RecherchearXiv cs.RO 23 octobre 2026

FocusVLA : routage dynamique des vues guidé par l'intention future pour les modèles vision-langage-action (VLA)

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

FocusVLA, un framework présenté sur arXiv (2610.31423), cible un défaut des modèles vision-langage-action (VLA) pour la manipulation robotique. Ces modèles unifient perception visuelle, compréhension du langage et génération d'actions, et utilisent couramment plusieurs caméras (vue globale et vue poignet) pour mieux observer objets, effecteur et relations spatiales. Les auteurs constatent que les VLA existants exploitent mal cette complémentarité: la politique s'appuie de façon persistante sur la vue poignet et ne rééquilibre pas la dépendance global/local selon les phases de la tâche (approche, saisie, placement). FocusVLA ajoute un routage dynamique des vues. Un module prédit l'intention d'interaction future à partir de l'historique des actions, puis cette prédiction pilote la pondération des vues pendant la génération d'actions. Sur le benchmark simulé RoboTwin 2.0, le taux de succès moyen progresse de 10,10 points de pourcentage par rapport à la meilleure référence, π0.5 de Physical Intelligence. En évaluation réelle, le succès passe de 71,7 % à 85,0 %, soit un gain de 13,3 points sur π0.5. Les auteurs précisent que les modules de prédiction d'intention et de routage s'intègrent à des cadres VLA existants sans modifier leur architecture centrale.

L'intérêt tient moins au score qu'au diagnostic. Beaucoup de systèmes déployés ajoutent des caméras en supposant que le modèle saura s'en servir. Ce travail suggère que ce n'est pas le cas: une politique qui se repose sur la caméra poignet est plus fragile quand l'objet est occlus, que la pose globale compte ou que la scène change. Pour un intégrateur, cela renvoie à la robustesse hors démonstration, là où les échecs se concentrent aux transitions entre phases. Le caractère modulaire est aussi un point pratique: un greffon compatible avec des VLA existants peut être testé sans réentraîner une architecture entière, ce qui réduit le coût d'expérimentation. Il faut toutefois lire les chiffres avec prudence. Le test réel n'est pas décrit ici (nombre de tâches, d'essais, de robots), et un écart de 13,3 points sur un échantillon restreint peut avoir une marge d'incertitude importante. Il s'agit d'un preprint, sans validation indépendante ni déploiement industriel annoncé.

Ce travail s'inscrit dans la lignée des VLA généralistes, dont π0 puis π0.5 sont devenus des références de comparaison académique, aux côtés d'approches comme GR00T de NVIDIA ou Helix de Figure. La course porte désormais sur la fiabilité et l'utilisation efficace des entrées multimodales, plus seulement sur l'échelle des données. RoboTwin 2.0, benchmark bimanuel en simulation, sert de terrain d'évaluation courant. La suite logique serait une validation sur d'autres backbones que π0.5, des tâches plus longues et des tests multi-sites. Aucun calendrier de pilote ou de commercialisation n'est mentionné, et le résumé ne cite pas de partenaire industriel européen.

Dans nos dossiers

IA physique & VLA NVIDIA GR00T Physical Intelligence — π0 Manipulation robotique

À lire aussi

1arXiv cs.RO

SWAP : routage pas à pas de politiques d'action pour les modèles vision-langage-action (VLA)

