Apprentissage de politiques adaptatives de loco-manipulation aérienne grâce à la génération proactive de tâches assistée par LLM

Des chercheurs présentent ALMA, un cadre d'apprentissage pour la locomanipulation aérienne, c'est-à-dire un drone équipé d'un bras qui doit rester stable pendant que ce bras bouge et interagit avec son environnement. Le système repose sur une politique de vol contextuelle, qui s'adapte à partir des mesures et des actions récentes. Pour que ce contexte conserve les informations utiles au contrôle, le réseau prédit, conditionnellement aux actions, les représentations des mesures futures. Un processus évolutionnaire s'y ajoute. Un grand modèle de langage (LLM) analyse les difficultés de suivi observées pendant l'entraînement et propose de nouvelles structures de mouvement du bras pour les sessions suivantes. En simulation, l'erreur quadratique moyenne (RMSE) de position baisse jusqu'à 24,7 % par rapport à la meilleure méthode de référence. La même politique est ensuite transférée sans réentraînement (zero-shot) sur un manipulateur aérien réel. Elle y réduit de 79,6 % la RMSE de position en vol stationnaire pendant un mouvement périodique du bras, face à la référence testée sur le matériel. L'étude est un préprint publié sur arXiv (v1), sans évaluation par les pairs à ce stade.

L'intérêt est d'abord pratique. Un bras qui bouge déplace le centre de masse, modifie l'inertie et transmet des forces et des moments parasites au drone. Les contrôleurs classiques gèrent cela avec des modèles explicites et de l'estimation. Les approches par apprentissage déduisent la dynamique de l'expérience, mais la récompense de contrôle ne dit pas quelle information de l'historique vaut la peine d'être conservée. ALMA ajoute un objectif auxiliaire de prédiction pour combler ce manque. Le recours au LLM comme générateur de curriculum, qui cible les faiblesses de la politique au lieu d'échantillonner des tâches au hasard, est une piste transposable à d'autres robots mobiles manipulateurs. Le gain de 79,6 % en conditions réelles est le chiffre le plus parlant pour les intégrateurs d'inspection ou de maintenance en hauteur. Il faut toutefois le lire avec prudence. La référence réelle n'est pas précisée dans le résumé, le test porte sur un seul mouvement périodique du bras, et il ne mesure pas des tâches de manipulation complètes avec contact.

Ce travail s'inscrit dans l'essor de la locomanipulation, qui étend l'espace de travail des manipulateurs fixes, et de sa variante aérienne, qui atteint des zones inaccessibles aux robots au sol. Ces plateformes restent surtout au stade académique, loin des déploiements commerciaux. Le résumé ne cite ni industriel, ni calendrier de pilote, ni prix, ni modèle de drone. Les suites probables sont des tests avec contact et charge utile variable, puis une comparaison avec des contrôleurs adaptatifs établis. Il faudra aussi vérifier si le gain obtenu avec le curriculum généré par LLM tient sur d'autres morphologies de bras.