RecherchearXiv cs.RO 9 novembre 2026

CS-Pi : échantillonnage de politiques par flux sous contraintes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

CS-Pi, une méthode proposée dans l'étude arXiv 2611.08654, permet à une politique de robot de type flow-matching de respecter, au moment de l'inférence, une contrainte absente de ses démonstrations, comme éviter un obstacle jamais vu. Le procédé, appelé « draw-project-renoise », tire une action, la projette sur l'action sûre la plus proche, rajoute du bruit proportionnel à la distance parcourue par la projection, puis relance la politique inchangée jusqu'à obtenir un tirage sûr. Remplacer uniquement l'étape de projection étend la méthode aux coûts continus. Les auteurs l'évaluent sur un cas de diagnostic 2D, une tâche de pick-and-place sur étagère à 7 DOF, une préférence d'orientation et un déploiement zero-shot sur un Franka. Sur l'étagère, CS-Pi atteint 81 % de succès sûr contre 55 % pour la projection seule. Sur le matériel réel, il obtient 55 % contre 40 %, tout en restant plausible, c'est-à-dire proche de ce que la politique aurait produit.

L'enjeu est très concret pour les intégrateurs. Une politique apprise est entraînée sur des démonstrations qui ne couvrent jamais l'ensemble des contraintes d'un site : obstacle inattendu, zone interdite, consigne de sécurité ajoutée après coup. Réentraîner pour chaque cas est coûteux, et les méthodes actuelles se heurtent à un compromis. Le guidage par gradient, le plus courant, évalue son coût sur l'estimation moyenne de l'action propre ; quand la politique hésite entre passer à gauche ou à droite, cette moyenne tombe au milieu de l'obstacle. Le rejet garantit des actions plausibles mais devient impraticable quand les actions sûres sont rares. La projection est rapide mais peut produire des gestes que la politique n'aurait jamais choisis, d'où un échec de la tâche. CS-Pi suggère qu'on peut imposer des contraintes sans modifier les poids ni sacrifier le comportement appris. Les chiffres appellent toutefois de la prudence : 55 % de succès sûr sur robot réel reste loin d'un seuil industriel, et l'essai porte sur un seul bras, avec un nombre d'essais non précisé dans le résumé.

Ce travail s'inscrit dans l'essor des politiques VLA et de diffusion ou flow-matching, de la famille Pi-0 de Physical Intelligence à GR00T N2 de NVIDIA, dont la généralisation reste limitée par l'absence de garanties de sécurité à l'exécution. Les approches concurrentes combinent des filtres de sécurité externes, des fonctions de barrière de contrôle ou du guidage par gradient, souvent au prix de la fidélité à la politique. Il s'agit ici d'une préimpression, non évaluée par les pairs, sans produit ni pilote industriel annoncé. Les prochaines étapes naturelles seraient des tests sur davantage de plateformes, des contraintes dynamiques et un coût de calcul mesuré, car la boucle de re-tirage ajoute de la latence, un point que le résumé ne chiffre pas.

Dans nos dossiers

NVIDIA GR00T Physical Intelligence — π0 arXiv cs.RO

À lire aussi

1arXiv cs.RO

Contrôle par échantillonnage en temps réel sous contraintes strictes : l'approche MPPI avec contraintes de variété

Une équipe du RCI Lab publie MC-MPPI (Manifold-Constrained Model Predictive Path Integral), un framework de contrôle temps-réel déposé sur arXiv le 26 mai 2026 (arXiv:2605.24813). La méthode répond à une limitation structurelle du MPPI standard : l'impossibilité de garantir des contraintes d'égalité strictes (hard constraints) lors de tâches de manipulation en chaîne fermée. MC-MPPI sépare le problème en deux niveaux : une planification dans un espace latent de faible dimension, apprise par un VAE (Variational Autoencoder) qui encode la variété de contraintes, suivie d'une correction d'exécution par un contrôleur QP (Quadratic Programming) résolvant en un seul appel l'erreur résiduelle. Sur un système bi-bras à 14 degrés de liberté en chaîne fermée, le framework tourne à 100 Hz aussi bien en simulation qu'en conditions réelles, et surpasse significativement les méthodes de référence en précision de suivi de trajectoire. Le verrou adressé est structurel : les pénalités de coût douces du MPPI standard ne garantissent pas la faisabilité des trajectoires candidates, rendant la méthode inapplicable à la manipulation bimanuelle contrainte, aux systèmes à deux points de contact rigide, ou à toute chaîne cinématique fermée. MC-MPPI conserve le parallélisme massif qui rend MPPI attractif : le VAE génère des trajectoires quasi-faisables sans modification par échantillon, permettant une linéarisation précise des contraintes et réduisant la correction d'exécution à un QP résolu en un seul passage au lieu d'une projection itérative coûteuse. Pour un intégrateur ou un responsable technique industriel, cela ouvre MPPI à des tâches d'assemblage et de manipulation précise jusqu'ici réservées aux solveurs par optimisation itérative comme iLQR ou SQP. MPPI est une méthode de contrôle prédictif par échantillonnage stochastique, introduite par Williams et al. à Georgia Tech en 2016 et depuis adoptée en navigation robotique et pour les systèmes sous-actionnés. Les extensions contraintes existantes recourent à des projections itératives coûteuses ou à des reformulations variationnelles qui dégradent la fréquence de contrôle. MC-MPPI se distingue en apprenant la géométrie de contrainte hors-ligne via le VAE, limitant la charge en ligne au seul QP. Les approches concurrentes incluent les méthodes CBF-QP (Control Barrier Function), le MPC différentiable, et les planificateurs neuronaux pour la manipulation bimanuelle. L'équipe met à disposition vidéos et implémentation à rcilab.github.io/mcmppi ; des validations sur des configurations plus complexes ou des manipulateurs mobiles constitueraient des étapes naturelles.

