RecherchearXiv cs.RO 22 octobre 2026

Compression des modèles de langage embarqués pour les robots spatiaux sous contrainte de fidélité comportementale

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche publie sur arXiv QSelect, une méthode de compression de modèles de langage destinée aux robots spatiaux, où le modèle sert d'interface entre les commandes d'un opérateur et un catalogue de compétences déjà vérifiées. La compression est traitée comme une étape du segment sol. QSelect assemble un unique modèle quantifié à faible nombre de bits à partir de points de contrôle compatibles AWQ, GPTQ et AutoRound. Chaque module linéaire est attribué à une seule famille de quantification, et chaque substitution est évaluée sur la distribution finale du prochain token. Le mode par défaut n'exige ni étiquettes ni seuils réglés : il n'accepte une substitution que si la divergence KL directe par rapport à la référence BF16 diminue. Un mode optionnel ajoute la vraisemblance des réponses sur un petit jeu étiqueté. Sur DeepSeek-R1-Distill-Qwen-7B, Llama-3.1-8B et Llama-3.2-3B, à 3 et 4 bits, les modèles composés obtiennent une perplexité moyenne plus basse que chaque famille seule dans les six configurations. Sur les deux Llama à 3 bits, le mode adapté à la cible gagne 4,3 et 4,5 points d'exactitude agrégée sur la meilleure famille unique.

L'intérêt tient au cahier des charges de vol, que la quantification post-entraînement générique laisse implicite : budget mémoire et format de stockage fixes, artefact statique sous gestion de configuration, comportement proche du modèle pleine précision validé au sol. Le résultat le plus transférable est méthodologique : noter les substitutions sur la sortie finale donne une KL plus faible que la similarité de représentations dans les 12 essais appariés. Un chiffre rappelle aussi une contrainte pratique : à 3 bits, les couches d'embedding et de sortie non quantifiées représentent 43 à 46 % de l'artefact empaqueté, ce qui limite le gain réel de mémoire.

Il s'agit toutefois d'un préprint académique, sans qualification de vol. Toutes les évaluations portent sur des benchmarks généralistes et un GPU au sol. Aucune tâche spatiale, aucun matériel embarqué et aucun robot ne sont testés, et le gain d'exactitude suppose des étiquettes issues des familles de tâches évaluées. Le contexte est l'intérêt croissant pour les interfaces en langage naturel sur des systèmes à calcul, énergie et bande passante contraints, où AWQ, GPTQ et AutoRound s'utilisent d'ordinaire séparément. Les auteurs renvoient les tâches spatiales et le matériel de vol à de futurs travaux. Aucun calendrier de pilote n'est annoncé.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

BT-Agent : déployer des agents robotiques embarqués avec des arbres de comportement et une évaluation multi-fidélité

BT-Agent est une architecture d'agent embarquée pour robots mobiles, décrite dans un preprint arXiv (v1). Un modèle de langage prend les décisions de tâche, mais l'exécution passe par des compétences prédéfinies sous forme d'arbres de comportement (behavior trees, BT). Ces compétences vérifient leurs conditions d'exécution et renvoient à l'agent un retour d'échec structuré. Les auteurs font tourner un modèle de 9 milliards de paramètres entièrement à bord d'un robot quadrupède, sur cinq catégories de tâches. Dans les tests d'intervention, un contrôle local interrompt une navigation en cours sans attendre une nouvelle décision du modèle, et l'agent reste actif pour réessayer ou signaler la contrainte. Pour comparer les conceptions d'agents, l'équipe propose aussi un benchmark multi-fidélité de 161 tâches, évalué en texte sur la totalité et dans le simulateur Habitat sur 39 d'entre elles. Le mode texte offre un débit d'évaluation 10,9 fois supérieur. Face à la meilleure base de référence Act/ReAct, les gains de taux de succès culminent à environ 10 points avec un modèle de 4B et environ 5 points avec 9B. Les ablations désignent les appels d'outils structurés et les retours d'échec informatifs comme les composants les plus utiles. L'intérêt est d'abord architectural. Un LLM embarqué est lent et gourmand en mémoire, donc le garder hors de la boucle de sécurité est une réponse pragmatique. Les réflexes (arrêt, vérification de précondition) restent déterministes, et le modèle ne gère que la replanification. Le résultat est aussi plus utile pour les petits modèles que pour les grands, ce qui compte pour des robots sans connexion cloud fiable. La méthode d'évaluation est elle aussi utile aux équipes qui itèrent sur leurs agents. Le texte sert au tri rapide, et la simulation fait ressortir les échecs de perception et de mouvement que le texte masque. Il faut toutefois rester prudent : 39 tâches en simulation est un échantillon restreint, et la démonstration sur robot réel reste qualitative. Ce travail s'inscrit dans le débat entre agents « réfléchir puis agir » de type ReAct et exécution robuste par BT, déjà courante en robotique de service. Il s'agit d'une recherche académique, sans produit, sans pilote ni calendrier annoncé. La suite logique serait un benchmark simulé plus large et des tests sur d'autres plateformes, tandis que les acteurs industriels, qui visent eux aussi l'inférence embarquée, privilégient plutôt des modèles vision-langage-action entraînés de bout en bout.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Multi-agent : contrôle robotique par modèles vision-langage embarqués

