Édition spatiotemporelle robotique : une interface unifiée pour la génération d'actions contrôlable par reconstruction d'actions masquées

Des chercheurs publient sur arXiv (2610.23002) une méthode de contrôle des politiques génératives de manipulation robotique, fondée sur une interface baptisée MAP (Masked Action Space). Leur idée est de traiter les références spatiotemporelles que peut fournir un opérateur, comme des keypoints, des flux, des orientations ou des poses clés, comme des spécifications partielles d'un même espace d'action cartésien temporel de l'effecteur. Le contrôle devient alors un problème d'inpainting d'actions. La politique proposée, Inpainting Policy (IP), reconstruit les dimensions d'action manquantes. Elle combine un alignement guidé par la progression de la tâche et un entraînement multi-masques, censé lui permettre de gérer des combinaisons de contraintes jamais vues. Une variante RePaint, sans entraînement supplémentaire, réinjecte les contraintes à chaque étape de débruitage pour réduire l'erreur de contrôle. Les scores moyens de succès atteignent 92,67 % sur ManiSkill et 64,67 % sur LIBERO-10. En conditions réelles, les erreurs moyennes sont de 44,3 mm en position et de 7 degrés en rotation.

L'intérêt tient à l'unification. Aujourd'hui, chaque type de guidage (trajectoire 2D, pose cible, flux) tend à exiger sa propre architecture ou son propre réentraînement. Une interface unique rendrait les politiques génératives plus facilement pilotables par un opérateur, point sensible pour les intégrateurs qui veulent corriger un comportement sans repasser par une phase de collecte de données. Les chiffres appellent toutefois à la prudence. 64,67 % sur LIBERO-10 signifie qu'environ un tiers des tentatives échoue sur des tâches longues. Une erreur de 44,3 mm est très au-dessus de la tolérance de l'assemblage de précision. Le travail reste une preuve de concept de laboratoire, sans déploiement ni évaluation industrielle, et le protocole des essais réels (nombre de tâches, d'essais) n'est pas détaillé dans le résumé.

Ce travail s'inscrit dans la montée des politiques de diffusion et des modèles vision-langage-action comme Pi-0, qui produisent des comportements plausibles mais restent difficiles à contraindre précisément. L'inpainting vient de la génération d'images, dont RePaint est issu. Il est ici transposé aux actions, en concurrence avec les approches conditionnées par trajectoires ou par points de passage. La suite logique consiste à tester ces contraintes sur des modèles de fondation plus larges et sur du matériel varié, et à réduire l'erreur résiduelle pour viser des tâches industrielles.