Des chercheurs publient sur arXiv (2610.06926) SWAP, pour StepWise Action Policy Routing, un cadre qui compose dynamiquement plusieurs politiques Vision-Language-Action (VLA) pendant l'exécution d'une tâche de manipulation. Aujourd'hui, la plupart des systèmes reposent sur un seul modèle VLA du début à la fin d'un épisode. SWAP formule le routage comme un problème d'apprentissage par renforcement hors ligne : un « critique de routage » est entraîné à choisir, à chaque pas de décision et selon l'observation courante, la politique la plus adaptée. Le robot peut ainsi changer de politique en cours d'épisode. L'évaluation porte sur des tâches réelles de manipulation sur la plateforme DROID et sur des simulations LIBERO. Face à l'exécution d'une politique fixe et à des méthodes de routage de référence, les auteurs annoncent jusqu'à 33 points de succès supplémentaires en conditions réelles, et une réduction de 28,3 % du nombre de pas d'action des trajectoires réussies. L'enjeu dépasse la performance brute. Le travail s'attaque à une limite que les intégrateurs constatent déjà : aucun VLA n'est le meilleur partout, et les performances varient selon la phase de la tâche et l'environnement. Au lieu d'attendre un modèle généraliste unique, SWAP traite les VLA existants comme une boîte à outils orchestrable, sans réentraîner chacun d'eux. Pour un industriel, cela suggère une voie pragmatique : combiner des politiques spécialisées ou de fournisseurs différents, et ne payer que pour la politique utile à chaque étape. La baisse de la longueur des trajectoires laisse aussi entrevoir un gain de temps de cycle, mais il s'agit d'un nombre de pas d'action, pas d'une durée mesurée en atelier. Il faut aussi rester prudent sur les chiffres : le « jusqu'à 33 % » correspond au meilleur cas, et l'abstract ne précise ni le nombre de tâches ni la taille des échantillons, ni les politiques combinées. Ce résultat s'inscrit dans la course aux modèles fondation pour la manipulation, où des VLA comme Pi-0, GR00T ou Helix sont généralement présentés comme des systèmes autonomes. Le routage entre politiques prolonge les approches de mélange d'experts, mais à l'échelle de politiques complètes et de manière apprise hors ligne. DROID, jeu de données et plateforme de manipulation très utilisé, et LIBERO, banc d'essai en simulation, servent de référence commune, ce qui facilite la comparaison. Il s'agit d'une prépublication v1 non évaluée par les pairs, sans déploiement industriel annoncé. Les prochaines étapes à surveiller : la publication du code, la robustesse du critique face à des environnements inédits, et la latence ajoutée par le routage à chaque pas de décision.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

RotVLA : action latente de rotation pour les modèles vision-langage-action (VLA)

Un groupe de chercheurs a publié en mai 2026 RotVLA (arXiv:2605.13403), un framework Vision-Language-Action (VLA) qui substitue la quantification discrète des modèles d'action latente (LAM) existants par une représentation continue dans l'espace de rotation SO(n). Entraîné sur plus de 1 700 heures de données robotiques multi-embodiment et de vidéos humaines, le modèle compte 1,7 milliard de paramètres. Son architecture associe un backbone de modèle vision-langage et une tête d'action par flow-matching, étendue en aval en un "action expert" unifié qui dénoise simultanément actions latentes et actions robot. Sur LIBERO, RotVLA atteint 98,2 % de taux de succès ; sur RoboTwin2.0, il obtient 89,6 % en configuration propre et 88,5 % en configuration randomisée, surpassant les modèles VLA antérieurs dans les deux cas. Des expériences sur des tâches de manipulation réelle confirment ces résultats hors simulation. L'enjeu est architectural : les LAMs actuels, basés sur des pipelines VQ-VAE ou similaires, induisent une reconstruction de frames souvent triviale et n'imposent aucune contrainte géométrique cohérente avec la physique du mouvement. En modélisant les actions latentes comme des éléments de SO(n), RotVLA garantit continuité et compositionnalité absentes des espaces discrets, avec un triplet frame learning qui force une dynamique temporelle non dégénérée. Pour les équipes d'intégration robotique, cela ouvre la voie à un modèle de fondation plus robuste au sim-to-real, l'un des goulots d'étranglement centraux des VLAs en conditions industrielles. L'approche suggère que la structure géométrique de l'espace d'action peut compter autant que l'échelle des données d'entraînement. Le domaine des politiques robotiques généralistes a été structuré par Pi-0 (Physical Intelligence, 2024) et GR00T N2 (NVIDIA, 2025), qui misaient sur des corpus cross-embodiment massifs pour entraîner des politiques généralisables. RotVLA s'inscrit dans cette lignée mais parie sur une représentation latente géométriquement structurée plutôt que sur le volume brut de paramètres, avec 1,7B contre plusieurs dizaines de milliards pour les modèles concurrents les plus ambitieux. Les scores LIBERO et RoboTwin2.0 sont des benchmarks académiques standardisés ; leur transposition sur des cellules industrielles réelles (bras collaboratifs, tri et picking) reste à démontrer. Aucun partenaire de déploiement ni calendrier commercial ne figure dans la publication : RotVLA est, à ce stade, une contribution de recherche.

