Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Poussée à horizon glissant avec politiques composables centrées objet
RecherchearXiv cs.RO 

Poussée à horizon glissant avec politiques composables centrées objet

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

Une équipe de recherche publie le 22 septembre 2026 sur arXiv (arXiv:2609.23439v1) une méthode hiérarchique de manipulation non préhensile, pousser un objet plutôt que le saisir, utile pour déplacer des charges volumineuses, lourdes ou impossibles à empoigner. Une politique apprise prédit, depuis un nuage de points normalisé, les contacts pour atteindre un sous-objectif proche, évalués par un score de stabilité glissement contre basculement, tandis que l'algorithme BIT* planifie la trajectoire globale de l'objet, vérifie la faisabilité des sous-objectifs suivants et replanifie en cas d'échec, une seule action étant exécutée par cycle, à horizon glissant. Testée en simulation sur 22 objets dans six scènes avec des études d'ablation, la méthode a aussi été validée sur un bras Franka et, qualitativement, sur un manipulateur mobile portant des charges lourdes, avec un transfert direct de la simulation vers le réel, sans réentraînement.

Ce travail répond à un besoin concret en logistique et en industrie, où de nombreux objets sont trop volumineux, lourds ou irréguliers pour une préhension classique et où pousser reste souvent la seule option de repositionnement. Le verrou visé est le couplage entre trois décisions habituellement traitées séparément où pousser, si le contact est stable, si les actions suivantes resteront possibles, principale cause d'échec des approches réactives à un seul pas sur des tâches longues. Le transfert zero-shot vers un bras réel, s'il se confirme, appuierait l'idée qu'une politique apprise en simulation généralise sans réglage coûteux sur robot physique, mais les résultats sur manipulateur mobile restent qualitatifs et le banc d'essai simulé, 22 objets et six scènes, demeure modeste; il s'agit d'une prépublication non revue par les pairs, une preuve de concept plus qu'une solution prête au déploiement.

Cette approche prolonge les travaux cherchant à dépasser les politiques de poussée réactives à un seul pas, en les couplant à une planification à plus long terme capable d'anticiper obstacles et échecs de mouvement plutôt que de tout recalculer à chaque étape. Elle se distingue des politiques génératives de bout en bout entraînées sur de vastes corpus de démonstrations en conservant un score de stabilité physique explicite et un planificateur séparé de la politique de contact apprise. Le résumé ne précise ni institution ni calendrier de déploiement, mais vise une généralité démontrée sur des scènes et géométries variées, sur un terrain où la manipulation non préhensile reste peu couverte par les modèles vision-langage-action mis en avant dans la robotique généraliste.

Dans nos dossiers

IA physique & VLAarXiv cs.RO

À lire aussi

GORDON : récompenses par graphes centrées sur l'objet pour décomposer la manipulation à long horizon
1arXiv cs.RO 

GORDON : récompenses par graphes centrées sur l'objet pour décomposer la manipulation à long horizon

Une équipe de recherche décrit dans un article publié sur arXiv début août 2026 (2608.03753) GORDON, un système qui apprend des récompenses denses pour l'apprentissage par renforcement en manipulation robotique, à partir de simples vidéos de démonstration sans action associée. Chaque scène est convertie en graphe d'objets et de relations spatiales, qu'un réseau de neurones sur graphe, entraîné de façon auto-supervisée, projette dans un espace latent aligné sur la progression de la tâche, en isolant les objets pertinents du mouvement propre au bras robotique. La récompense correspond alors à la distance, dans cet espace, entre l'état courant et la configuration d'objectif démontrée. Sur sept tâches testées dans les bancs d'essai simulés MAGICAL et ManiSkill3, GORDON atteint un taux de réussite moyen de 74,4 % sur les tâches longues, soit environ 35 points de mieux que la meilleure base apprise et 25 points de mieux qu'une politique oracle. Ce résultat s'attaque à un goulot d'étranglement classique du RL robotique, la conception de la récompense pour des tâches longues et multi-étapes : les récompenses éparses donnent peu de signal, et celles apprises sur pixels bruts se révèlent fragiles aux variations d'arrière-plan ou de trajectoire. En représentant la scène par objets plutôt que par pixels, et en découvrant automatiquement les sous-tâches à partir du profil temporel de la récompense, sans annotation manuelle, GORDON réduit le travail d'ingénierie nécessaire pour décomposer une tâche complexe. C'est un frein connu pour les équipes qui entraînent des politiques sur des séquences d'assemblage ou de tri multi-étapes, un des obstacles à la généralisation des politiques apprises au-delà des tâches courtes. La méthode s'inscrit dans la lignée des travaux sur la récompense apprise par démonstration, qui cherchaient jusqu'ici un compromis entre richesse du signal et robustesse visuelle. Elle diffère des approches vision-langage-action comme Pi-0 ou GR00T N2, qui apprennent une politique de bout en bout : GORDON reste une brique de reward shaping et de décomposition de tâches, combinable en principe avec différents algorithmes de RL. Les résultats restent pour l'instant limités à deux bancs d'essai simulés, sans test sur robot physique ni transfert sim-to-real annoncé, ce qui reste l'étape suivante pour juger de la portée réelle de la méthode.

