RecherchearXiv cs.RO 5 novembre 2026

ReactWorld : structurer les réponses d'interaction pour la génération vidéo incarnée

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

ReactWorld est un modèle de génération vidéo incarnée (embodied vidéo génération) décrit dans un preprint arXiv (2611.06120). Il vise à améliorer la façon dont les modèles du monde vidéo prédisent les conséquences des actions d'un robot sur la scène. Le constat de départ: ces modèles produisent souvent des réactions d'objets incohérentes avec l'intention de la tâche et la dynamique de contact. Les auteurs observent que les réponses critiques se concentrent dans des zones locales et des intervalles de temps précis. S'inspirant du raisonnement en chaîne de pensée, ils ajoutent donc une étape d'anticipation structurée avant la génération. Dans l'espace de caractéristiques du backbone, un prédicteur de « champ de réponse d'interaction » décrit les rôles des participants, l'intensité future de la réponse en mouvement et les changements de mouvement locaux. Un adaptateur de retour de réponse calcule ensuite un incrément sur les caractéristiques de l'objet, à partir de la différence entre les sorties de la branche objet avec et sans dynamique locale prédite (entrée mise à zéro). Il convertit aussi les déplacements prédits en biais de position pour l'attention temporelle, ce qui guide la mise à jour des caractéristiques d'objet et la récupération d'information entre images.

Sur le plan des résultats, ReactWorld obtient 77,51 en moyenne sur RBench, soit 3,29 points de plus que PhysisForcing, avec des gains dans les neuf catégories du benchmark. Sur EZS-Bench, il atteint un score de domaine de 86,98 et une moyenne de 81,87. Il s'agit de résultats de recherche sur benchmarks, sans déploiement robotique ni produit annoncé. L'abstract ne précise ni la taille du modèle, ni le coût de calcul, ni la validation sur robot réel.

L'intérêt pour l'industrie tient à la nature du problème visé. Les modèles du monde vidéo servent de plus en plus de simulateurs appris pour évaluer des politiques robotiques, générer des données synthétiques ou planifier, et leur faiblesse reste la physique de contact: un objet qui ne bouge pas comme il le devrait rend la simulation inutilisable pour entraîner ou tester une politique manipulatrice. Structurer explicitement où et quand l'interaction se produit est une piste crédible pour réduire cet écart entre vidéo plausible et dynamique fidèle. Un gain moyen de 3,29 points reste toutefois modeste et dépend de la validité des benchmarks: un score vidéo élevé ne garantit pas une prédiction physique exploitable pour la commande. Pour les intégrateurs et décideurs, cela confirme que les simulateurs génératifs progressent, mais qu'ils ne remplacent pas encore la validation sur matériel.

Ce travail s'inscrit dans la course aux modèles du monde incarnés, où la comparaison avec PhysisForcing sert de référence directe. Il s'ajoute à une série de méthodes qui injectent des a priori physiques ou structurels dans des backbones de diffusion vidéo, plutôt que de seulement augmenter l'échelle des données. Les prochaines étapes à surveiller sont la publication du code et des poids, la reproduction indépendante des scores, et surtout un test en boucle fermée: utiliser ReactWorld pour évaluer ou entraîner des politiques de manipulation et mesurer la corrélation avec les performances réelles sur robot.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

IA incarnée : représentations polynomiales pour le contrôle moteur structuré par l'interaction

Des chercheurs présentent PRISM (Polynomial Representations for Interaction-Structured Motor Control), une nouvelle architecture pour les politiques de contrôle robotique, décrite dans un preprint arXiv publié fin juillet 2026. Le constat de départ : la quasi-totalité des politiques robotiques reposent aujourd'hui sur des MLP (perceptrons multicouches) qui associent observations et actions de façon linéaire couche par couche, alors que des phénomènes physiques clés (puissance, effets inertiels, contact, glissement, compliance) dépendent en réalité de produits entre variables observées, pas de leur simple somme pondérée. PRISM introduit un module polynomial factorisé qui expose ces interactions d'ordre supérieur sans énumérer tous les termes polynomiaux possibles, ce qui le rend compact et entraînable de bout en bout. En apprentissage par renforcement, le module s'ajoute après un backbone MLP standard via une fonction polynomiale élément par élément activée progressivement ; en apprentissage par imitation, il remplace le conditionnement proprioceptif linéaire de Diffusion Policy par une couche polynomiale. Sur des tâches de locomotion humanoïde et de manipulation à contacts riches, PRISM surpasse les MLP classiques, y compris des MLP plus larges à capacité équivalente, et produit un comportement compliant sans capteur de force, de couple, tactile, ni étiquette de contact ou contrôle en admittance. Pour l'industrie robotique, le résultat central est que la structure des interactions ne se remplace pas simplement par davantage de paramètres, un argument qui s'oppose à la tendance actuelle consistant à gonfler la taille des modèles VLA (Pi-0, GR00T N2, Helix) pour gagner en performance. La compliance sans capteur intéresse particulièrement les intégrateurs, car elle réduit le coût et la complexité du câblage tactile sur les mains et pinces. PRISM se positionne comme une brique architecturale plutôt qu'un produit : c'est un preprint non encore relu par les pairs, testé en simulation sur des benchmarks académiques, avec code et vidéos disponibles sur la page du projet. La comparaison directe avec Diffusion Policy, référence largement utilisée en apprentissage par imitation, suggère une piste d'intégration dans les têtes d'action des futurs modèles VLA plutôt qu'un remplacement complet des architectures existantes.

