques.

Ce résultat bouscule l'idée dominante selon laquelle la manipulation robotique exige des VLA à l'échelle des grands modèles de langage: un réseau 7 700 fois plus petit que pi-0.5 approche ses performances, signe que le plancher de capacité requis par LIBERO est très bas. Une permutation des identifiants de tâche montre que le conditionnement par instruction sert surtout à sélectionner une tâche mémorisée: changer seulement ce mappage ramène le taux de réussite près du hasard, ce qui interroge ce que le benchmark mesure vraiment. Pour les intégrateurs, une inférence en quelques millisecondes sur simple CPU ouvre la voie à des contrôleurs embarqués bon marché, tandis que la fragilité aux perturbations photométriques rappelle qu'un score élevé sur benchmark ne garantit pas la robustesse en conditions réelles.

Le travail s'inscrit dans une course à l'échelle menée par des VLA généralistes comme pi-0 et pi-0.5 de Physical Intelligence, GR00T N2 de NVIDIA, Helix de Figure AI ou SmolVLA de Hugging Face, cité ici comme référence de politique compacte. LIBERO, benchmark de manipulation devenu standard depuis 2023, sert de terrain de comparaison, mais son biais vers la mémorisation des tâches, mis au jour par MINERVA, questionne sa validité comme mesure de généralisation. Les auteurs appellent à une conception de politiques consciente de la capacité et à des stratégies de distillation pour produire des modèles robotiques efficaces au déploiement, plutôt qu'à une simple course au nombre de paramètres.

Dans nos dossiers

FigureIA physique & VLANVIDIA GR00TPhysical Intelligence — π0

À lire aussi

PredVLA : une politique de codage prédictif à moins d'un million de paramètres pour la manipulation robotique
1arXiv cs.RO 

PredVLA : une politique de codage prédictif à moins d'un million de paramètres pour la manipulation robotique

Une équipe de recherche présente PredVLA, une politique de contrôle robotique conditionnée par le langage ne comptant que 0,68 million de paramètres entraînables et sans pretraining sur des données robotiques, décrite dans un article publié sur arXiv (2608.26673). Contrairement aux architectures vision-language-action dominantes, construites sur des transformeurs préentraînés à grande échelle, PredVLA repose sur un codage prédictif hiérarchique : un réseau récurrent génératif prédit les caractéristiques visuelles et la proprioception, les observations n'influençant l'état latent que via une inférence en ligne fondée sur les erreurs de prédiction sensorielle. Sur le benchmark LIBERO, il atteint 86,9% de réussite moyenne sur les trois suites à court horizon, et 75,4% avec la suite à long horizon incluse. Dans une comparaison contrôlée à conditions identiques, il affiche un taux de réussite 3,7 fois supérieur à un Transformer et 7,4 fois supérieur à un LSTM de taille comparable. Ce résultat bouscule une hypothèse répandue dans le secteur : que le contrôle manipulatoire conditionné par le langage exige des modèles massifs, préentraînés sur d'immenses corpus de démonstrations robotiques. Avec un réseau plus de mille fois plus petit que les grands VLA de référence et sans pretraining robotique, PredVLA suggère qu'une architecture récurrente générative bien conçue peut capturer l'essentiel du contrôle sensorimoteur nécessaire, au moins en simulation. Pour les intégrateurs contraints en calcul embarqué, le signal est utile : des politiques plus légères et moins coûteuses à entraîner pourraient rester compétitives sur certaines tâches. Désactiver l'inférence d'erreur de prédiction, pour obtenir une condition strictement en boucle ouverte, offre un outil rare pour quantifier l'apport réel de la correction sensorielle en ligne, souvent opaque dans les grands VLA en boîte noire. Ces travaux s'inscrivent dans un courant qui questionne le paradigme dominant des VLA à grande échelle, illustré par des systèmes comme GR00T N2 de NVIDIA, Pi-0 de Physical Intelligence ou Helix de Figure AI, entraînés sur de vastes corpus de téléopération et comptant des centaines de millions voire des milliards de paramètres. PredVLA s'appuie plutôt sur les théories du codage prédictif issues des neurosciences computationnelles. Les résultats restent pour l'instant limités au benchmark de simulation LIBERO, sans test sur robot physique ni comparaison avec ces grands VLA propriétaires, laissant ouverte la question du transfert sim-to-real.

