RecherchearXiv cs.RO 28 octobre 2026

De 12 à 200 démonstrations : comment ACT, Diffusion Policy, SmolVLA et $\pi_{0.5}$ passent à l'échelle sur un bras low-cost

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont comparé quatre politiques d'apprentissage par imitation très répandues (ACT, Diffusion Policy, SmolVLA et π0.5) sur une tâche unique de pick-and-place avec objets distracteurs, réalisée avec un bras SO-101 à bas coût. Chaque politique a été entraînée avec une recette fixe sur des sous-ensembles imbriqués de 12, 25, 50, 100 et 200 démonstrations téléopérées, puis testée sur un jeu fixe de placements d'objets, soit 1 340 épisodes notés répartis en 126 blocs. ACT, entraîné from scratch, passe de 1 succès sur 40 épisodes avec 12 démonstrations à 37 sur 40 avec 100. π0.5, avec fine-tuning de l'action expert, domine quand les données sont rares (16 sur 40 à 12 démonstrations, 28 sur 40 à 25) puis plafonne autour de 70 %. À partir de 100 démonstrations, ACT prend l'avantage, d'une marge que l'étude ne parvient pas à trancher. SmolVLA et Diffusion Policy culminent près de 50 %.

Le résultat le plus parlant pour un intégrateur tient aux échecs de démarrage et aux choix de recette. Le bras de SmolVLA ne bouge jamais dans 47 % des épisodes, et Diffusion Policy ne démarre presque jamais tant qu'une phase d'inactivité initiale n'est pas retirée des démonstrations. Pour π0.5, la recette compte plus que le volume de données : l'adaptation low-rank (LoRA) réussit 4 épisodes sur 110, contre 130 sur 200 pour le fine-tuning de l'action expert. Les auteurs décomposent chaque épisode en quatre étapes (démarrage, atteinte de la balle, transport, dépose). Avec ACT, plus de données déplace d'abord les échecs de l'atteinte vers la saisie, puis les fait disparaître, alors que ceux de π0.5 restent concentrés sur la saisie. Le message pratique est qu'un grand modèle pré-entraîné ne garantit pas de meilleurs résultats qu'un petit modèle bien alimenté, et qu'une bonne partie de la performance dépend de détails de préparation des données.

Cette étude arrive alors que les politiques VLA (vision-langage-action) se multiplient et que les comparaisons sur matériel réel restent rares. Beaucoup de résultats publiés reposent sur peu d'épisodes. Les auteurs mesurent ce problème : un bloc de dix épisodes est une mesure faible, puisque le même checkpoint testé deux fois diffère en moyenne de 2 succès sur 10. Ils séparent cette variance de celle liée aux seeds et ont audité le scoring humain à partir des enregistrements articulaires et vidéo. Une limite importante demeure : la durée d'entraînement étant fixée pour chaque recette, la quantité de données et le nombre de passages sur ces données varient ensemble. Les auteurs précisent quelles conclusions résistent à ce biais et lesquelles non. Il s'agit d'un seul bras, d'une seule tâche et d'un seul opérateur, ce qui limite la portée des conclusions pour des déploiements industriels.

Dans nos dossiers

IA physique & VLA Physical Intelligence — π0

À lire aussi

1arXiv cs.RO

Politique de l'IA : passage à l'action décrite dans une démonstration

Les chercheurs à l'origine de Temporal Policy proposent une nouvelle méthode d'apprentissage par démonstration (Learning from Demonstration) pour les robots, publiée en préprint sur arXiv (2607.29482) et dont le code est disponible sur GitHub (dmiller12/TemporalPolicy). Contrairement aux modèles de diffusion et de flow matching classiques, qui partent d'un bruit gaussien non informatif et doivent apprendre des trajectoires complexes et coûteuses pour atteindre l'espace des actions physiques, Temporal Policy initialise directement le flux génératif à partir de l'historique récent du robot. Cette méthode, basée sur des interpolants stochastiques, couple explicitement les états passés aux séquences d'actions futures, ce qui réduit le coût de transport et produit des champs vectoriels plus directs. Les auteurs ont validé leur approche sur des bancs d'essai de simulation visuomotrice ainsi que sur une plateforme physique de téléopération Barrett WAM à deux bras de 7 degrés de liberté (DOF) chacun. Résultat chiffré: une réduction du coût de transport d'un facteur proche de dix par rapport aux méthodes initialisées par bruit, avec une latence d'inférence de 19,1 millisecondes sur une carte graphique NVIDIA RTX 4080, tout en conservant des taux de réussite comparables aux méthodes de référence. Ce gain de vitesse s'attaque à un goulot d'étranglement concret pour les politiques robotiques génératives: le coût d'inférence élevé des modèles de diffusion et de flow matching limite leur usage en contrôle en boucle fermée à haute fréquence, essentiel pour des tâches de manipulation fine ou de téléopération réactive. En démontrant qu'il est possible de conserver la précision des architectures génératives multimodales tout en divisant fortement le temps de calcul, ce travail répond à une critique récurrente adressée aux politiques VLA et diffusion en robotique: leur difficulté à tourner en temps réel sur du matériel embarqué. Ce travail s'inscrit dans la lignée des politiques de diffusion pour la robotique (Diffusion Policy) et des approches de flow matching à la Pi-0, qui ont gagné en popularité ces dernières années pour capturer des comportements multimodaux à partir de démonstrations humaines. En misant sur les interpolants stochastiques plutôt que sur un bruit gaussien pur, les auteurs proposent une piste architecturale distincte pour accélérer l'inférence sans sacrifier les performances, un axe de recherche que d'autres laboratoires travaillant sur les modèles action-langage-vision à grande échelle pourraient être amenés à explorer.