RecherchePaper

1 source

2arXiv cs.RO

RoboJudge : des modèles de langage multimodaux comme juges pour la génération de vidéos d'IA incarnée

Des chercheurs proposent RoboJudge, un cadre destiné à évaluer la capacité des modèles de langage multimodaux (MLLM) à juger des vidéos générées pour la robotique. Son banc d'essai, RoboJudge-Bench, regroupe 800 vidéos annotées par des humains. Elles proviennent de 8 corpus sources et de 10 générateurs vidéo, et couvrent des pinces, des mains humaines et des mains dextres. Deux critères sont notés : l'adhérence physique (la scène respecte-t-elle les lois de la physique ?) et l'alignement avec l'instruction (la vidéo exécute-t-elle bien la tâche demandée ?). Les auteurs constatent un accord inégal entre juges automatiques et humains. Les MLLM généralistes s'accordent moins bien avec les humains sur la physique. Les juges vidéo spécialisés, conçus pour le raisonnement physique en domaine général, ne se transfèrent pas de façon constante aux scènes incarnées. L'équipe a ensuite construit RoboJudge-Train : 12 000 vidéos, 25 000 scores vérifiés par des humains et des justifications produites avec l'aide d'un modèle. Un MLLM de 9 milliards de paramètres a été affiné par apprentissage supervisé puis par apprentissage par renforcement, ce qui donne RoboJudge-9B. Ce modèle atteint la meilleure corrélation de Pearson du banc d'essai, 0,719. Il devance de 0,089 points, un écart statistiquement significatif, Gemini-3.7-Flash, le meilleur modèle propriétaire testé. Les modèles de monde fondés sur la génération vidéo sont de plus en plus présentés comme une base pour la simulation et l'entraînement de politiques robotiques. Cela suppose de pouvoir dire si une trajectoire générée est utilisable, c'est-à-dire sans objets qui traversent la pince ni contacts irréalistes, et fidèle à la consigne. Or l'évaluation à grande échelle repose de plus en plus sur des MLLM utilisés comme arbitres, sans que leur fiabilité ait été mesurée sur des vidéos de manipulation. Ce travail indique que ce choix est risqué : le classement de générateurs vidéo par un juge généraliste peut être biaisé justement sur la physique, critère le plus important pour les robots. Un juge de 9 milliards de paramètres, spécialisé, peut surpasser un modèle propriétaire. Il est donc réaliste de l'exécuter localement, à faible coût et de façon reproductible. Il faut toutefois relativiser : une corrélation de 0,719 reste loin d'un accord parfait avec les humains. Le benchmark est modeste, avec 800 vidéos, et les résultats n'ont pas été validés sur des tâches de robotique en conditions réelles. Ce travail s'inscrit dans la lignée des benchmarks de physique vidéo comme VideoPhy2 et Physion-Eval, sur lesquels l'entraînement avec RoboJudge-Train apporte aussi des gains selon les auteurs. Il répond à la multiplication des modèles de monde incarnés et des générateurs vidéo orientés manipulation, dont l'évaluation reste surtout visuelle ou subjective. Les auteurs utilisent RoboJudge-9B pour classer des générateurs vidéo selon les deux critères, mais le résumé ne détaille ni les résultats ni la disponibilité publique des données et du modèle. La suite logique serait d'intégrer ce type de juge dans les boucles de génération de données synthétiques et de filtrage de rollouts, puis de vérifier si les scores prédisent réellement la réussite de politiques entraînées sur ces vidéos.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Exploration vision-langage guidée par plan d'étage pour la réponse à des questions incarnée

