RecherchearXiv cs.RO 17 septembre 2026

Rapport technique : têtes d'action à dérive en une étape pour GR00T N1.7

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient un rapport technique sur arXiv (2609.18108) décrivant une variante de GR00T N1.7, le modèle vision-langage-action (VLA) de NVIDIA pour la robotique, dans laquelle la tête d'action par diffusion itérative est remplacée par une tête dite "one-step drifting", complétée par une extension conditionnée au chevauchement pour le remplacement asynchrone de segments d'action. Tous les entraînements multi-graines ont tourné sur deux GPU NVIDIA A800. Sur le benchmark de simulation LIBERO, le temps de calcul de la seule tête d'action tombe d'environ 45,3 ms à 5,0 ms, et le temps combiné backbone plus tête passe d'environ 70,0 ms à 30,6 ms. Ce gain de vitesse s'accompagne toutefois d'une baisse systématique du taux de réussite des tâches : sur trois graines d'entraînement, les scores atteignent 64,0±4,0% sur LIBERO-Spatial, 52,0±1,0% sur LIBERO-Goal et seulement 26,0±2,6% sur LIBERO-Long. La faible variance entre graines indique que cette dégradation n'est pas due au hasard de l'initialisation.

Pour l'industrie robotique, ce résultat documente noir sur blanc un compromis vitesse-précision que beaucoup de communiqués commerciaux passent sous silence. Fait notable, les auteurs eux-mêmes refusent de présenter ce travail comme une amélioration globale et le qualifient explicitement de compromis vitesse-réussite plutôt que de progrès. Pour les intégrateurs qui envisagent des têtes d'action à une seule étape pour réduire le coût d'inférence des politiques VLA en conditions temps réel, ce papier rappelle qu'accélérer le passage avant d'un modèle d'action ne garantit pas la préservation du comportement en boucle fermée, surtout sur les tâches longues comme LIBERO-Long où la chute est la plus marquée. C'est aussi un rappel que LIBERO reste une évaluation en simulation synchrone, incapable de mesurer l'apport réel de l'extension asynchrone conçue par l'équipe.

GR00T N1.7 s'inscrit dans la lignée des modèles fondation de NVIDIA pour la robotique généraliste, dans un paysage VLA qui compte notamment Pi-0 de Physical Intelligence, Helix de Figure AI ou GR00T N2, génération suivante de la même famille. La tête de diffusion itérative visée par ce rapport est le composant qui pèse le plus lourd sur le temps d'inférence dans la plupart des VLA actuels, d'où l'intérêt croissant des laboratoires pour des architectures à une ou quelques étapes. Les auteurs avancent plusieurs pistes pour expliquer la dégradation observée : moyennage déterministe du mode en une seule étape, estimation de géométrie dépendante du batch, et exécution en boucle ouverte de segments d'action longs. Le rapport ne mentionne aucun pilote industriel ni déploiement réel : il s'agit d'un travail de recherche exploratoire évalué uniquement en simulation, dont la suite logique serait de tester l'extension asynchrone dans des conditions qui l'exercent réellement.

Dans nos dossiers

Figure IA physique & VLA NVIDIA GR00T Physical Intelligence — π0

À lire aussi

1arXiv cs.RO

Politique de dérive implicite : génération d'actions en une étape via la géométrie d'expert conditionnel

Un article de recherche déposé sur arXiv le 2 juin 2026 (identifiant 2606.01098) introduit l'Implicit Drifting Policy (IDP), une méthode d'apprentissage par imitation en une seule étape pour le contrôle robotique à haute fréquence. Les politiques génératives basées sur la diffusion ou le flow matching excellent en clonage de comportement, mais leur échantillonnage itératif génère une latence incompatible avec un contrôle à 50 Hz ou plus. Les approches one-step existantes réduisent cette latence au prix de la correction dynamique de trajectoire. IDP contourne ce compromis en extrayant une géométrie d'expert conditionnelle depuis les variations locales d'actions d'experts observationnellement proches, en la comparant à une géométrie de référence globale, et en pondérant un objectif de potentiel scalaire via cette structure, sans estimer explicitement un champ de vecteurs de dérive, approche directe mathématiquement mal posée en raison de la très faible densité des démonstrations conditionnelles. Les évaluations sur des tâches de manipulation en 2D, 3D et en conditions réelles montrent qu'IDP surpasse les méthodes de dérive explicite et reste compétitif face aux meilleures baselines one-step, tout en maintenant une meilleure adhérence aux variétés d'action valides (action manifolds). Pour un intégrateur ou un COO industriel, le bénéfice est concret : une seule passe d'inférence réduit les exigences en calcul embarqué, un verrou réel pour les déploiements à grande échelle de robots apprenants. Ce résultat valide aussi l'idée que la supervision géométrique implicite peut se substituer à des formulations itératives plus coûteuses sans sacrifier la robustesse. La recherche sur les politiques de diffusion en robotique s'est intensifiée depuis Diffusion Policy (Chi et al., Columbia, 2023) et ses dérivés, notamment π₀ de Physical Intelligence (2024) et les VLA de Google DeepMind. IDP s'inscrit dans la lignée des méthodes de distillation one-step (consistency models, DDIM) mais adopte une formulation géométrique implicite plutôt que la distillation directe d'un champ de dérive. Il s'agit d'un preprint non encore évalué par les pairs, testé uniquement en environnements de laboratoire ; sa transférabilité à des déploiements industriels à grande échelle reste à démontrer. Physical Intelligence, Figure AI, CMU et Google DeepMind poursuivent des travaux comparables sur la latence et la robustesse de leurs modèles VLA.