RecherchePaper

1 source

2arXiv cs.RO

FLASH : politique visuomotrice efficace par échantillonnage parcimonieux

Des chercheurs ont publié le 21 mai 2026 sur arXiv (2605.15492) une nouvelle architecture de politique visuomotrice baptisée FLASH, pour Fast Legendre-polynomial Action policy via Sparse History-anchored flow. L'idée centrale est de remplacer la génération d'actions par débruitage itératif, caractéristique des politiques par diffusion et par flow matching, par une représentation continue de trajectoires en polynômes de Legendre. En ajustant des démonstrations expertes sous échantillonnage temporel clairsemé, FLASH couvre un horizon d'action étendu en une seule inférence. Le processus de flow matching est initialisé non pas depuis un bruit gaussien non informatif, mais depuis les coefficients polynomiaux de l'historique récent, ce qui réduit la distance de transport et rend possible l'inférence en un seul pas. Sur cinq tâches de manipulation simulées et deux tâches réelles, FLASH atteint un taux de succès supérieur ou égal à 92 % sur l'ensemble des scénarios, un temps d'inférence de 31,40 ms par épisode, une convergence à l'entraînement jusqu'à quatre fois plus rapide qu'ACT, et une réduction de l'erreur de suivi du contrôleur de 5x à 7x par rapport aux baselines à actions discrètes. Ces résultats s'attaquent directement au principal obstacle à la robotique temps réel avec des politiques génératives : la latence. Les politiques par diffusion (Diffusion Policy, Chi et al. 2023) pouvaient nécessiter des dizaines de passes de débruitage, rendant leur déploiement sur des robots à boucle de contrôle rapide difficile ou nécessitant des compromis matériels coûteux. Le gain annoncé, jusqu'à 175x plus rapide que les politiques par diffusion, 18x plus rapide que les implémentations précédentes de flow matching, est significatif si confirmé hors laboratoire. La dérivation analytique du polynôme fournit directement les signaux de feed-forward en vitesse au contrôleur de couple, sans approximation numérique : c'est un point concret pour les intégrateurs, car la qualité du suivi de trajectoire conditionne directement la reproductibilité industrielle. Il faudra toutefois nuancer : les benchmarks présentés portent sur des tâches de manipulation relativement standardisées, et les vidéos de démonstration n'ont pas encore été soumises à une évaluation indépendante. L'article s'inscrit dans une dynamique de recherche intense autour des politiques génératives pour la manipulation, initiée par Diffusion Policy (2023) et accélérée par des architectures comme ACT (Action Chunking with Transformers), $\pi0$ de Physical Intelligence, et les variantes de flow matching embarquées dans des systèmes comme GR00T N2 de NVIDIA ou Helix de Figure. FLASH est un travail académique publié sur preprint, pas un produit commercialisé ni un déploiement annoncé, et son positionnement face à $\pi0$ fast (qui visait déjà la réduction de latence via distillation) méritera comparaison directe. La prochaine étape naturelle sera une validation sur des manipulateurs industriels avec des charges utiles et des cycles répétitifs, conditions où les 31 ms d'inférence et la robustesse du suivi de trajectoire feront réellement la différence.

RechercheOpinion

1 source

3arXiv cs.RO

BayesFP : estimation a posteriori pour les politiques à base de flux via l'échantillonnage de Feynman-Kac