RecherchePaper
1 source
Diviser pour mémoriser : une mémoire récursive centrée sur l'action pour les politiques VLA à long horizon
2arXiv cs.RO 

Diviser pour mémoriser : une mémoire récursive centrée sur l'action pour les politiques VLA à long horizon

Des chercheurs proposent Divide-and-Remember (D&R), une méthode de mémoire récursive pour les politiques VLA (vision-language-action) appliquées à la manipulation de longue durée. Le papier, publié sur arXiv (2610.00982), s'attaque aux tâches dites dépendantes de l'historique, où l'observation courante ne suffit pas à déterminer l'action. D&R apprend une fonction de mémoire mt = M(ht) en s'appuyant sur une sélection récursive : la sélection sur l'historique complet est découpée en sous-problèmes de type top-K sur 2K tokens. Des sélecteurs légers, de taille fixe et entraînés de bout en bout, peuvent ainsi gérer un historique non borné. Tous les blocs de récursion partagent un unique sélecteur, ce qui limite le coût de calcul. Sur RoboMME, un benchmark de 16 tâches de manipulation longue qui exigent de se souvenir du quand, du où, du quoi et du comment agir, D&R atteint le meilleur taux de succès moyen publié, avec des gains constants sur les quatre suites, pour un budget de seulement 64 tokens de mémoire. Les auteurs affirment que des essais sur robot réel confirment le gain, sans en donner les chiffres dans le résumé. Le code et les checkpoints sont publiés. L'enjeu dépasse le seul score de benchmark. Les VLA actuels restent largement réactifs : ils se débrouillent quand la scène contient l'information utile, mais échouent dès qu'il faut se rappeler quel objet a été déplacé, quelle étape est déjà faite ou où un élément a disparu. Ces cas sont fréquents en logistique, en assemblage et en tâches de service. Les méthodes existantes de mémoire reposent sur des heuristiques fixées à la conception, comme conserver les images à forte variation de pixels, et donnent des résultats irréguliers selon les tâches. Le papier les remplace par un critère théorique : la mémoire optimale maximise l'information mutuelle conditionnelle entre l'action et la mémoire, sachant l'observation courante. Autrement dit, elle ne garde que ce qui, dans le passé, est utile à l'action et absent de la vue présente. Pour un intégrateur, le point clé est le budget : 64 tokens, c'est une mémoire compatible avec une inférence embarquée, là où allonger le contexte fait exploser latence et coût. Il faut toutefois rester prudent : RoboMME est un benchmark principalement simulé, et la validation sur robot réel n'est détaillée que dans le papier complet. Il s'agit d'un résultat de recherche, pas d'un produit déployé. Ce travail s'inscrit dans la montée en puissance des VLA généralistes, comme Pi-0 ou GR00T, qui traitent surtout une observation courte ou quelques images récentes. La mémoire à long horizon est identifiée comme un point faible de ces architectures, et plusieurs équipes explorent la compression du contexte, la mémoire par mots-clés ou les représentations récurrentes. D&R se distingue par sa formulation en problème d'optimisation, issue du cadre POMDP de l'apprentissage par imitation. Les prochaines étapes à surveiller sont la reproduction des résultats sur d'autres benchmarks, les chiffres détaillés sur robot réel et l'intégration dans des modèles de fondation de grande taille.

RecherchePaper
1 source
Apprentissage par renforcement sûr avec critique de sécurité à horizon glissant et boucliers d'action différentiables
3arXiv cs.RO 

Apprentissage par renforcement sûr avec critique de sécurité à horizon glissant et boucliers d'action différentiables

