💻 computer science

SUREFlow: State-space Uncertainty-aware REsidual Flow Matching for Robust Robot Manipulation

SUREFlow est un cadre de correspondance de flux résiduel conscient de l'incertitude et à espace d'états, construit sur une architecture Mamba, qui prédit conjointement les vitesses d'action et l'incertitude dépendante de l'entrée pour permettre un raffinement sélectif des actions peu fiables, atteignant ainsi une performance de manipulation robotique robuste comparable aux grands modèles vision-langage-action tout en utilisant nettement moins de paramètres.

Auteurs originaux : Md Tanvir Islam, Sai Navaneet Peddapalli, Sangmoon Lee, Sangtae Ahn

Publié 2026-07-14

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Md Tanvir Islam, Sai Navaneet Peddapalli, Sangmoon Lee, Sangtae Ahn

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 appreniez à un robot à jongler, mais qu'au lieu de lancer des balles, il doive bouger son bras pour ramasser des gobelets et les empiler. La plupart des cerveaux de robots actuels fonctionnent comme un étudiant qui mémorise un chemin unique pour arriver à la réponse. Si l'étudiant trébuche sur un petit caillou (un peu de bruit ou une position de départ inhabituelle), il panique, trébuche, et tout le numéro de jonglage s'effondre. C'est parce que leurs petites erreurs de prédiction de vitesse s'accumulent, comme une boule de neige qui dévale une colline, jusqu'à ce que le robot fasse quelque chose de complètement erroné à la fin de la tâche.

Entrez en scène SUREFlow, un nouveau cerveau de robot qui agit moins comme un mémorisateur et plus comme un navigateur prudent et capable de s'auto-vérifier.

Le Problème : L'effet « Boule de Neige »

L'article soutient que les politiques de robots actuelles, en particulier celles qui utilisent des méthodes « génératives » sophistiquées (comme la diffusion ou le flow matching), supposent souvent que leurs erreurs sont de la même taille partout. C'est comme un conducteur qui pense qu'il est aussi susceptible de rater un virage de un centimètre ou d'un kilomètre. En réalité, certaines parties d'une tâche sont délicates et incertaines, tandis que d'autres sont faciles. Lorsque ces robots exécutent de longues séquences de mouvements sans vérifier leur travail, ces petites erreurs de vitesse s'accumulent, menant à un crash. Les auteurs excluent explicitement l'idée que le simple fait de rendre le cerveau du robot plus gros (en utilisant des modèles massifs de « milliards de paramètres ») soit la seule façon de résoudre ce problème ; ils démontrent qu'un cerveau plus petit et plus intelligent peut faire tout aussi bien.

La Solution : Un GPS « Auto-Correcteur »

Les auteurs proposent SUREFlow, qui signifie State-space Uncertainty-aware REsidual Flow Matching. C'est un nom barbare, alors décortiquons-le avec une analogie.

Imaginez que le robot conduise une voiture sur une route embrumée.

L'architecture Mamba : Au lieu d'utiliser un moteur géant et lourd (comme un énorme modèle Transformer qui met un temps infini à calculer), SUREFlow utilise un moteur léger et efficace appelé Mamba. C'est comme une voiture de sport agile qui peut parcourir de longues distances sans se fatiguer.
Le Flow Matching : Le robot ne se contente pas de deviner la destination finale. Il apprend un « champ de vitesse », qui est comme une carte des courants de vent qui pousse un bateau d'un point de départ (un bruit aléatoire) vers la ligne d'arrivée (l'action correcte).
La Recette Secrète (SURE) : Voici la magie. SUREFlow ne se contente pas de pousser le bateau ; il transporte également un détecteur d'incertitude. Il demande constamment : « À quel point suis-je sûr de cette partie spécifique du mouvement ? »
- Si le robot est confiant (faible incertitude), il continue sa route.
- S'il est hésitant (incertitude élevée), il freine et effectue une correction minuscule et précise avant même de bouger le bras.

C'est ce qu'on appelle l'Uncertainty-aware Residual Flow (URFlow). C'est comme un copilote qui chuchote : « Hé, ce virage semble glissant, ajustons le volant juste un tout petit peu », sans avoir besoin de demander l'aide de l'humain. Cela se passe entièrement à l'intérieur du cerveau du robot, sans qu'il ait besoin de toucher le monde réel pour vérifier s'il a raison.