BayesFP est une méthode d'échantillonnage présentée sur arXiv (2606.21014, version 2) qui permet de contraindre des politiques robotiques génératives préentraînées, sans les réentraîner. Les auteurs traitent la génération de trajectoires sous contraintes comme un problème d'inférence bayésienne. La distribution apprise à partir des démonstrations d'experts joue le rôle d'a priori. Une vraisemblance dérivée d'une fonction de coût, définie uniquement au moment de l'inférence, la déforme vers des trajectoires faisables et optimales. Pour échantillonner cette loi a posteriori, l'équipe reprend le cadre des correcteurs de Feynman-Kac, conçu à l'origine pour les modèles de diffusion, et l'étend aux politiques de flow matching déterministes. Le résultat est un échantillonneur unique, valable pour les politiques de diffusion comme de flow. Il a été validé sur des checkpoints préentraînés de Diffusion Policy, de GR00T-N1.6 et de π0.5, en simulation et sur des tâches de manipulation réelles. Parmi ces tâches figure la planification autour d'obstacles non convexes introduits seulement à l'inférence. Les auteurs annoncent aussi des gains par rapport à π0.5 de base sur des tâches en zéro-shot. Le résumé ne donne ni taux de réussite, ni nombre d'essais, ni coût de calcul. L'enjeu est très concret pour les intégrateurs. Les politiques VLA (vision-langage-action) et de diffusion imitent bien les démonstrations, mais elles n'offrent aucun moyen propre d'imposer une règle de sécurité ou un nouvel obstacle absent des données d'entraînement. Aujourd'hui, on réentraîne, on ajuste finement, ou on ajoute un filtre de sécurité qui peut sortir la trajectoire de la distribution apprise. Une approche qui injecte un coût à l'exécution, sans toucher aux poids, ouvre la voie à des cellules reconfigurables sans nouvelle collecte de données. Le fait qu'elle fonctionne sur trois familles de modèles différentes est un argument en faveur de sa généralité. Il faut toutefois rester prudent. Le texte ne chiffre pas la latence ajoutée par l'échantillonnage, un point critique pour le contrôle temps réel. Il ne dit pas non plus si les expériences réelles couvrent des tâches variées ou quelques scénarios choisis. Ce travail s'inscrit dans un courant de recherche sur le guidage à l'inférence des modèles génératifs, déjà actif en génération d'images et de molécules, dont les correcteurs de Feynman-Kac sont issus. Les politiques de flow comme π0.5 (Physical Intelligence) et GR00T-N1.6 (NVIDIA) sont devenues des bases courantes, mais leur contrôle reste limité à la consigne en langage naturel. D'autres approches de guidage par gradient ou par classifieur existent, et la comparaison directe avec elles sera à surveiller dans la version complète. Les prochaines étapes probables sont un code public, des mesures de temps de cycle et un essai sur des tâches longues avec contraintes de sécurité réelles, par exemple en collaboration homme-robot.

RecherchePaper

1 source

4arXiv cs.RO

Accélérer l'apprentissage de politiques visuelles grâce au contrôle prédictif par échantillonnage

Une équipe de recherche a publié le 20 septembre 2026 sur arXiv (2609.20575) une méthode baptisée Sampling-Guided Policy Search (SGPS), destinée à l'apprentissage de politiques visuelles pour la locomotion et la manipulation de robots. Le système combine un contrôle prédictif par échantillonnage (sampling-based model-prédictive control) avec des gradients de politique de premier ordre (FoPG) issus de simulation différentiable, une technique reconnue pour réduire le coût de calcul mais sujette à converger vers des schémas de contact non désirés entre le robot et son environnement. La politique est d'abord initialisée par clonage de comportement à partir d'actions échantillonnées, puis l'entraînement alterne raffinement par échantillonnage et mises à jour FoPG à court horizon, sous états initiaux perturbés et dynamiques randomisées. Une formulation FoPG découplée exclut le rendu du graphe de calcul, ce qui permet d'apprendre directement à partir d'observations de profondeur (depth) sans passer par un professeur basé sur l'état complet du système. L'entraînement tient sur un seul GPU et couvre locomotion, franchissement d'obstacles, poussée de caisse et portage bimanuel, testés en simulation sur les robots quadrupèdes et humanoïdes Unitree Go2 et G1. La politique distillée a ensuite été transférée en zero-shot sur un Go2 réel, capable de trotter, ramper, franchir des haies et alterner entre ces comportements de façon autonome grâce à sa caméra de profondeur embarquée. Pour l'industrie robotique, ce travail répond à deux contraintes concrètes : le coût prohibitif en GPU et mémoire de l'apprentissage de politiques visuelles, et le fossé persistant entre simulation et réel pour les comportements de contact. En démontrant qu'une politique fondée uniquement sur la profondeur, entraînée sur un seul GPU, transfère sans réentraînement sur un robot physique, l'étude nuance l'idée reçue selon laquelle les politiques vision-langage-action à grande échelle nécessitent systématiquement des infrastructures massives ou un professeur privilégié à état complet. Cela intéresse directement les intégrateurs travaillant sur AMR et quadrupèdes à budget de calcul limité. Ce résultat s'inscrit dans la lignée des travaux combinant simulation différentiable (type Isaac Gym) et contrôle prédictif pour la locomotion de robots à pattes, un axe de recherche actif face aux approches par distillation professeur-élève à partir d'état privilégié. Il s'agit d'un preprint académique sans annonce de déploiement commercial ni de partenaire industriel ; les prochaines étapes attendues concernent l'extension à d'autres plateformes et tâches de manipulation bimanuelle.

RecherchePaper

1 source