RechercheOpinion

1 source

2arXiv cs.RO

Modélisation unifiée condition-action pour une génération d'action précise en une étape

Des chercheurs publient sur arXiv (identifiant 2608.16153v1) un nouveau papier intitule "Unified Condition-Action Modeling for Accurate One-Step Action Generation", qui présente UCA-Flow, un framework de modélisation conjointe condition-action pour générer des trajectoires robotiques en une seule étape. Contrairement aux politiques de diffusion et de flow habituelles, qui traitent les conditions (observations visuelles, timestep, intervalle temporel) comme des signaux auxiliaires séparés des tokens d'action, UCA-Flow fusionne l'ensemble dans une séquence unique traitée par un Unified Condition-Action Transformer, ce qui permet de reconstruire dynamiquement les représentations de condition selon l'étape de génération en cours. Les auteurs ajoutent un schéma de supervision en double passe sur les variables u et v pour renforcer l'optimisation conjointe. Resultat annonce: un gain de 9,3 points de pourcentage de taux de réussite moyen par rapport a la meilleure base de comparaison, avec une inférence 45,6 fois plus rapide que DP3 et 33,4 fois plus rapide que Simple DP3, tout en restant 4,3 fois plus rapide que FlowPolicy en une étape et 2,3 fois plus rapide que MP1. Pour l'industrie de la manipulation robotique, ce travail s'attaque a un compromis central: les politiques de diffusion et de flow, au coeur de nombreux modèles VLA vision-language-action, doivent générer des actions précises tout en respectant des latences très serrées en boucle fermée, et accélérer l'inférence se faisait jusqu'ici généralement au prix de la précision. En montrant qu'un traitement conjoint des conditions et des actions améliore simultanément vitesse et taux de réussite, UCA-Flow bouscule l'hypothèse selon laquelle rapidité et fiabilité s'excluent dans ce type de politique. Pour les intégrateurs qui évaluent des architectures de contrôle temps réel pour bras manipulateurs ou plateformes mobiles, ce résultat suggère une piste d'optimisation potentiellement transférable au-delà du cas teste, sous réserve de validation indépendante. UCA-Flow s'inscrit dans la lignée des politiques de diffusion pour la manipulation, dont DP3 et sa variante allégée Simple DP3 servent de référence historique, suivies par des approches en une seule étape comme FlowPolicy et MP1, toutes citées comme bases de comparaison. Le papier ne précise ni affiliation institutionnelle ni plan de commercialisation: c'est une publication de recherche évaluée sur des benchmarks de manipulation, sans démonstration annoncée sur robot physique en conditions réelles ni intégration a un produit existant, et les chiffres proviennent des propres expériences des auteurs, non encore confirmes de manière indépendante. Les suites naturelles seraient une reproduction par des tiers, une extension a des taches multi-bras plus complexes, et une possible intégration dans des architectures VLA généralistes comme Pi-0 ou GR00T N2, qui reposent elles aussi sur des têtes d'action par diffusion ou par flow.

RechercheOpinion

1 source

3arXiv cs.RO

IMLE-VLA : génération d'actions en une seule étape pour les modèles vision-langage-action

