Aller au contenu principal
Rho : une base pour des modèles VLA facilement adaptablesIllustration générée par IA
IA physiquearXiv cs.RO 

Rho : une base pour des modèles VLA facilement adaptables

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Rho, une famille de modèles VLA (vision-langage-action) à poids ouverts pour la manipulation bimanuelle, fait l'objet d'un rapport technique publié sur arXiv. Elle est conçue pour s'adapter à de nouvelles tâches avec peu de données, sur trois plateformes à deux bras représentatives des laboratoires et de l'industrie : YAM Box, UR AI Trainer et FR3 Duo. Les auteurs ont testé l'architecture de l'« action expert » et la recette d'entraînement par ablations, en simulation contrôlée puis sur robots physiques. Ils rapportent que les variantes Rho pour chaque plateforme égalent ou dépassent les VLA à poids ouverts existants, avec les meilleures performances globales sur les tâches, plateformes et références évaluées dans le rapport. Le modèle de base et les checkpoints spécifiques à chaque plateforme sont publiés. Le rapport intègre aussi un mécanisme d'adaptation en ligne : une politique latente interne apprend à partir de corrections humaines à choisir des entrées de bruit, conditionnées par l'observation, pour l'action expert figé, basé sur le flow matching. Avec 15 épisodes corrigés seulement, ce module léger permet au modèle de gérer des situations situées à la périphérie de sa distribution de fine-tuning hors ligne.

L'apport principal tient à la méthode, davantage qu'à un score. Le « midtraining » par plateforme, une étape intermédiaire entre le préentraînement général et le fine-tuning de la tâche, améliore l'adaptation en aval. Cela va dans le sens d'une hypothèse répandue dans le secteur : le goulot d'étranglement des VLA est le coût de déploiement sur un nouveau robot ou une nouvelle tâche, pas la capacité brute du modèle. Pour un intégrateur, la promesse est concrète : le nombre de démonstrations à collecter pèse directement sur le coût d'un projet. Le choix de plateformes commerciales déjà présentes en laboratoire et en usine (Universal Robots, Franka) rend l'approche plus transférable qu'un modèle lié à un humanoïde propriétaire. Des réserves s'imposent toutefois. Les comparaisons sont faites par les auteurs eux-mêmes, sur un ensemble de tâches qu'ils ont choisi, et le rapport ne donne aucun chiffre de taux de succès dans son résumé. Quant à l'adaptation en ligne, la démonstration porte sur des situations « en bordure » de distribution, ce qui reste loin d'une robustesse générale en production.

Rho s'inscrit dans la course aux modèles fondation robotiques à poids ouverts, face à des références comme Pi-0 de Physical Intelligence ou GR00T de NVIDIA, tandis que des acteurs fermés comme Figure (Helix) misent sur des modèles propriétaires liés à leur matériel. Le rapport se positionne comme un point d'appui pour la recherche et pour des usages industriels, sans annoncer de pilote client, de calendrier ni de prix. La suite dépendra de la reproduction indépendante des résultats par d'autres équipes, et de la capacité des checkpoints publiés à tenir sur des tâches d'atelier réelles. Le rapport n'évoque aucun acteur européen dans son résumé.

À lire aussi

VISTA : adaptation des données UMI fondée sur la vision et validée par la physique pour l'entraînement de modèles VLA
Illustration générée par IA
1arXiv cs.RO 

VISTA : adaptation des données UMI fondée sur la vision et validée par la physique pour l'entraînement de modèles VLA

Une équipe de chercheurs publie VISTA (Vision-grounded and Physics-Validated Adaptation), un framework visant à entraîner des modèles Vision-Language-Action (VLA) à partir de données collectées via l'Universal Manipulation Interface (UMI). L'UMI permet une collecte robotique à grande échelle sans téléopération hardware-spécifique, mais son exploitation pour les VLA bute sur deux incompatibilités identifiées par les auteurs : les caméras fisheye montées au poignet génèrent une distorsion radiale sévère, hors distribution pour les modèles de vision pré-entraînés ; et les trajectoires humaines enregistrées violent fréquemment les limites cinématiques du robot ou dépassent la bande passante du contrôleur, enseignant ainsi des actions physiquement irréalisables.

IA physiqueOpinion
1 source
Fusion des modalités tactiles pour les modèles vision-langage-action (VLA)
Illustration générée par IA
2arXiv cs.RO 

Fusion des modalités tactiles pour les modèles vision-langage-action (VLA)

Il s'agit d'un article de recherche académique (préprint arXiv, version révisée), donc sans annonce commerciale ni chiffres de performance détaillés dans le résumé fourni, je reste factuel sur ce point plutôt que d'inventer des métriques. TacFiLM est une méthode de fusion de modalités proposée dans un préprint arXiv (2603.14604v2, version révisée) qui intègre des signaux tactiles aux modèles vision-langage-action (VLA) utilisés en robotique manipulatrice. Le constat de départ est simple: les VLA actuels, bien qu'efficaces pour généraliser des politiques de contrôle a partir d'instructions sémantiques, reposent presque exclusivement sur la perception visuelle, incapable de capturer les dynamiques d'interaction propres aux taches de manipulation en contact étroit, comme les forces de contact, le frottement de surface, la compliance ou le cisaillement.

IA physiqueOpinion
1 source
MuseVLA : un modèle VLA multimodal adaptatif pour la manipulation robotique
Illustration générée par IA
3arXiv cs.RO 

MuseVLA : un modèle VLA multimodal adaptatif pour la manipulation robotique

Des chercheurs présentent ce mois-ci MuseVLA (arXiv:2606.17598, juin 2026), un modèle Vision-Language-Action capable d'intégrer des capteurs non-RGB comme entrées de perception active lors de tâches de manipulation robotique. Sur un robot à main dextre testée en conditions réelles, MuseVLA atteint un taux de succès moyen de 80,6 % sur trois familles de tâches : saisie guidée par la température, recherche d'objet par signal audio, et récupération d'objet dissimulé assistée par radar. L'architecture repose sur un mécanisme en deux temps : le modèle génère d'abord un "sensor token" qui sélectionne dynamiquement la modalité sensorielle pertinente pour la tâche en cours, puis convertit la mesure capteur en une "grounded sensor image", une représentation intermédiaire unifiée fusionnée avec le flux RGB classique avant…

UELes acteurs européens comme Enchanted Tools opèrent dans le même segment VLA généraliste, mais ce preprint n'implique aucune institution ou entreprise française ou européenne.

IA physiqueOpinion
1 source
EXE : préentraînement égocentrique inter-morphologies via des actions latentes factorisées pour les modèles VLA
Illustration générée par IA
4arXiv cs.RO 

EXE : préentraînement égocentrique inter-morphologies via des actions latentes factorisées pour les modèles VLA

Des chercheurs proposent EXE, un cadre de préentraînement « cross-embodiment » égocentrique décrit dans un preprint arXiv (2610.33685, première version, non évalué par les pairs). L'idée est d'apprendre, à partir de vidéos de manipulation humaine filmées à la première personne, une représentation latente d'actions « factorisée » qui sépare deux composantes. La première regroupe les primitives de manipulation communes aux mains humaines et aux robots (atteindre, saisir, placer). La seconde isole les signaux propres à l'humain, liés à sa cinématique. Le politique robotique de type VLA (Vision-Language-Action) hérite ainsi d'une sémantique de manipulation généralisable, sans être biaisé par les mouvements typiquement humains. Selon les auteurs, le même préentraînement profite à des pinces parallèles comme à des mains dextres.

IA physiquePaper
1 source