MUCO : un cadre de manipulation structuré par unités pour les tâches robotiques compositionnelles à long horizon

MUCO, un cadre de manipulation robotique décrit dans un preprint arXiv (2610.19913), s'attaque à un problème bien connu des tâches longues : les apprendre et les exécuter comme des trajectoires complètes fait grimper le coût de collecte de données, empêche de réutiliser les compétences acquises et laisse une erreur locale se propager à toutes les étapes suivantes. Les auteurs proposent de découper la tâche en « manipulation units » (MU), des opérations réutilisables définies chacune par un but local, une condition de déclenchement et des critères de succès et d'échec observables. Chaque MU est apprise et vérifiée séparément. Le cadre formel, appelé MUSM, est mis en œuvre par MUCO (MU-Centric Orchestration). À partir d'une consigne en langage naturel et d'une image, le système construit une séquence de MU. Il associe chacune à des modèles de politique compatibles listés dans un registre de capacités figé, puis choisit celui dont le taux de succès calibré est le plus élevé. L'évaluation couvre les benchmarks RLBench et RoboTwin 2.0 ainsi que cinq tâches sur robot réel. Les auteurs annoncent un meilleur taux de réussite sur la tâche complète, une meilleure progression vérifiée, un confinement des échecs plus net et moins de propagation d'erreurs que les méthodes de référence. Le résumé ne donne aucun chiffre précis, ni les noms des baselines.

L'intérêt tient à la manière de composer des politiques hétérogènes sans réentraînement conjoint, sans backbone partagé ni représentation d'action commune. Pour un intégrateur, cela revient à traiter les politiques apprises comme des briques interchangeables, avec des garde-fous explicites, plutôt que comme un modèle monolithique de bout en bout dont on ne maîtrise pas les défaillances. La vérification visuelle de chaque MU pilote les transitions. Elle permet de relancer l'opération ou de basculer vers un autre modèle depuis l'état courant, sans rejouer les étapes déjà validées. Les clés canoniques permettent par ailleurs de réutiliser un checkpoint pour des MU équivalentes d'une tâche à l'autre, sans nouvelles démonstrations ni mise à jour, ce qui réduit le coût marginal d'une nouvelle tâche. Quelques réserves : le registre est figé, donc la couverture dépend des politiques déjà disponibles. Le verdict reste aussi tributaire de la fiabilité du vérificateur visuel, et cinq tâches réelles ne suffisent pas à conclure sur un déploiement industriel.

Le travail s'inscrit dans le débat entre modèles vision-langage-action (VLA) monolithiques, du type Pi-0 ou Helix, et architectures modulaires de type planificateur, bibliothèque de compétences et vérificateur, dans la lignée des approches qui exploitent des modèles de langage pour décomposer les tâches. Il s'agit d'une première version de preprint, sans relecture par les pairs, et rien n'indique de code publié, de pilote industriel ou de calendrier de transfert. Les suites logiques seraient des évaluations sur des séquences plus longues, des chiffres détaillés face à des baselines identifiées, puis des tests en conditions de production, là où la robustesse du vérificateur et la gestion des retours en arrière seront réellement éprouvées.