Les Résultats : Un Petit Cerveau, de Grandes Victoires

Les chercheurs ont testé cela dans un monde virtuel appelé LIBERO et Meta-World.

Le Score : SUREFlow a atteint un taux de réussite de 92,5 % sur les tests LIBERO. C'est un bond énorme, battant le meilleur robot basé sur Mamba précédent (MaIL) de 34,2 %.
La Taille : Le meilleur moment ? SUREFlow ne possède que 179 millions de paramètres. Pour mettre cela en perspective, d'autres robots de pointe (comme OpenVLA) ont besoin de 3 à 7 milliards de paramètres pour obtenir des résultats similaires. SUREFlow est comme une voiture compacte qui obtient la même consommation qu'un énorme camion.
Le Monde Réel : Ils l'ont également testé sur un bras robotique réel (un Franka Emika) avec une caméra. Le robot devait ramasser des gobelets de couleurs spécifiques et les empiler. SUREFlow a réussi 88,5 % du temps, prouvant qu'il ne s'agit pas seulement d'un tour de magie en vidéo de jeu.

Ce qu'ils n'ont PAS fait (et pourquoi c'est important)

L'article est très prudent sur ce qu'il ne prétend pas.

Il ne prétend pas que les modèles plus grands sont inutiles ; il montre simplement que pour ce type de tâche longue et complexe, être « conscient de l'incertitude » est plus important que d'être simplement « gros ».
Il ne dit pas que le robot est parfait. Les taux de réussite (comme 49 % sur le test plus difficile LIBERO-PRO) montrent qu'il reste de la marge de progression, mais c'est une étape majeure pour un modèle aussi petit.
Il argumente explicitement contre l'idée qu'il faille s'appuyer sur des architectures massives et coûteuses pour obtenir des performances robustes. Ils ont montré qu'un modèle léger doté d'un mécanisme d'« auto-vérification » peut surpasser les géants.

Ce qu'il faut retenir

En termes simples, SUREFlow apprend aux robots à être humbles. Au lieu de faire aveuglément confiance à chaque mouvement, il apprend à repérer les mouvements dont il n'est pas sûr et à les corriger instantanément. Cela empêche la « boule de neige » d'erreurs de grossir, permettant au robot de réaliser des tâches longues et complexes de manière fiable, même avec un cerveau beaucoup plus petit et plus rapide que ses concurrents. Les auteurs suggèrent que cette approche pourrait être la clé pour créer des robots qui ne se contentent pas de fonctionner dans des laboratoires parfaits, mais qui peuvent gérer le monde réel, désordonné et imprévisible.

Résumé Technique : SUREFlow

Énoncé du Problème

Les politiques de vision-langage-action (VLA) génératives ont fait progresser la manipulation robotique, mais elles présentent fréquemment une instabilité face au bruit, à l'observabilité partielle et aux conditions initiales stochastiques. Un mode de défaillance critique survient lors d'exécutions prolongées : de petites erreurs de vitesse s'accumulent, dégradant la fiabilité de l'exécution. Les politiques de diffusion et de flux existantes supposent généralement des résidus homoscédastiques (incertitude uniforme) et manquent de mécanismes explicites pour modéliser ou corriger l'incertitude lors de la génération d'actions. De plus, de nombreuses approches performantes reposent sur de larges architectures Transformer à complexité computationnelle quadratique ou sur des étapes d'échantillonnage itératives qui engendrent des coûts élevés. Bien que les modèles d'espace d'états comme Mamba offrent une modélisation efficace en temps linéaire, leur application au contrôle robotique génératif reste limitée, particulièrement concernant l'intégration du raffinement sensible à l'incertitude pour stabiliser l'exécution à long terme.

Méthodologie : SUREFlow

Les auteurs proposent SUREFlow (State-space Uncertainty-aware REsidual Flow), un cadre qui unifie le conditional flow matching avec un raffinement résiduel sensible à l'incertitude au sein d'un squelette basé sur Mamba.

