💻 computer science

Adaptive Action Chunking at Inference-time for Vision-Language-Action Models

Cet article propose une stratégie d'empilement d'actions adaptative (AAC) pour les modèles Vision-Language-Action, qui ajuste dynamiquement la taille des chunks d'actions en fonction de l'entropie des prédictions afin de mieux équilibrer réactivité et cohérence, surpassant ainsi les méthodes à taille fixe sur diverses tâches de manipulation robotique.

Auteurs originaux : Yuanchang Liang, Xiaobo Wang, Kai Wang, Shuo Wang, Xiaojiang Peng, Haoyu Chen, David Kim Huat Chua, Prahlad Vadakkepat

Publié 2026-04-13

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Yuanchang Liang, Xiaobo Wang, Kai Wang, Shuo Wang, Xiaojiang Peng, Haoyu Chen, David Kim Huat Chua, Prahlad Vadakkepat

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous apprenez à un robot à cuisiner ou à ranger votre chambre. Pour qu'il bouge, vous devez lui donner des instructions. Mais il y a un problème : si vous lui donnez une instruction trop longue (comme "va jusqu'au frigo, ouvre-le, prends le lait, reviens"), il risque de se tromper en cours de route et de ne pas pouvoir s'adapter si quelque chose change (par exemple, si quelqu'un bouge le lait). Si vous lui donnez des instructions trop courtes (comme "avance d'un millimètre"), il va hésiter, trembler et perdre du temps.

C'est exactement le dilemme que résout cette nouvelle recherche sur les modèles d'intelligence artificielle pour les robots (appelés modèles "Vision-Language-Action").

Voici l'explication simple de leur solution, AAC (Action Chunking Adaptatif), en utilisant des métaphores du quotidien.

1. Le Problème : Le "Rythme" du Robot

Dans le passé, les robots utilisaient une règle fixe, comme un métronome.

Le rythme lent (Gros blocs) : Le robot planifie 16 mouvements d'un coup. C'est efficace pour aller vite, mais si un obstacle apparaît, il est trop "lourd" pour réagir vite. C'est comme conduire une voiture avec le regard fixé sur la route dans 100 mètres : si un enfant traverse, vous ne freinerez pas assez vite.
Le rythme rapide (Petits blocs) : Le robot ne planifie que 2 mouvements à la fois. Il est très réactif, mais il devient nerveux, il fait des mouvements saccadés et perd sa fluidité. C'est comme essayer de marcher en faisant des pas de deux centimètres : vous allez trébucher et vous épuiser.

Les chercheurs ont remarqué que un seul rythme ne convient pas à toutes les tâches. Parfois, il faut aller vite (transporter un objet), parfois il faut être très précis (visser un bouchon).

2. La Solution : Le "Feu Tricolore" Intelligents

Les auteurs proposent une méthode appelée AAC. Au lieu de choisir un rythme fixe, le robot apprend à changer de rythme en temps réel en écoutant son propre "sentiment d'incertitude".

Imaginez que le robot a un thermomètre de confiance (qu'ils appellent "entropie") :

Si le robot est sûr de lui (Thermomètre bas) : Il pense "Je connais ce mouvement, je vais bien". Alors, il se dit : "Je vais planifier un gros bloc de mouvements d'un coup pour aller vite !". C'est comme quand vous conduisez sur une autoroute vide : vous gardez le même cap longtemps.
Si le robot est inquiet (Thermomètre haut) : Il pense "Attends, je ne suis pas sûr de ce que je dois faire, c'est délicat". Alors, il se dit : "Je vais ne faire qu'un tout petit mouvement, regarder ce qui se passe, et décider de la suite". C'est comme quand vous traversez une rue bondée ou que vous essayez de poser une tasse de café sur une table instable : vous avancez doucement, pas à pas, pour éviter de renverser tout.

3. Comment ça marche en pratique ?

Le robot ne change pas sa programmation de base. Il utilise simplement une astuce mathématique pour mesurer son incertitude à chaque instant :

Il regarde la tâche (ex: "saisir une banane").
Il calcule son niveau de confiance.
Si la confiance est haute : Il exécute une longue série de mouvements (gros bloc).
Si la confiance est basse : Il exécute un petit mouvement, vérifie, et recommence (petit bloc).

