Illustration générée par IASélection adaptative de l'horizon d'action grâce à l'incertitude du champ de flux
Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie
Une équipe de chercheurs publie sur arXiv (2611.24178) une méthode baptisée DUAC, pour Divergence-based Uncertainty-aware Adaptive Action Chunking, qui vise à ajuster dynamiquement le nombre d'actions exécutées par un modèle vision-langage-action (VLA) avant de replanifier. Le principe est « post-hoc » : DUAC s'applique à un VLA préentraîné à flow matching, sans réentraînement. Il extrait l'incertitude directement du champ de vecteurs du modèle, à partir d'une formulation en forme close de la covariance a posteriori du flow, et calcule des scores d'incertitude par action grâce à des produits Jacobien-vecteur. Un seul chunk d'actions généré suffit, là où l'approche de référence, l'Adaptive Action Chunking (AAC), estime l'entropie des actions à partir de plusieurs chunks échantillonnés. Les auteurs l'évaluent sur LIBERO, LIBERO-Pro, LIBERO-Plus et RoboCasa, et affirment que la sélection d'horizon fondée sur DUAC se compare favorablement aux méthodes testées, avec un bon taux de réussite et une latence d'estimation faible. Le résumé ne chiffre toutefois ni gains ni temps de calcul.
L'enjeu est très concret pour qui déploie des VLA sur des robots réels : le chunking d'actions, c'est-à-dire l'exécution en boucle ouverte de séquences prédites, est un levier central de fluidité, mais un chunk trop long dégrade la réactivité et un chunk trop court multiplie les appels au modèle, coûteux en calcul embarqué. Remplacer un échantillonnage multiple par une seule passe avec produits Jacobien-vecteur réduit le surcoût d'inférence de l'estimation d'incertitude, ce qui compte pour les budgets de latence sur robot. Autre point notable : DUAC et AAC sont fortement corrélés mais ne mesurent pas la même chose. AAC capte la dispersion globale entre stratégies possibles, alors que DUAC mesure l'incertitude locale autour de la trajectoire effectivement retenue. Un robot n'a donc pas à ralentir ou à replanifier simplement parce qu'il existe plusieurs façons valides de saisir un objet, ce qui évite une prudence excessive. Il faut cependant garder la prudence côté lecture : ces benchmarks sont en simulation, et rien ne prouve encore que le gain se transpose à des tâches réelles bruitées.
Ce travail s'inscrit dans la montée des politiques génératives à flow matching et à diffusion, popularisées par des modèles comme Pi-0, et dans la recherche de mécanismes d'exécution adaptative pour les remplacer par des horizons fixes. AAC constituait jusqu'ici la référence côté estimation d'incertitude par entropie, et DUAC se positionne comme une alternative plus légère. Les benchmarks LIBERO-Pro et LIBERO-Plus, qui testent la robustesse à des perturbations, indiquent que la communauté cherche à dépasser les scores saturés du LIBERO d'origine. La suite logique serait une validation sur matériel réel, avec des VLA de grande taille et des contraintes de temps réel strictes, ainsi qu'une comparaison chiffrée de la latence face à AAC. À ce stade, il s'agit d'une prépublication non évaluée par les pairs, sans produit ni déploiement associé.
Dans nos dossiers