Une équipe de recherche présente, dans un article publié sur arXiv (arXiv:2607.07403v1), une architecture multi-agents (MAS) pour le contrôle robotique conçue pour fonctionner entièrement en local, sans dépendre d'une infrastructure de calcul externe. Le système pilote un manipulateur mobile autonome polyvalent dans un entrepôt industriel simulé, où il exécute cinq catégories de tâches : inspection de sécurité, maintenance de l'entrepôt, recherche d'objets, vérification de la qualité des colis, et réponse aux demandes humaines. L'architecture s'appuie sur des modèles vision-langage (VLM) compacts, entre 3 et 20 milliards de paramètres, avec un fine-tuning appliqué spécifiquement pour améliorer la précision de l'inspection des colis. Un agent d'orchestration baptisé "Megamind" a été conçu pour limiter les pertes de contexte que subissent les petits modèles sur des tâches de planification à long horizon. Le système a été validé en configuration hardware-in-the-loop, sur un mini PC AMD Ryzen AI, combinant simulation et matériel embarqué réel. Ce travail s'attaque à trois limites récurrentes des VLM et des modèles vision-langage-action (VLA) appliqués à la robotique : l'explicabilité, la généralisation et les besoins en calcul. En s'appuyant sur des modèles compacts exécutés localement plutôt que sur des VLA massifs hébergés dans le cloud, l'approche promet une réduction des coûts d'infrastructure et une latence moindre, deux critères déterminants pour les intégrateurs industriels qui veulent déployer des robots autonomes sans dépendre d'une connectivité permanente. Les auteurs présentent leurs résultats comme une preuve qu'une architecture multi-agents entièrement embarquée constitue une alternative viable et économique aux déploiements dépendants du cloud, avec un potentiel de transfert vers le réel. Ces résultats restent toutefois obtenus en environnement simulé ; le passage à un robot physique en conditions réelles d'entrepôt demeure l'étape déterminante pour confirmer la promesse. L'essor de VLA comme Pi-0, GR00T N2 ou Helix a mis en évidence la dépendance de nombreux systèmes robotiques à des clusters de calcul distants, un frein pour les déploiements industriels à grande échelle. En misant sur des modèles plus petits orchestrés collectivement plutôt que sur un modèle monolithique unique, cette recherche se distingue des approches dominantes centrées sur des VLA de grande taille. Les chercheurs ont publié l'environnement de simulation en open source sous licence Apache 2.0, ouvrant la voie à des extensions et comparaisons par la communauté robotique. Les prochaines étapes attendues concernent la validation sur robot physique en entrepôt réel ainsi que l'élargissement des catégories de tâches couvertes par le système.

RecherchePaper

1 source

3arXiv cs.RO

Agir avec intention : distiller l'intention comportementale pour les modèles vision-langage-action