RecherchePaper

1 source

2arXiv cs.RO

SeedPolicy : passage à l'échelle par politique de diffusion auto-évolutive pour la manipulation robotique

Une équipe de chercheurs publie SeedPolicy, une nouvelle méthode d'apprentissage par imitation (IL) pour la manipulation robotique, dans un preprint arXiv (2503.05117). L'innovation centrale est SEGA (Self-Evolving Gated Attention), un module temporel qui maintient un état latent évolutif via de l'attention à porte (gated attention), permettant des mises à jour récurrentes qui accumulent le contexte à long terme tout en filtrant les informations temporelles non pertinentes. Intégré à la Diffusion Policy (DP), le modèle résultant, SeedPolicy, est évalué sur le benchmark RoboTwin 2.0 avec 50 tâches de manipulation distinctes. Les résultats, moyennés sur des backbones CNN et Transformer : +36,8 % d'amélioration relative par rapport à la DP standard en conditions propres, et +169 % en conditions aléatoires et perturbées. Face à RDT, un modèle vision-langage-action (VLA) de 1,2 milliard de paramètres, SeedPolicy obtient de meilleures performances en conditions propres avec un à deux ordres de grandeur de moins en taille de modèle. Le problème de la manipulation à long horizon, enchaîner des séquences d'actions sur des périodes étendues, constitue un goulot d'étranglement persistant en IL. La Diffusion Policy standard se dégrade lorsqu'on empile davantage d'horizons d'observation, perdant la capacité à maintenir le contexte temporel. SEGA règle ce problème sans le coût computationnel des grands VLAs. Le +169 % en conditions perturbées (contre +36,8 % en conditions propres) est le chiffre le plus significatif : il indique une meilleure généralisation sous perturbation, critique pour tout déploiement réel. L'argument d'efficacité paramétrique conteste directement l'hypothèse selon laquelle la mise à l'échelle serait nécessaire pour la manipulation complexe. La Diffusion Policy est issue des travaux de Columbia University (Chi et al., 2023) et constitue aujourd'hui une baseline de référence en robot learning. Le domaine s'est depuis bifurqué : un camp mise sur les modèles de fondation et les VLAs (RDT, Pi-0 de Physical Intelligence, OpenVLA, Octo), l'autre sur la modélisation temporelle efficiente à moindre coût. SeedPolicy s'inscrit résolument dans le second. À noter : l'ensemble des résultats est obtenu en simulation sur RoboTwin 2.0, sans démonstration de transfert sim-to-réel, ce qui reste l'épreuve déterminante pour les intégrateurs industriels. Le code est disponible sous dépôt anonyme, ce qui suggère un article en cours de révision par les pairs. Aucun déploiement industriel ni calendrier commercial n'est annoncé.

RechercheOpinion

1 source

3arXiv cs.RO

Passage à l'échelle de la manipulation dextre par préentraînement de représentations d'actions

