RecherchearXiv cs.RO 27 octobre 2026

Politique récursive compacte : raffinement latent récursif pour le contrôle visuomoteur

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent Tiny Recursive Policy (TRP), une politique d'apprentissage par imitation (behaviour cloning) pour la manipulation robotique, décrite dans un preprint arXiv de la série 2610. Son principe est de maintenir un état latent persistant d'un pas de contrôle au suivant. La plupart des politiques modernes reconstruisent leur représentation interne à chaque prédiction, à partir d'une fenêtre d'observation fixe. TRP, lui, met à jour de façon répétée deux états latents, l'un de haut niveau et l'autre de bas niveau, avec un module de calcul partagé. Il décode ensuite une séquence d'actions et transmet l'état obtenu aux prédictions suivantes. L'évaluation couvre trois jeux de tests : LIBERO-100, MetaWorld ML45 et les benchmarks LIBERO-Mem. TRP reste compétitif en multitâche et en few-shot. Il progresse nettement sur les tâches à long horizon et celles qui dépendent du contexte, avec bien moins de paramètres que les grands modèles génératifs de référence. Le résumé ne donne ni nombre de paramètres ni scores chiffrés.

L'intérêt tient à la tendance inverse du secteur, qui consiste à agrandir les modèles vision-langage-action (VLA) et les politiques de diffusion. Ici, un modèle compact obtient des gains grâce à la mémoire et au calcul itératif. Cela compte pour les intégrateurs et les équipes embarquées, qui disposent d'un budget de calcul limité sur le robot. Les tâches à mémoire, comme se rappeler ce qui a déjà été fait dans une séquence, sont fréquentes en production. Les tests de perturbation montrent que la politique s'appuie d'autant plus sur son état persistant que la tâche exige de contexte. Entraîner avec des perturbations de cet état améliore la robustesse, y compris face à des corruptions visuelles. Les ablations indiquent que l'apport de la mémoire dépend de la quantité de calcul effectuée à chaque pas, et que les résultats ne s'expliquent pas par le seul nombre de paramètres. Une réserve s'impose : tout est évalué sur des benchmarks en simulation, et rien ne prouve encore un transfert au robot réel, à d'autres embodiments ou à des cadences industrielles.

Ce travail s'inscrit dans un courant de recherche sur les modèles récurrents et récursifs de petite taille, qui défient les très grands modèles sur des tâches de raisonnement. Il en reprend l'idée pour le contrôle visuomoteur. Les références de comparaison de ce domaine sont les politiques génératives de type diffusion et les VLA comme Pi-0, et LIBERO-Mem sert à tester la mémoire de ces approches. Le résumé ne cite aucun déploiement ni aucun partenaire industriel. Les suites logiques sont des validations sur matériel réel, la publication du code et des poids, et des comparaisons à paramètres égaux avec les grands VLA.

Dans nos dossiers

IA physique & VLA Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

Pré-entraînement contrastif action-image pour le contrôle visuomoteur

Des chercheurs ont publié CAIP (Contrastive Action-Image Pre-training), un encodeur visuel pour la robotique qui exploite 32 041 heures de vidéo égocentrique humaine, complétées par seulement 88 heures de données de manipulation robotique. Le principe central consiste à extraire les poses 3D des mains humaines depuis des vidéos filmées en vue subjective, et à les utiliser comme signal de substitution pour les actions d'effecteur terminal, un proxy qui s'aligne naturellement avec les espaces d'action des bras robotiques. Via un objectif d'apprentissage contrastif, CAIP apprend une représentation unifiée liant images et actions. Évalué sur deux mains dextres réelles (Dexmate Vega et Sharpa Wave), le modèle affiche des gains supérieurs à 30% sur des tâches de manipulation précise : pliage de tissu, versage de liquide, et manipulations en dextérité fine. Ce résultat touche directement un verrou bien connu dans la communauté : la pénurie de données robotiques étiquetées freine la pré-formation de grands encodeurs visuels, là où le NLP ou la vision généraliste disposent de milliards d'exemples. CAIP propose une voie de passage scalable sans collecter davantage de trajectoires robot, en exploitant la vidéo humaine disponible à l'échelle d'Internet comme source implicite de signaux d'action. En surpassant DINOv2, SigLIP, MVP et R3M sur des benchmarks en conditions réelles (et non en simulation), l'approche renforce l'hypothèse que le sim-to-real gap peut être partiellement contourné en ancrant la représentation visuelle dans des dynamiques d'action humaine, plutôt qu'en augmentant les données robot brutes. Ce travail s'inscrit dans un courant de recherche actif autour des politiques visuomotrices apprenant depuis la vidéo humaine. Pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) et les approches issues d'OpenVLA croisent des signaux similaires, bien que depuis des angles différents. CAIP se distingue en isolant le signal de pose 3D des mains comme modalité intermédiaire explicite, plutôt que d'ingérer du langage ou des représentations d'action latentes. Le code et les modèles ne sont pas encore publiés au moment de la soumission (arXiv:2606.17256, juin 2026). La prochaine étape naturelle serait de tester la généralisation à des morphologies robotiques plus variées et à des tâches bimanuelles, domaine où les pipelines VLA (Vision-Language-Action) peinent encore à démontrer une robustesse hors laboratoire.