C'est comme un chef cuisinier expérimenté :

Quand il coupe des légumes en dés, il le fait d'un coup sec et rapide (gros bloc).
Quand il doit dénoyauter une fraise fragile, il ralentit, ajuste son couteau millimètre par millimètre (petit bloc).

4. Les Résultats : Plus de succès, moins de chocs

Les chercheurs ont testé cette méthode sur des robots virtuels et de vrais robots dans des cuisines et des laboratoires.

Résultat : Le robot a réussi beaucoup plus de tâches (environ 15% de succès en plus dans le monde réel).
Pourquoi ? Parce qu'il est devenu plus fluide. Il ne s'arrête pas bêtement, mais il ne fonce pas non plus tête baissée.
Sécurité : Dans une expérience, un robot classique a heurté une table parce qu'il avait prévu un mouvement trop long et imprécis. Avec AAC, le robot a senti son incertitude, a réduit la taille de son mouvement, et s'est arrêté juste au bon moment sans rien casser.

En résumé

Cette recherche donne au robot un instinct de survie. Au lieu de suivre un script rigide, il apprend à dire : "Je suis sûr de moi, je vais vite !" ou "Je suis perdu, je vais y aller doucement et vérifier". Cela rend les robots plus intelligents, plus sûrs et capables de s'adapter à n'importe quelle situation, exactement comme le ferait un humain.

1. Problématique

Les modèles Vision-Language-Action (VLA) sont devenus essentiels pour améliorer les capacités de manipulation robotique en générant des actions de contrôle à partir de données multimodales (vision, langage, proprioception). Une technique clé dans ces modèles est le découpage des actions (action chunking), qui consiste à exécuter une séquence d'actions sans replanification intermédiaire. Cela permet de réduire les erreurs cumulatives.

Cependant, le choix de la taille du « chunk » (la séquence d'actions) pose un dilemme fondamental :

Une taille de chunk trop grande réduit la réactivité du modèle face aux nouvelles informations ou imprévus.
Une taille de chunk trop petite augmente la probabilité de « sauts de mode » (mode-jumping) et de comportements saccadés dus aux discontinuités entre les chunks.

Les approches actuelles (comme GR00T N1.5, $\pi_0$ , SmolVLA) utilisent une taille de chunk fixe déterminée empiriquement pour l'inférence. Cette approche est sous-optimale car la taille idéale varie selon la tâche (ex: déplacement grossier vs manipulation fine) et même au sein d'une même tâche selon les phases d'exécution. Les méthodes existantes d'adaptation (basées sur l'apprentissage par renforcement ou des fonctions de valeur manuelles) souffrent de problèmes de généralisation ou nécessitent des signaux de récompense spécifiques à la tâche, limitant leur applicabilité dans le monde réel.

2. Méthodologie : AAC (Adaptive Action Chunking)

Les auteurs proposent une stratégie novatrice appelée AAC, qui permet de déterminer dynamiquement la taille optimale du chunk uniquement au moment de l'inférence, sans nécessiter de réentraînement du modèle ni de modifications architecturales.

Principe Central : L'Entropie de l'Action

L'idée maîtresse est d'utiliser l'entropie de l'action comme indicateur d'incertitude du modèle :

Faible entropie : Le modèle est confiant dans ses prédictions. Il est alors avantageux d'exécuter un chunk plus long pour améliorer la cohérence temporelle et l'efficacité de l'inférence.
Haute entropie : Le modèle est incertain (prédictions de mauvaise qualité). Il faut alors exécuter un chunk plus court et replanifier plus fréquemment pour réagir aux changements de l'environnement.