Des chercheurs présentent HFLEX-EQA, un nouveau framework pour l'Embodied Question Answering (EQA), publié sur arXiv (référence 2609.26360v1) en septembre 2026. L'EQA désigne la tâche où un robot doit explorer un environnement inconnu, collecter les informations pertinentes, puis répondre à des questions sur ce qu'il a observé. Le système combine quatre briques : une construction en ligne de graphe de scène hiérarchique, une planification pilotée par un modèle vision-langage (VLM), une exploration par frontières sémantiques, et des a priori de plan d'étage. À partir de flux RGB-D, HFLEX-EQA construit incrémentalement à la fois un graphe de scène hiérarchique et une carte d'occupation à vocabulaire ouvert, ce qui permet au VLM de raisonner conjointement sur la structure de la scène, les observations visuelles utiles à la tâche, l'historique d'exploration et un plan d'étage topologique estimé. Une stratégie de découverte de pièces exploite ce plan d'étage combiné à la sémantique des frontières non explorées pour orienter le robot vers les types de pièces les plus susceptibles de contenir la réponse. Le système a été évalué sur les benchmarks OpenEQA et ExploreEQA, et testé en conditions réelles sur un robot quadrupède en environnement intérieur. L'apport principal tient à l'ajout d'un a priori structurel global, le plan d'étage, là où la plupart des approches récentes couplant VLM et cartes ou graphes sémantiques ne s'appuient que sur les observations locales pour décider où explorer ensuite. Pour les équipes travaillant sur la navigation sémantique et la compréhension de scène en robotique de service, industrielle ou d'inspection, ce travail illustre une tendance de fond : le raisonnement spatial des VLM progresse quand on lui injecte une connaissance structurelle du bâtiment plutôt que de le laisser réagir image par image. Le déploiement réel sur quadrupède, au-delà de la simulation, va dans le sens d'une réduction de l'écart entre benchmarks académiques et comportement embarqué, sans pour autant constituer une preuve de robustesse à grande échelle : il s'agit d'une validation de recherche, pas d'un produit commercialisé. Le papier s'inscrit dans la lignée des approches EQA récentes combinant VLM et représentations sémantiques de l'environnement, dont il pointe la limite commune : l'absence d'exploitation des a priori structurels du bâtiment. Ses résultats sont comparés directement aux méthodes existantes sur OpenEQA et ExploreEQA, deux benchmarks de référence du domaine. Aucune date de mise en production, partenariat industriel ou déploiement à plus grande échelle n'est annoncé à ce stade ; il s'agit d'une contribution méthodologique destinée à la communauté de recherche en robotique embarquée et en IA multimodale.

RecherchePaper

1 source

4arXiv cs.RO

AGILE : reconstruction des interactions main-objet à partir de vidéo par génération à base d'agents

Une équipe de chercheurs a présenté AGILE (arXiv:2602.04672v3), un framework de reconstruction d'interactions dynamiques main-objet à partir de vidéos monoculaires, ciblant deux applications majeures : la collecte de données pour la manipulation dextère en robotique et la création de jumeaux numériques pour la simulation et la réalité virtuelle. La méthode s'attaque à deux verrous techniques qui paralysent les approches existantes : d'une part, le rendu neuronal classique produit sous forte occultation des géométries fragmentées, inutilisables directement en simulation physique ; d'autre part, l'initialisation par Structure-from-Motion (SfM) est notoriellement fragile sur des vidéos captées en conditions réelles. AGILE bascule du paradigme de reconstruction vers ce que les auteurs appellent une "génération agentique" : un Vision-Language Model (VLM) pilote un modèle génératif pour synthétiser un mesh objet complet, fermé (watertight) et texturé haute fidélité, sans dépendre du contenu vidéo occulté. Une stratégie dite "anchor-and-track" initialise la pose de l'objet sur une unique frame d'interaction via un modèle fondation, puis propage cette pose temporellement en exploitant la similarité visuelle entre l'asset généré et les frames vidéo. Une optimisation finale dite contact-aware intègre des contraintes sémantiques, géométriques et de stabilité d'interaction pour garantir la plausibilité physique. Sur les benchmarks HO3D, DexYCB et ARCTIC, AGILE surpasse les baselines en précision géométrique globale. L'intérêt industriel de cette approche réside dans la production d'assets directement exploitables en simulation, une propriété validée par les auteurs via du retargeting real-to-sim pour des applications robotiques. C'est précisément le point de friction qui freinait l'adoption des pipelines de reconstruction vidéo dans les boucles d'entraînement de politiques de manipulation : les meshes obtenus par NeRF ou reconstruction multi-vues classique nécessitaient un travail de remaillage manuel avant d'être injectables dans un moteur physique comme MuJoCo ou Isaac Sim. En contournant le SfM, AGILE devient également utilisable sur des données de terrain non contrôlées, ce qui ouvre la voie à la collecte passive de démos humaines à grande échelle, un prérequis pour les approches VLA (Vision-Language-Action) qui peinent encore à obtenir suffisamment de trajectoires dextères annotées. Le problème de la reconstruction main-objet est étudié depuis plusieurs années, avec des datasets de référence comme HO-3D (2020) et DexYCB (2021), et des méthodes basées sur les modèles paramétriques MANO pour la main. L'originalité d'AGILE est de déporter la reconstruction de l'objet vers une génération guidée, plutôt que de l'estimer directement depuis le signal vidéo dégradé. Les concurrents directs sont les méthodes NeRF-based adaptées aux scènes dynamiques (D-NeRF, HO-NeRF) et les pipelines SfM+MVS classiques, tous sensibles aux occultations. Du côté des acteurs industriels, cette direction intéresse directement les équipes travaillant sur la télé-opération et l'imitation learning pour bras robotiques dextères, notamment chez Dexterous Robotics, Physical Intelligence (Pi) ou les labos académiques proches de Figure et Apptronik. Le projet dispose d'une page dédiée (agile-hoi.github.io) ; aucun code ni dataset supplémentaire n'est annoncé à ce stade.

RecherchePaper

1 source