RechercheOpinion

1 source

2arXiv cs.RO

Récupération mémorielle dans les politiques visuomotrices pour le contrôle robotique à long horizon

Des chercheurs du Robin Lab de l'Université du Texas à Austin ont publié fin juin 2026 un preprint (arXiv:2606.25136) présentant HALO, une politique visuomotrice dotée d'un mécanisme de récupération mémorielle par attention pour le contrôle robotique à long horizon. L'architecture cible les robots polyvalents opérant dans des environnements partiellement observables, typiquement le domicile : le robot doit retrouver où un objet a été posé, se souvenir qu'un utilisateur a déjà accompli une sous-tâche, ou mémoriser l'état d'un appareil activé plusieurs minutes auparavant. HALO répond à deux défis identifiés lors de l'apprentissage par imitation sur données hors-ligne : la corrélation spurieuse entre contexte passé et actions prédites, et l'accumulation d'erreurs en boucle fermée qui entraîne une dérive progressive du modèle. Pour y remédier, la méthode distille des priors issus d'un modèle vision-langage (VLM) via un objectif de question-réponse vidéo généré depuis les trajectoires de démonstration, et combine cela à une attention sparse limitée aux segments d'historique les plus pertinents. Au total, HALO peut récupérer des informations pertinentes sur jusqu'à huit minutes d'expérience passée. Ce résultat est notable car il attaque frontalement le goulot d'étranglement des tâches longues-durées, là où la majorité des politiques visuomotrices actuelles, y compris les approches VLA (Vision-Language-Action) comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, supposent implicitement un horizon court ou une observabilité quasi-complète. La distillation de priors VLM pour orienter la récupération vers l'information pertinente à la tâche est une voie prometteuse pour réduire le gap démo-réalité, car elle ancre l'attention dans une compréhension sémantique plutôt que dans des heuristiques codées à la main. L'attention sparse contribue à contenir la propagation d'erreurs qui, dans les architectures transformer standard sur contexte long, peut faire diverger la politique après quelques dizaines de secondes d'exécution autonome. HALO s'inscrit dans une dynamique de recherche qui voit Transformers et modèles de langage coloniser la couche mémoire des systèmes robotiques, après avoir dominé la planification symbolique et la génération d'instructions. Le Robin Lab publie régulièrement sur l'apprentissage robot en environnements non structurés ; ce travail est encore au stade preprint et aucun déploiement physique à l'échelle n'est annoncé. Les concurrents directs incluent les approches à mémoire épisodique de travaux comme RT-X, mais aussi les architectures récurrentes à état latent explorées par des labos comme CMU ou Stanford. Les prochaines étapes attendues sont une validation sur robot physique dans des scénarios domestiques réels et une comparaison quantitative avec des baselines mémorielle existantes.