RechercheActu
1 source
LieSpline-DP : politique de diffusion B-spline sur groupe de Lie pour une manipulation robotique fluide
2arXiv cs.RO 

LieSpline-DP : politique de diffusion B-spline sur groupe de Lie pour une manipulation robotique fluide

Une équipe de recherche décrit, dans un article publié sur arXiv (2609.15162v1), LieSpline-DP, une méthode qui corrige un défaut connu des Diffusion Policies (DP), une approche clé de l'apprentissage par démonstration en manipulation robotique : la production de trajectoires saccadées. Les variantes à base de splines lissent le mouvement à l'intérieur d'un segment d'action, mais sans garantir la continuité entre segments ni respecter la géométrie du groupe SE(3), l'espace des poses 3D de l'effecteur. LieSpline-DP génère les trajectoires directement sur SE(3) via des B-splines de Lie, en partageant les poses de contrôle entre segments consécutifs pour assurer une continuité C² sur toute la trajectoire. Sur trois tâches réelles, elle réduit le jerk des mouvements et fait bondir le taux de réussite : 100% pour verser un liquide et pour accrocher un seau, contre seulement 10% et 30% pour la Diffusion Policy de référence. Pour les équipes de recherche et les intégrateurs en manipulation robotique, ce résultat cible un point de friction connu des politiques génératives par diffusion, désormais utilisées jusque dans des piles vision-language-action (VLA) : des mouvements saccadés qui posent problème dès qu'une tâche exige un contact fin ou une dynamique continue, comme verser un liquide ou manipuler un objet souple. L'écart mesuré, 100% contre 10 à 30% de réussite, montre que cette discontinuité peut faire échouer une tâche entière plutôt que d'être un simple défaut esthétique. En ancrant la génération de trajectoire dans la géométrie propre de SE(3), plutôt qu'en traitant position et orientation comme de simples vecteurs, l'approche illustre une tendance plus large : injecter des priors géométriques explicites dans les modèles génératifs plutôt que de compter uniquement sur davantage de données de démonstration. Les Diffusion Policies se sont imposées ces dernières années comme alternative au clonage comportemental classique en manipulation robotique, en modélisant la distribution des actions futures par un processus de débruitage, une approche depuis reprise dans des modèles génératifs de type VLA. Des méthodes à base de splines avaient déjà tenté de lisser les segments d'action de ces politiques, sans résoudre la discontinuité aux jonctions ni la géométrie non euclidienne des poses. LieSpline-DP se présente comme un complément à ces politiques plutôt qu'un remplacement complet ; ses résultats restent pour l'instant limités à trois tâches réelles en laboratoire, leur extension à des tâches plus variées, d'autres bras robotiques ou des piles VLA plus larges restant à démontrer dans de futurs travaux.

RecherchePaper
1 source
Un bout dextérique tactile durable pour la manipulation robotique
3arXiv cs.RO 

Un bout dextérique tactile durable pour la manipulation robotique

Une équipe de chercheurs décrit, dans une prépublication arXiv du 26 août 2026, un embout de doigt tactile robotique à vision conçu pour résister à l'usure, point faible connu des capteurs commerciaux. Il associe un gel de silicone souple, un film protecteur en polyuréthane thermoplastique (TPU) texturé et non pigmenté, et une cartouche de détection remplaçable. Deux tests accélérés ont mesuré sa durabilité : un ponçage sur tambour rotatif, et une sonde répétitive appliquant 39,2 N (4,0 kgf) à 45 cycles par minute. Le film protecteur du nouveau capteur a cédé après 2 à 3 heures de ponçage, tandis que les neuf exemplaires testés sous charge répétitive restaient tous fonctionnels à l'arrêt des essais : sept après 5 jours, un après 6 jours, un après 8 jours. Les capteurs commerciaux GelSight Mini et DIGIT, eux, ont vu leur film se rompre après seulement 24 à 30 secondes de ponçage et 25 à 35 minutes de charge répétitive. La dégradation du nouveau capteur restait progressive, sans gêner l'imagerie tactile. Cette amélioration de plus de deux ordres de grandeur, obtenue dans des conditions de vieillissement accéléré définies par les auteurs eux-mêmes, vise un angle mort de la manipulation robotique : les capteurs tactiles à vision comme GelSight ou DIGIT livrent une image de contact riche mais s'usent vite sous charges concentrées et frottements répétés, ce qui freine leur usage hors laboratoire. Pour les intégrateurs qui veulent faire passer la préhension robotisée de la démonstration au déploiement industriel, une cartouche remplaçable plutôt qu'un capteur à jeter pèse autant sur le coût total de possession que la résolution du signal tactile. Ces chiffres restent toutefois issus de protocoles de laboratoire propres à l'étude, et non d'une validation en usage prolongé sur un bras ou une main robotique en production. GelSight, issu de recherches du MIT, et DIGIT, le capteur tactile ouvert développé par Meta AI, sont devenus des références de facto pour la recherche en préhension et en manipulation fine ; l'usure rapide de leur film de silicone freine depuis longtemps leur adoption au-delà des bancs d'essai académiques, notamment pour des tâches répétitives de tri ou d'assemblage visées par les mains robotiques humanoïdes actuellement en développement. La prépublication ne mentionne aucun partenariat industriel ni calendrier de commercialisation : il s'agit à ce stade d'une validation en laboratoire, dont la suite logique serait un essai en conditions réelles sur un bras ou une main robotique en fonctionnement continu, avant toute intégration dans un produit commercial.