Des chercheurs proposent, dans une prépublication arXiv (2610.20255), une méthode d'apprentissage par renforcement sûr pour la locomotion de robots, testée uniquement en simulation sur un quadrupède. Le point de départ est une observation simple: même si le cadre markovien suppose que l'état courant suffit à décider, les échecs de sécurité n'arrivent presque jamais d'un coup. Ils s'installent sur plusieurs pas de temps, quand la politique entre dans des états peu familiers sous l'effet de perturbations ou d'un décalage de domaine. Les auteurs entraînent donc un « critique de sécurité à horizon glissant », qui prédit si un état restera non terminal (sans chute ni échec) sur les prochains pas. Il est appris à partir d'étiquettes issues de rollouts, avec un objectif composite: classification sur l'horizon, cohérence temporelle inspirée des fonctions barrière de contrôle (CBF) et régularisation de lissage. Un ensemble de critiques est agrégé par une estimation prudente de type CVaR (Conditional Value at Risk). Sur cette base, les auteurs dérivent un filtre de sécurité de style CBF, différentiable et en forme fermée, qui modifie le moins possible l'action de la politique pour améliorer la sécurité prédite. Il est intégré à PPO avec une « perte d'anticipation » qui réduit l'écart entre la politique et le filtre pendant l'entraînement. Pour les équipes qui déploient de la locomotion apprise, la question est de savoir comment rendre robustes des politiques entraînées en simulation sans sacrifier leurs performances. Le résumé annonce de meilleurs résultats face au bruit d'action, aux poussées extérieures et aux changements de terrain, avec moins d'échecs catastrophiques et des retours « compétitifs ». Ce dernier terme reste vague, et le résumé ne donne aucun chiffre. L'intérêt pratique tient au filtre différentiable: il évite le piège classique des boucliers appliqués après coup, que la politique ne « voit » pas à l'entraînement. Ces résultats restent cependant un résultat de laboratoire. Ils ne disent rien du transfert sim-to-real, ni de la tenue sur un humanoïde, où la dimensionnalité et les contacts sont bien plus complexes. Cette approche s'inscrit dans la lignée des filtres de sécurité à base de CBF, des méthodes d'apprentissage sous contraintes et des « shields » formels, qui exigent souvent un modèle de dynamique précis ou une conception manuelle. Ici, le critique est appris des données, ce qui allège cette dépendance mais déplace le risque vers la qualité de ces données et de l'estimation d'incertitude. Les prochaines étapes naturelles sont une validation sur robot réel, des comparaisons avec d'autres méthodes de RL sûr et une extension à des plateformes plus complexes. Aucune date, aucun pilote ni aucun partenaire industriel n'est annoncé.

RecherchePaper
1 source
Metro-WM : planification latente à long horizon avec des sous-objectifs réalisables
4arXiv cs.RO 

Metro-WM : planification latente à long horizon avec des sous-objectifs réalisables

Metro-WM, décrit dans l'article arXiv 2609.31868 (version 2), est un cadre de planification hiérarchique pour les modèles du monde de type JEPA (Joint-Embedding Predictive Architecture). Au lieu de faire prédire par un planificateur macro des sous-objectifs sous forme de vecteurs latents, il construit un graphe dont les sommets sont des images réellement observées, issues de démonstrations expertes hors ligne ou de trajectoires à actions aléatoires. Des images provenant d'épisodes différents peuvent être reliées entre elles, ce qui permet de composer des routes vers l'objectif. Les auteurs annoncent un taux de réussite supérieur de jusqu'à 37,33 points de pourcentage à celui de la meilleure approche hiérarchique concurrente. Ils annoncent aussi une exécution jusqu'à 10,9 fois plus rapide, un calcul hors ligne 13 à 56 fois moindre et moins d'hyperparamètres à régler. Ces résultats viennent d'un travail académique, sans déploiement matériel annoncé. La démarche part d'un constat : la commande prédictive (MPC) avec un JEPA donne un bon planificateur « zero-shot » pour atteindre un objectif, mais seulement sur de courts horizons. Les approches hiérarchiques existantes entraînent un planificateur macro à prédire des sous-objectifs latents pour guider le planificateur micro. Les auteurs montrent que le planificateur macro de référence émet régulièrement des sous-objectifs physiquement irréalisables. En ne proposant que des états déjà vus, Metro-WM garantit des cibles atteignables. La planification sur tout le graphe apporte aussi une tolérance aux erreurs d'exécution : si le planificateur micro dérive, le système recalcule immédiatement le meilleur chemin depuis l'état courant. Pour la robotique, cela concerne les tâches longues et multi-étapes, où les erreurs s'accumulent. Les auteurs affirment que les chemins trouvés sont plus courts que ceux des démonstrations, qu'ils dépassent un oracle utilisant la démonstration propre à la requête, et que la méthode résiste à des jeux de données très épars. Ces chiffres restent à prendre avec prudence : l'abstract ne précise ni les benchmarks ni les environnements, et on ignore si la méthode passe à l'échelle de scènes réelles complexes ou à des observations visuelles bruitées. Ce travail s'inscrit dans la montée des modèles du monde latents, dont les JEPA popularisés par l'équipe de Yann LeCun, comme alternative aux politiques entraînées de bout en bout. Il rejoint l'idée plus ancienne de planifier sur des graphes de souvenirs, qui retrouve ici une pertinence avec les représentations apprises. Les concurrents directs sont les méthodes hiérarchiques à sous-objectifs générés, que l'article critique sans les nommer dans son résumé. Les suites probables sont des tests sur des benchmarks de manipulation et de navigation plus riches, puis des essais sur robot réel. Aucune date, aucun partenaire industriel ni aucun calendrier de transfert n'est annoncé à ce stade.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source