Publié le 25 août 2026 sur arXiv (référence 2608.23478), un article de recherche présente INDI (Intention Distillation), une méthode d'entraînement pour les décodeurs d'action des modèles Vision-Language-Action (VLA) en robotique, dominés aujourd'hui par le clonage de comportement, qui indique la commande démontrée sans expliciter l'objectif poursuivi. Pendant l'entraînement, un VLM enseignant figé interprète chaque segment démontré à partir de l'observation, de l'instruction, d'un résumé d'action et de la vidéo d'exécution ; le VLA déployé récupère cette représentation d'intention à une couche intermédiaire du décodeur. Sur le benchmark SimplerEnv-Bridge, le modèle GR00T-N1.7 passe de 64,3 % à 84,7 % de réussite ; sur RoboCasa Kitchen, sa baseline progresse de 64,1 % à 70,3 %, avec des gains similaires relevés sur Pi-0.5. En conditions réelles, le taux de réussite moyen grimpe de 62,0 % à 68,7 %, avec un bond de jusqu'à 12 points de pourcentage sur les tâches à horizon long. Ces résultats visent une limite structurelle connue du clonage de comportement, qui capture le geste démontré mais pas la raison d'être du comportement, ce qui dégrade la généralisation sur les tâches longues ou multi-étapes. Le fait que les gains les plus marqués apparaissent justement sur ces tâches à horizon long est significatif pour les intégrateurs, car c'est là que les pipelines VLA actuels échouent le plus souvent hors démonstration scénarisée. La méthode ne requiert ni capteur ni collecte de données additionnelle : elle exploite des signaux déjà disponibles via un VLM enseignant utilisé seulement à l'entraînement, sans surcoût d'inférence au déploiement, et reste transposable à d'autres architectures VLA. Le travail prolonge des approches qui enrichissaient le clonage de comportement avec des frames futures, des observations latentes ou des trajectoires, jugées insuffisantes car elles captent une réalisation du futur, non l'objectif sémantique partagé du comportement. INDI est testé sur des modèles VLA de référence déjà largement utilisés, GR00T-N1.7 et Pi-0.5, ce qui en fait une couche d'entraînement complémentaire plutôt qu'un modèle concurrent. La publication reste à ce stade un article arXiv sans revue par les pairs formelle ni annonce de déploiement industriel ; la communauté robotique attend désormais une reproduction indépendante des résultats et une extension à d'autres familles de VLA.

RechercheActu

1 source

4arXiv cs.RO

SoFFT : transformée de Fourier spatiale pour la modélisation des robots souples continus

Une équipe de chercheurs a proposé SoFFT (Spatial Fourier Transform for Soft Robots), une méthode de modélisation des robots souples continus basée sur l'application de la transformée de Fourier à la courbe centrale du robot, appelée "backbone", décrite comme un signal spatial et temporel. Publiée sur arXiv en février 2025 (identifiant 2502.17347), l'approche s'ancre dans la théorie des tiges de Cosserat, le cadre formel dominant pour modéliser ce type de structure, et a été validée à la fois par simulation numérique et sur un prototype physique réel. Les auteurs rapportent une réduction du nombre de degrés de liberté (DOF) effectifs nécessaires à la représentation fidèle de la déformation, sans toutefois quantifier précisément cette réduction dans le résumé disponible, ce qui rend difficile toute comparaison directe avec les méthodes existantes. L'enjeu central est que les robots souples continus, constitués de matériaux flexibles comme des élastomères ou des tubes en silicone, possèdent théoriquement une infinité de degrés de liberté, rendant leur modélisation et leur contrôle en temps réel computationnellement très coûteux. En traitant le backbone comme un signal, SoFFT ne conserve que ses composantes fréquentielles dominantes, compactant la description sans sacrifier la précision. Autre point notable : la méthode unifie et justifie formellement plusieurs heuristiques de modélisation déjà répandues dans la littérature, leur offrant un fondement théorique solide. Pour les équipes travaillant sur des cathéters robotiques, des bras endoscopiques ou des manipulateurs à actionnement pneumatique, cette réduction de modèle ouvre des perspectives pour des contrôleurs embarqués plus légers, potentiellement compatibles avec des architectures temps réel contraintes. La théorie des tiges de Cosserat s'est imposée dans la robotique souple depuis les années 2010, mais la complexité computationnelle des modèles haute-fidélité reste un frein au déploiement industriel. Plusieurs groupes concurrents, notamment à l'ETH Zurich, au MIT et à l'Université de Bristol, explorent des alternatives comme les réseaux de neurones physiques (physics-informed neural networks) ou les modèles réduits par analyse modale. SoFFT se positionne à l'intersection du formalisme analytique et de l'apprentissage piloté par les données, grâce à sa composante expérimentale permettant d'ajuster le modèle à partir de mesures réelles. Les suites logiques seraient l'intégration dans une boucle de contrôle fermée et la validation sur des architectures multi-segments, configurations courantes dans les applications médicales et d'inspection industrielle.

RecherchePaper

1 source