RecherchePaper
1 source
LIBERO-PeRM : un banc d'essai pour la manipulation robotique personnalisée
4arXiv cs.RO 

LIBERO-PeRM : un banc d'essai pour la manipulation robotique personnalisée

LIBERO-PeRM, publié sur arXiv (2610.22372), est un benchmark en simulation consacré à la manipulation robotique personnalisée (PeRM). Il vise à séparer l'accomplissement de la tâche de la satisfaction des préférences de l'utilisateur, ce que les benchmarks de manipulation généralistes ne font pas. Construit sur LIBERO, il utilise un pipeline procédural qui génère des démonstrations appariées, avec et sans préférence. Il comprend cinq suites de tâches, soit 312 tâches, avec des démonstrations de haute qualité, des métadonnées riches et des métriques dédiées de satisfaction des préférences. Les préférences couvertes sont observables et exprimables en langage naturel: style de mouvement, choix de compétence (skill) et profil d'utilisateur. Elles sont instanciables sans modifier l'objectif de la tâche, et leur évaluation est automatique. Le benchmark pose cinq questions: le suivi de préférences en zero-shot, l'apprentissage d'une préférence unique à partir de démonstrations, l'efficacité en fonction du nombre de démonstrations, la généralisation à d'autres agencements et tâches, et enfin la composition de préférences et la gestion des conflits entre elles. Le code, les jeux de données et des démos sont publiés sur la page du projet. Les résultats sont nuancés. Les politiques VLA (vision-language-action) actuelles échouent à se personnaliser en zero-shot: un simple prompt en langage naturel ne suffit pas à infléchir leur comportement. Le fine-tuning supervisé (SFT) rend en revanche les préférences apprenables. L'entraînement mixte, qui combine données avec et sans préférence, conserve mieux les comportements sans préférence que l'adaptation séquentielle. Il améliore aussi les performances avec des prompts contextuels par rapport à un entraînement limité aux préférences, mais peut affaiblir l'apprentissage des préférences de mouvement. La généralisation des préférences, leur décomposition et la résolution des conflits restent difficiles. Pour les intégrateurs et les décideurs qui visent le domestique ou les environnements de services, le message est net: la personnalisation ne vient pas gratuitement avec la généralisation des VLA. Elle demande des données et des protocoles d'adaptation spécifiques. Les résultats sont obtenus en simulation uniquement, et l'écart avec le monde réel n'est pas mesuré. Ce travail s'inscrit dans la lignée de LIBERO, benchmark de simulation très utilisé pour évaluer les politiques d'apprentissage tout au long de la vie et les VLA. Il en déplace l'attention de la réussite de la tâche vers la manière de l'exécuter. Les acteurs qui poussent les modèles généralistes, comme Physical Intelligence avec Pi-0, Figure avec Helix ou Nvidia avec GR00T, mettent surtout en avant l'étendue des compétences et peu la personnalisation à l'échelle d'un utilisateur. L'article ne nomme aucun modèle précis dans son résumé, et les chiffres détaillés ne sont pas disponibles ici. La suite logique est une validation sur robots réels et l'intégration de mémoire ou d'adaptation en ligne, indispensables pour une adoption domestique.

RecherchePaper
1 source