RechercheOpinion

1 source

3arXiv cs.RO

Les politiques robotiques compactes exigent des représentations visuelles fines

Des chercheurs proposent CoRP (Compressed Representation Policy), une politique de manipulation multi-tâches volontairement compacte: 48,9 millions de paramètres, sans modèle vision-langage ni prior génératif vidéo. Elle sépare un extracteur de représentation d'un générateur d'actions par flow matching. Elle atteint 97,0 % de réussite sur LIBERO et 75,78 % (Clean) et 73,36 % (Randomized) sur RoboTwin 2.0, soit des scores comparables à ceux de systèmes 40,9 à 163,6 fois plus gros. Il s'agit de résultats de benchmarks en simulation, publiés sous forme de préprint arXiv, sans déploiement réel annoncé. Les auteurs fixent ensuite le générateur d'actions et font varier une seule propriété de l'extracteur à la fois. Un ViT-S/14 initialisé aléatoirement tombe à 78,1 % sur LIBERO, un ResNet-34 pré-entraîné sur ImageNet à 74,5 %, et geler l'encodeur coûte 19,8 points. Rééchantillonner chaque vue à 48 tokens bat le passage de tous les tokens de patchs (97,0 % contre 83,2 %). Le résultat remet en cause une lecture courante du secteur: les gains des VLA (vision-language-action) viendraient surtout de l'échelle ou des priors génératifs. Faute de comparaisons contrôlées, les publications mélangent architecture, taille et pré-entraînement, et ne permettent pas d'isoler ce qui compte. Ici, la représentation visuelle serait le facteur dominant: pré-entraînée, adaptée à la tâche et compressée. Pour un intégrateur ou un décideur, la portée est pratique: une politique de moins de 50 M de paramètres peut tourner sur du matériel embarqué modeste, avec une latence et un coût d'inférence bien plus faibles que des modèles de plusieurs milliards de paramètres. Deux résultats nuancent toutefois cette idée. Un goulot d'information variationnel est pire qu'un budget dur de tokens: il fait chuter LIBERO-Goal de 95,8 % à 33,0 %, car il supprime la sélection de tokens dépendante de l'instruction. Le langage n'aide que si l'observation laisse le but ambigu (LIBERO-Goal passe de 9,2 % à 95,8 %), alors que sur RoboTwin 2.0 sa suppression améliore légèrement le succès. Ce travail s'inscrit dans la course aux grands VLA (Pi-0, GR00T, Helix, entre autres), qui misent sur des backbones vision-langage massifs ou des priors vidéo. CoRP défend la voie inverse, celle de la politique frugale, et ajoute un argument d'ablation à un débat encore ouvert. Les limites sont claires: LIBERO est déjà proche de la saturation, RoboTwin 2.0 reste simulé, et rien ne dit que ces conclusions tiennent sur des tâches longues, du matériel varié ou des environnements industriels non structurés. La suite logique est une validation sur robots réels et la comparaison avec des modèles de grande taille dans les mêmes conditions. Une page projet est disponible à l'adresse corp-policy.github.io.

UEUne politique de manipulation de moins de 50 M de paramètres, validée uniquement en simulation, pourrait à terme permettre aux intégrateurs européens de robots industriels (KUKA, ABB, Universal Robots, Festo) d'embarquer l'IA sur du matériel modeste avec un coût d'inférence réduit, mais sans déploiement réel annoncé l'impact reste prospectif.

RecherchePaper

1 source

4arXiv cs.RO

Pensées modifiées, actions modifiées : la chaîne de raisonnement comme levier de contrôle d'une politique vision-langage-action

Des chercheurs ont testé ce qui arrive aux actions motrices d'un robot lorsqu'on modifie le raisonnement textuel d'une politique VLA (vision-language-action), c'est-à-dire un modèle qui convertit images de caméra et instructions en langage naturel en commandes moteur. Certaines de ces politiques « réfléchissent » d'abord en texte, produisent une chaîne de raisonnement, puis décodent les actions conditionnées par cette chaîne. Les travaux qui ont introduit cette architecture la présentent comme une interface de supervision : un opérateur peut lire et éditer le texte pour corriger le robot. L'étude mesure les deux sens, réparation et corruption, avec un échange déterministe d'entités appliqué à l'instruction et à la chaîne générée. Sur quarante tâches réparties dans les quatre suites de simulation LIBERO, le coût d'une chaîne corrompue se concentre là où le langage seul détermine le but. Sur LIBERO-Goal, avec DeepThinkVLA (retenu car son raisonnement est exposé en clair), une instruction corrompue accompagnée de la chaîne générée à partir de l'instruction saine récupère 47,8 points de pourcentage de succès perdu. Ce test confirmatoire était préenregistré, et les 10 tâches évoluent dans le sens prédit. L'enjeu dépasse l'académique. Si la chaîne n'avait fait que reformuler ce que l'image détermine déjà, l'injection n'aurait rien changé. Or le texte écrit dans ce raisonnement pilote réellement le robot : il répare le comportement quand il est juste et le dégrade quand il est faux. Pour les intégrateurs et les responsables de déploiement, cela signifie que l'interface de supervision vantée pour les VLA à raisonnement est bien un levier de contrôle, mais aussi une surface d'attaque ou d'erreur. Un opérateur qui corrige un raisonnement fautif peut sauver une tâche ; une édition erronée, ou une injection malveillante, peut la faire échouer. Le compromis entre transparence, contrôlabilité et robustesse cesse d'être une intuition et devient une grandeur mesurable, ce qui manquait aux discussions de sécurité sur ces architectures. Il faut toutefois relativiser la portée. Les résultats viennent de simulation (benchmark LIBERO), et la démonstration causale décisive repose sur un seul modèle, DeepThinkVLA, et une seule suite, LIBERO-Goal, où le langage suffit à définir le but. La récupération est substantielle mais partielle (47,8 points), et rien n'indique encore que l'effet se transpose tel quel à des robots physiques ou à des tâches où la vision domine. Ce travail s'inscrit dans la vague des VLA dotés de chaînes de raisonnement explicites, dont les promoteurs mettent en avant la lisibilité humaine. La suite logique est de tester d'autres politiques, d'autres benchmarks et des environnements réels, puis de définir des garde-fous, comme la validation ou l'authentification des éditions du raisonnement, avant d'exposer cette interface en production.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source