Publié sur arXiv (2609.10915), IMLE-VLA remplace la tête d'action itérative des politiques vision-langage-action (VLA) par un générateur en une seule étape, entraîné via l'estimation conditionnelle du maximum de vraisemblance implicite (cIMLE). Appliqué au modèle π0.5, il fait passer la fréquence d'inférence de 15 Hz à 55 Hz, soit un facteur 3,67, et jusqu'à 11 fois le débit d'action. Sur le benchmark LIBERO, qui couvre 40 tâches, IMLE-VLA atteint 98,0% de réussite moyenne, le meilleur score et la plus haute fréquence d'inférence parmi les méthodes comparées. Sous les perturbations du test LIBERO-plus, il conserve la robustesse de π0.5 alors que les autres approches se dégradent nettement. Sur un bras Franka Emika Panda, quatre tâches en conditions réelles montrent un jerk réduit de 2,2 à 3,0 fois et un temps d'inférence par épisode divisé par 3,9 à 6,6 par rapport à π0.5 seul. Le problème visé est bien identifié dans le secteur: les têtes d'action entraînées par diffusion ou flow matching, comme celle de π0.5, exigent un échantillonnage multi-étapes (jusqu'à 10 pas d'Euler), ce qui produit un mouvement saccadé du robot et ralentit l'exécution des tâches. Pour les intégrateurs et équipes robotique qui déploient des bras ou des humanoïdes pilotés par des modèles de fondation, la latence d'inférence conditionne directement la fluidité et la sécurité du contrôle en temps réel. En montrant qu'un générateur à étape unique peut couvrir la multimodalité de l'action sans tomber dans l'effondrement de mode des têtes de régression classiques, IMLE-VLA remet en cause l'idée reçue selon laquelle l'échantillonnage itératif serait indispensable pour préserver la généralisation des politiques VLA à grande échelle. Ce travail s'inscrit dans la lignée des VLA construits sur des backbones vision-langage préentraînés, avec π0.5 comme base de comparaison. Il s'agit d'une contribution académique et non d'un produit commercial: code et vidéos de démonstration sont publiés sur le site du projet à des fins de reproductibilité, sans annonce de déploiement industriel ni de pilote client. Présentée comme générique, la méthode cIMLE pourrait en principe s'appliquer à d'autres têtes d'action par diffusion ou flow matching utilisées ailleurs dans le secteur, ce qui ouvre la voie à des tests sur d'autres politiques VLA et d'autres plateformes robotiques, au-delà du seul bras Franka Emika Panda utilisé pour cette validation.

RechercheActu

1 source

4arXiv cs.RO

DIDO : distiller la dynamique centrée sur l'interaction en débruitage à une étape pour les modèles d'action du monde

Une équipe de recherche publie DIDO (arXiv 2609.15570, septembre 2026), une méthode de distillation pour les World Action Models (WAM), ces systèmes qui utilisent des modèles de génération vidéo pour prédire la dynamique visuelle future et piloter la manipulation robotique. Le problème de départ est la latence : le débruitage itératif de ces modèles vidéo est incompatible avec un contrôle en boucle fermée. Les auteurs montrent empiriquement que le contenu visuel converge à des vitesses différentes durant le débruitage : le fond statique de la scène se forme dès les premières étapes, tandis que la pince du robot et l'objet manipulé restent flous, leur dynamique d'interaction n'émergeant que lors des étapes suivantes. Tronquer naïvement un modèle multi-étapes à une seule étape préserve donc la structure de la scène mais perd l'information d'interaction, la plus critique pour la manipulation. DIDO combine une distillation par appariement de distribution avec un guidage centré sur l'interaction : des tokens de raisonnement visuel supervisés par boîtes englobantes modélisent la pince, l'objet et leur interaction, et les représentations de l'objet cible sont alignées, sur plusieurs couches, avec les caractéristiques d'un encodeur DINOv3 préentraîné. Résultat : 99,0% de réussite sur LIBERO, 76,6% sur LIBERO-Plus et 92,0% sur RoboTwin, en une seule étape de débruitage. Pour les intégrateurs et chercheurs en robotique, l'enjeu est concret : les modèles vidéo-génératifs produisent des prédictions visuelles de qualité, mais leur coût de calcul itératif les rend souvent inadaptés au temps réel. En ramenant le débruitage à une seule étape sans sacrifier la dynamique gripper-objet, DIDO s'attaque à un des obstacles qui séparent les démonstrations de manipulation en simulation d'un déploiement réactif. Le travail met aussi en garde contre la distillation naïve des WAM : réduire le nombre d'étapes sans traitement spécifique dégrade précisément l'information la plus utile à la tâche. DIDO s'inscrit dans la lignée des World Action Models, qui détournent des générateurs vidéo pour servir de moteur de prédiction à des politiques de manipulation, en s'appuyant sur des encodeurs visuels auto-supervisés comme DINOv3 de Meta, utilisé ici comme signal d'enseignement. Les résultats restent validés sur des benchmarks de simulation standards du secteur (LIBERO, LIBERO-Plus, RoboTwin), complétés par des essais réels sur des tâches longues et des scénarios de généralisation. Aucun partenariat industriel ni date de disponibilité n'est mentionné : il s'agit à ce stade d'une publication de recherche, pas d'un produit livré.

RecherchePaper

1 source