Algorithme Détaillé

Calcul de l'entropie : Pour chaque pas de temps, le modèle génère plusieurs candidats de chunks d'actions en parallèle. L'entropie est calculée séparément pour les contrôles continus (translations, rotations) via l'entropie différentielle gaussienne, et pour les contrôles discrets (ex: pince) via la formule de Shannon.
Moyenne et Différence : On calcule l'entropie moyenne $\overline{E}_h$ pour différentes tailles de chunks $h$ .
Sélection du Chunk Optimal ( $h^*$ ) : La taille optimale est déterminée en trouvant le point de différence maximale de l'entropie moyenne entre deux tailles consécutives ( $\overline{E}_{h+1} - \overline{E}_h$ ), tout en respectant une taille minimale $\xi$ pour garantir une cohérence temporelle de base.
$h^* = \max(\arg\max_h(\overline{E}_{h+1}-\overline{E}_h), \xi)$
Exécution : Seuls les $h^*$ premiers actions du chunk sont exécutés avant la prochaine inférence.

3. Contributions Clés

Analyse de l'importance de l'adaptation : Mise en évidence du fait que la taille fixe des chunks est un goulot d'étranglement pour les modèles VLA basés sur la diffusion, et que l'adaptation au moment de l'inférence est cruciale.
Proposition de l'algorithme AAC : Une méthode simple et efficace qui utilise l'entropie de l'action comme signal pour ajuster dynamiquement la granularité de l'exécution.
Généralisabilité et Efficacité : La méthode ne nécessite aucun entraînement supplémentaire et fonctionne avec n'importe quel modèle VLA possédant une tête d'action basée sur la diffusion (comme GR00T N1.5 ou $\pi_0$ ).
Validation exhaustive : Démonstration de la supériorité de l'approche sur une large gamme de tâches, allant des benchmarks simulés aux applications robotiques réelles.

4. Résultats Expérimentaux

Benchmarks Simulés (RoboCasa et LIBERO)

RoboCasa (24 tâches de cuisine) : AAC améliore le taux de réussite moyen de 2,3 % par rapport à la version de base (GR00T avec chunk fixe de 16). Les gains sont particulièrement notables sur les tâches de rotation (ex: tourner un robinet), passant de 57,6 % à 61,4 %, grâce à un contrôle plus fin lors des phases critiques.
LIBERO : AAC atteint un taux de réussite moyen de 95,0 % contre 94,1 % pour la base. Sur la suite la plus difficile (LIBERO-Long, tâches à long horizon), le gain est de 4 %.
Comparaison avec tailles fixes : Les résultats montrent qu'aucune taille fixe (2, 4, 8, 12, 16) n'est optimale pour toutes les tâches ou toutes les phases d'une tâche. AAC surpasse systématiquement toutes les configurations fixes.

Expériences Réelles (Robotique Physique)

Des tests ont été menés sur un bras robotique Realman avec trois tâches :

Prise et pose d'une banane.
Appui sur un bouton d'urgence (tâche nécessitant une haute précision et généralisation à des positions non vues).
Tâche à long horizon (prendre un jouet, le mettre dans un tiroir, fermer le tiroir).

Résultats : AAC améliore le taux de réussite moyen de 15 % (passant de 67,0 % à 82,0 %).

Précision et Sécurité : Contrairement à la version de base qui entre souvent en collision avec la table lors des phases d'approche (prédictions de mauvaise qualité), AAC détecte l'incertitude (haute entropie), réduit la taille du chunk, et permet au robot de s'arrêter ou de corriger sa trajectoire de manière fluide, évitant ainsi les collisions.

Efficacité Computationnelle

Bien que le calcul de l'entropie nécessite plusieurs échantillons (par défaut 20), le coût est négligeable grâce au calcul parallèle par lots (batching). Le délai d'inférence n'augmente que d'environ 20 ms sur un GPU A800, ce qui est acceptable pour la plupart des applications robotiques.

5. Signification et Conclusion

Ce travail démontre que l'adaptation dynamique de la granularité d'exécution est essentielle pour débloquer le plein potentiel des modèles VLA. En imitant l'intuition humaine (de grands mouvements lors du transport, des mouvements fins lors de la manipulation), AAC offre un compromis optimal entre réactivité (capacité à réagir aux imprévus) et cohérence (fluidité du mouvement).

La méthode est particulièrement significative car elle est agnostique au modèle (fonctionne sur différentes architectures) et déployable sans réentraînement, ce qui la rend immédiatement applicable pour améliorer la robustesse et la sécurité des robots dans des environnements réels et non structurés.