RechercheOpinion

1 source

3arXiv cs.RO

MotionWeave : apprendre la dynamique future centrée sur le mouvement pour les politiques vision-langage-action

MotionWeave, un framework de recherche publié sur arXiv (2609.39324v1), propose une nouvelle façon d'entraîner les politiques Vision-Language-Action (VLA), ces modèles qui convertissent images et instructions en langage naturel en commandes pour le robot. Le système prédit des « action chunks », c'est-à-dire des séquences d'actions futures, et s'appuie sur deux modules. L'Action-Induced Motion Grounder (AIMG) part des représentations d'action et de proprioception pour construire, pour chaque pas de temps futur, une requête qui localise dans les tokens visuels courants la zone d'interaction concernée. L'Horizon Residual Composer (HRC) calcule ensuite les différences entre zones d'interaction à des horizons adjacents, les encode comme indices de mouvement temporels et les injecte dans les tokens d'action via un résiduel à porte (gated residual). À l'entraînement, des masques du bras robotique rendus à partir des images futures servent à construire une supervision de type divergence KL. À l'inférence, seule l'observation courante est utilisée. Sur six tâches MetaWorld, MotionWeave atteint 75,3 % de succès moyen, soit 8,6 points de plus que π0 (66,7 %), avec des gains marqués sur les tâches d'interaction soutenue. Le code est disponible sur GitHub. L'intérêt tient au problème que cible ce travail. Plusieurs VLA intègrent désormais des world models pour enrichir une supervision souvent limitée à des étiquettes d'action éparses. Prédire des images ou des vidéos futures oblige toutefois le modèle à reproduire de l'apparence sans lien avec le contrôle (textures, arrière-plan). Guider l'action avec une représentation visuelle globale du futur ne garantit pas non plus que chaque action corresponde à un changement visuel local précis. MotionWeave répond en supervisant la dynamique de mouvement plutôt que le rendu, sans coût supplémentaire à l'inférence, un point utile pour les intégrateurs soumis à des contraintes de latence. Les résultats appellent néanmoins de la prudence : six tâches en simulation, un seul benchmark et un seul point de comparaison cité, π0. Rien ne dit que le gain de 8,6 points se maintient sur des robots réels, des scènes encombrées ou des benchmarks plus larges. Aucune démonstration matérielle ni déploiement n'est annoncé, il s'agit d'une preuve de concept académique. Ce travail s'inscrit dans la course à l'enrichissement des VLA par des modèles du monde, après les approches qui prédisent des vidéos futures ou des images-objectifs. π0, de Physical Intelligence, reste la référence de base de nombreuses comparaisons, et MetaWorld un banc d'essai standard mais simulé, donc éloigné des conditions industrielles. La suite logique consisterait à valider la méthode sur plusieurs benchmarks, face à d'autres VLA récents, puis sur matériel réel. Le dépôt ouvert permettra à la communauté de vérifier ces chiffres. Aucun acteur européen n'est mentionné dans cette publication.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Mind-VLA : alignement de la représentation spatiale guidé par les instructions pour les modèles vision-langage-action

Publiée le 4 août 2026 sur arXiv (2608.04633), une méthode baptisée Mind-VLA corrige un défaut des modèles vision-langage-action (VLA) en robotique: les approches existantes alignent leur représentation avec la géométrie 3D de toute la scène de façon uniforme, sans isoler l'objet désigné par l'instruction, d'où des échecs en manipulation fine ou en cas d'occlusion. Mind-VLA identifie d'abord cet objet cible, en génère une vue à trois angles, en extrait des caractéristiques VAE et VGGT, puis aligne la représentation latente du modèle dessus. Avec un backbone compact de 345 millions de paramètres, le système atteint 93,9% de réussite sur LIBERO, 4,47 sur CALVIN, et 54% de succès moyen sur robot réel en situation d'occlusion, soit 32 points de plus que la meilleure méthode instruction-agnostique comparée. Le code sera publié en open source. Le résultat vise un problème concret pour les intégrateurs déployant bras manipulateurs ou humanoïdes: les démonstrations de laboratoire s'effondrent souvent dès que l'objet à saisir est partiellement caché par un carton, une pièce voisine ou l'angle de la caméra. En conditionnant la représentation 3D sur l'objet réellement visé plutôt que sur la scène entière, Mind-VLA cible directement l'écart entre démo et réalité industrielle. Le gain de 32 points obtenu sur robot réel, pas seulement en simulation, compte dans un domaine où les progrès annoncés reposent souvent sur des vidéos sélectionnées ou des métriques peu transposables. Mind-VLA s'inscrit dans la lignée des travaux sur l'alignement géométrique des VLA, qui injectent une compréhension 3D explicite dans des modèles entraînés sur images et texte, comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, sans qu'aucun ne cible spécifiquement l'objet d'intérêt. Le résumé ne nomme pas la méthode instruction-agnostique servant de référence, ce qui invite à la prudence tant que l'article complet et le code promis ne sont pas vérifiables. La piste, aligner la représentation sur l'objet désigné plutôt que sur toute la scène, devrait néanmoins intéresser d'autres laboratoires travaillant sur la manipulation fine.

RechercheOpinion

1 source