Aller au contenu principal
ChunkVLA-AM : découpage d'actions en parallèle pour le contrôle de robots par modèle vision-langage-action (VLA) en fabrication additiveIllustration générée par IA
RecherchearXiv cs.RO 

ChunkVLA-AM : découpage d'actions en parallèle pour le contrôle de robots par modèle vision-langage-action (VLA) en fabrication additive

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

Des chercheurs publient sur arXiv (2610.01856) ChunkVLA-AM, un cadre de déploiement du modèle vision-langage-action OpenVLA-OFT sur un bras FAIRINO FR3 installé dans une cellule de fabrication additive fixe. Une chaîne de données convertit des démonstrations réelles filmées en monoculaire en jeux de données TFDS/RLDS compatibles OpenVLA, afin d'adapter le modèle à la morphologie du FR3. À l'exécution, chaque requête d'inférence prédit un « chunk » de huit actions à 7 dimensions. Le robot exécute ce bloc en boucle ouverte, puis capture une nouvelle observation, ce qui crée un retour en boucle fermée entre les blocs. L'architecture sépare cloud et edge : le client FR3 envoie ses observations à un serveur d'inférence distant via une interface FastAPI. Sur 42 essais physiques de transfert d'objet d'un point A à un point B, répartis à égalité entre cibles rouges et bleues, le système réussit 39 fois, soit 92,9 %. Les trois échecs surviennent tous au placement final : le contrôle insuffisant de la hauteur de lâcher fait basculer l'objet. Un balayage d'éclairage situe la plage de luminance à faible erreur entre 85 et 125 sur une échelle de 0 à 255, l'erreur spatiale moyenne la plus basse étant obtenue à 95.

L'intérêt tient moins au score qu'à la méthode : il s'agit d'un exemple documenté de VLA ouvert adapté à un bras peu courant, sans recours à une plateforme propriétaire. Le chunking à huit pas limite la fréquence d'inférence nécessaire et rend viable une inférence déportée, donc des postes de travail légers. La sensibilité à la luminosité mérite l'attention des intégrateurs. La plage utile, qui représente environ 16 % de l'échelle, signifie que la robustesse aux variations d'environnement reste un point faible, alors que les ateliers de fabrication additive ont des éclairages variables. Il faut aussi relativiser le chiffre : 42 essais, une tâche unique de pick-and-place, une cellule fixe et deux couleurs de cible. Cela ne prouve ni généralisation ni cadence industrielle, et aucun temps de cycle n'est donné dans le résumé. L'intervalle de confiance sur 39 réussites sur 42 reste large. Les échecs au lâcher indiquent que la précision fine sur l'axe vertical est un verrou, probablement lié à la caméra monoculaire sans information de profondeur explicite.

Ce travail s'inscrit dans la lignée d'OpenVLA, puis de la variante OFT (optimized fine-tuning), qui introduit le chunking parallèle d'actions pour accélérer l'inférence. Il se place en aval de modèles comparables comme Pi-0 ou GR00T, plus lourds et visant des morphologies multiples. Le FR3 de FAIRINO, un cobot d'origine chinoise, est un choix économique face aux bras Franka ou Universal Robots plus fréquents dans la recherche. Le résumé n'annonce ni pilote industriel ni déploiement en production : il s'agit d'un prototype de laboratoire en préprint, non évalué par les pairs. Les suites logiques seraient un contrôle de hauteur de lâcher amélioré, une capture en profondeur et des tests sur des tâches de manipulation propres à la fabrication additive, comme le retrait de pièces du plateau.

À lire aussi

TS-WAM : actions latentes temporelles et couplage monde-action pour le contrôle de robots par vision-langage
Illustration générée par IA
1arXiv cs.RO 

TS-WAM : actions latentes temporelles et couplage monde-action pour le contrôle de robots par vision-langage

TS-WAM est un modèle monde-action léger, présenté dans une prépublication arXiv (2610.21922), qui vise deux faiblesses de nombreuses politiques vision-langage-action (VLA). D'une part, elles dépendent de démonstrations robotiques annotées avec les actions, ce qui les empêche d'exploiter des vidéos sans étiquettes d'action. D'autre part, elles n'ont aucun mécanisme explicite pour prédire les états visuels futurs. Les auteurs décrivent une architecture « enseignant-élève » dont le cadre vlm-jepa apprend de façon auto-supervisée à partir de données hétérogènes : démonstrations de robots et vidéos humaines sans actions. Une branche cible à moyenne mobile exponentielle (EMA) remplace l'enseignant externe entraîné séparément.

RecherchePaper
1 source
FastVLA : compression de jetons visuels adaptative, conditionnée par la tâche et par le temps, pour des modèles vision-langage-action (VLA) efficaces
Illustration générée par IA
2arXiv cs.RO 

FastVLA : compression de jetons visuels adaptative, conditionnée par la tâche et par le temps, pour des modèles vision-langage-action (VLA) efficaces

Des chercheurs proposent FastVLA, un cadre de compression des tokens visuels pour les modèles Vision-Langage-Action (VLA), publié sur arXiv (2610.22146) avec son code sur GitHub. Il s'applique sans entraînement supplémentaire et se branche sur des modèles existants. À chaque pas de temps, FastVLA évalue l'importance de chaque token visuel grâce à l'attention entre l'instruction de tâche et l'image. Il fixe ensuite le taux de compression selon l'uniformité de la distribution de ces scores, mesurée par un indice inverse de Simpson calibré en ligne sur une fenêtre glissante. Les auteurs l'ont testé sur OpenVLA, OpenVLA-OFT et CogACT, dans les benchmarks de simulation LIBERO et SIMPLER, puis sur un robot physique Franka Research 3.

RecherchePaper
1 source
RoboDuo : tentative, vérification et récupération atomique par le code pour les modèles vision-langage-action (VLA)
Illustration générée par IA
3arXiv cs.RO 

RoboDuo : tentative, vérification et récupération atomique par le code pour les modèles vision-langage-action (VLA)

RoboDuo, un framework décrit dans une prépublication arXiv (2610.34108), propose de corriger les échecs des modèles Vision-Language-Action (VLA) sur les tâches longues en utilisant du code comme interface. Un agent de code rédige un programme qui laisse d'abord un VLA « full-task » tenter l'ensemble de la tâche, puis vérifie si elle est achevée. En cas d'échec, un second VLA, dit « atomique », exécute les étapes restantes. L'agent n'émet aucune action: il choisit seulement quel VLA exécuter, ce qui permet d'envelopper un VLA existant sans toucher à ses poids.

RecherchePaper
1 source
VLN-Flash : décodage parallèle des actions et exécution adaptative pour la navigation vision-langage
Illustration générée par IA
4arXiv cs.RO 

VLN-Flash : décodage parallèle des actions et exécution adaptative pour la navigation vision-langage

VLN-Flash, une méthode de décodage proposée dans un preprint arXiv (2611.19287v1), s'attaque à un goulot d'étranglement peu visible de la navigation robotique guidée par le langage : la latence entre deux actions. Dans les politiques de vision-and-language navigation (VLN) classiques, le modèle génère les actions de façon autorégressive, ce qui oblige le robot à attendre une chaîne de prédictions dépendantes les unes des autres. Les auteurs exploitent le fait que le vocabulaire d'actions est petit et discret pour évaluer en parallèle l'ensemble de l'arbre des préfixes d'actions à court horizon, en une seule passe avant.

RecherchePaper
1 source