Une équipe de chercheurs propose ARPG (Action Representation Pretraining and Generation), une méthode qui sépare explicitement l'apprentissage des représentations d'actions de la génération d'actions pour la manipulation dextre. Dans un premier temps, un encodeur de représentation d'actions est pré-entraîné sur des données de manipulation humaine à grande échelle. Il est ensuite figé, puis un modèle génératif compact de 130 millions de paramètres apprend les distributions d'actions conditionnées par la tâche, directement dans l'espace de représentation de l'encodeur. Les auteurs annoncent des résultats de pointe sur le benchmark DexJoCo. Sur la manipulation dextre bimanuelle, le taux de succès moyen passe de 10,1 % pour π0.5 à 44,7 %. Des expériences de passage à l'échelle montrent aussi qu'une couverture plus large des comportements humains améliore les performances en aval. Il s'agit d'un travail de recherche publié sur arXiv, sans produit ni déploiement associé. L'enjeu tient au goulot d'étranglement que le secteur rencontre sur la dextérité. Le pré-entraînement massif en vision, langage et vidéo a nettement amélioré la perception et la généralisation des modèles de manipulation. La génération d'actions complexes reste en revanche limitée par la rareté des démonstrations robotiques, qui doivent servir à apprendre à la fois la représentation des actions et leur distribution selon la tâche. En déplaçant le premier problème vers des données humaines, bien plus abondantes, ARPG suggère que la représentation d'actions constitue une dimension de passage à l'échelle indépendante, distincte de la taille du modèle ou du volume de démonstrations robot. Pour les intégrateurs et les équipes R&D, c'est une piste pour réduire le coût de collecte de téléopération. Un backbone de 130 millions de paramètres, très inférieur aux VLA de plusieurs milliards, pourrait aussi faciliter l'inférence embarquée. Une prudence s'impose toutefois : les chiffres proviennent d'un benchmark, probablement en simulation, et d'un article non encore évalué par les pairs. Le gain de 10,1 % à 44,7 % reste à confirmer sur matériel réel, et le taux de succès absolu demeure sous la barre de fiabilité qu'exige un usage industriel. Ce travail s'inscrit dans la course aux modèles généralistes de type VLA (vision-langage-action), dont π0.5 de Physical Intelligence sert ici de référence. Plusieurs acteurs exploitent déjà des vidéos et données humaines pour compenser le manque de données robotiques, notamment autour de GR00T chez NVIDIA ou de Helix chez Figure. Le texte ne précise ni code ni poids publiés, ni calendrier de validation sur robot physique. La suite logique serait des tests sur mains dextres réelles et une évaluation face à d'autres VLA récents. Il faudra aussi vérifier si la tendance se poursuit avec des corpus humains plus vastes et plus variés.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Démonstrations humaines comme données de post-entraînement pour tout robot : transférer l'objet, pas la main

Des chercheurs proposent une méthode pour transformer une démonstration humaine, filmée par exemple avec un simple téléphone mobile, en données de post-entraînement utilisables par n'importe quel robot, quelle que soit sa morphologie. Plutôt que de transposer le mouvement de la main (retargeting), le système transpose celui de l'objet. Chaque capture produit un enregistrement indépendant du corps : la pose de l'objet au cours du temps, ses intervalles de contact et un objet 3D reconstruit avec sa provenance. Tout robot, décrit par un fichier URDF et un court descripteur, est ensuite résolu contre cet enregistrement et évalué en simulation, avec le mouvement démontré de l'objet comme vérité terrain. Chaque paire (robot, épisode) reçoit un verdict unique : réussite, échec avec un mode nommé, ou refus motivé avant tout mouvement. Sur un échantillon de 42 captures résolues sur 8 robots, soit 157 paires, 31,2 % réussissent, 52,2 % échouent, 14,0 % sont refusées et 2,5 % sont inauditables. Le critère est la faisabilité cinématique en simulation, avec une tolérance de ±50 mm et ±15°. Pour les intégrateurs et les décideurs industriels, l'enjeu est de savoir quelles données humaines un robot donné peut réellement exploiter. Aujourd'hui, ces démonstrations servent surtout au pré-entraînement des modèles vision-langage-action (VLA), mais peu au post-entraînement ciblé sur une plateforme ou une tâche, dont dépend pourtant le déploiement à grande échelle. Les résultats donnent un premier ordre de grandeur : moins d'un tiers des paires passent, ce qui rappelle que la transposition d'une démonstration humaine vers un corps différent reste loin d'être automatique. Le point le plus solide concerne les refus : les 13 paires que les contrôles écartent sur preuves stockées mais qui ont été lancées malgré tout ont toutes échoué, dont 5 sur un robot dont le modèle public soude la main. À l'inverse, un simple fichier de description ne permet pas de présélectionner les robots, ses résultats étant à peine plus prévisibles que le hasard. Il faut toutefois rester prudent. Les auteurs précisent qu'aucune politique n'a encore été entraînée sur cet enregistrement, et la validation reste purement simulée. L'enregistrement décide de ce sur quoi un robot peut se post-entraîner, mais la question de savoir si la politique fonctionne sur le robot réel, le passage de la simulation au robot, est renvoyée à des travaux ultérieurs. Le système fonctionne sur une collection en croissance, dont l'étude n'analyse qu'un échantillon. Cette approche s'inscrit dans le mouvement des données de démonstration humaine à bas coût, face à la téléopération, plus coûteuse et liée à une plateforme. La suite logique sera d'entraîner des politiques sur ces enregistrements et de mesurer l'écart avec le matériel réel.

RecherchePaper

1 source