Architecture Centrale

Squelette & Conditionnement : Le modèle utilise un squelette d'espace d'états Mamba pour une modélisation temporelle efficace à longue portée. Des entrées multimodales (images RGB multi-vues, états proprioceptifs du robot et plongements de tâches en langage naturel) sont encodées en une séquence de jetons unifiée.
- Modulation par Flux Conditionné (FCM) : Un mécanisme qui injecte directement des plongements de temps de flux continus dans les représentations de caractéristiques intermédiaires via une modulation affine, permettant au réseau d'adapter le comportement le long du chemin de probabilité de l'état de bruit vers les actions expertes sans modifier la structure des jetons.
- Décodeur d'Action Guidé par la Mémoire (MGAD) : Un module léger qui traite le jeton d'action comme une requête apprenable, lui permettant d'être attentif aux représentations de mémoire multimodales (visuelles, proprioceptives et de tâches) pour améliorer le conditionnement temporel et le raffinement structuré de l'action.
Flux Résiduel Sensible à l'Incertitude (URFlow) :
- Au lieu de régresser directement les actions, la politique apprend un champ de vitesse dépendant du temps qui transporte un a priori gaussien vers la distribution d'action experte.
- Crucialement, SUREFlow modélise l'écart entre la vitesse prédite et la vitesse cible analytique comme un flux résiduel.
- Le cadre prédit conjointement la vitesse de l'action ( $\hat{v}_t$ ) et une estimation de l'incertitude dépendante de l'entrée ( $\hat{s}_t$ , représentant la log-variance). Cette formulation traite le résidu comme étant hétéroscédastique, reconnaissant que l'incertitude varie selon les dimensions de l'action et les contextes.
Raffinement au Moment de l'Inférence :
- Lors de l'inférence, la politique effectue une procédure de raffinement déterministe guidée par l'incertitude prédite.
- À $t=0$ , le modèle évalue l'incertitude prédite pour chaque dimension d'action. Les dimensions dépassant un seuil prédéfini ( $\tau$ ) sont identifiées comme peu fiables.
- Ces dimensions spécifiques sont raffinées sélectivement en utilisant la vitesse prédite via une mise à jour en boucle fermée ( $a_i \leftarrow a_i - \eta \hat{v}_{0,i}$ ) sans nécessiter de retour externe de l'environnement. Cela atténue l'accumulation d'erreurs lors de l'intégration du flux itérative.

Contributions Clés

Flux Résiduel Sensible à l'Incertitude (URFlow) : L'introduction d'un cadre de raffinement au sein du conditional flow matching qui apprend la variance de la vitesse dépendante de l'entrée. Cela permet la correction sélective des dimensions d'action peu fiables avec un surcoût computationnel négligeable, stabilisant l'intégration du flux itérative.
Décodeur d'Action Guidé par la Mémoire (MGAD) : Un décodeur léger qui ré-oriente les requêtes d'action apprenables vers la mémoire multimodale, améliorant le conditionnement temporel et la robustesse dans la synthèse d'actions génératives.
Politique Générative d'Espace d'États Efficace : La première intégration du raffinement résiduel sensible à l'incertitude au sein d'une politique de flux générative à espace d'états. SUREFlow atteint un contrôle génératif évolutif et efficace avec seulement 179 millions de paramètres, évitant le recours à des squelettes de plusieurs milliards de paramètres tout en unifiant le conditional flow matching avec URFlow et MGAD.

Résultats Expérimentaux

Les auteurs ont évalué SUREFlow sur les benchmarks LIBERO, Meta-World et LIBERO-PRO, en le comparant à des VLA basés sur des Transformers (ex: OpenVLA, Octo), des politiques de diffusion et d'autres méthodes d'espace d'états (ex: MaIL).

Performance LIBERO : SUREFlow a atteint un taux de succès (SR) moyen de 92,5 %, surpassant MaIL (basé sur Mamba) de 34,2 % et Octo (basé sur Transformer) de 17,4 %.
Performance Meta-World : Le modèle a atteint un SR moyen de 88,32 %, dépassant significativement la Diffusion Policy (37,6 %) et TinyVLA-H (31,6 %).
LIBERO-PRO (Robustesse) : Sous diverses perturbations (position de l'objet, sémantique, tâche, environnement), SUREFlow a atteint un SR normalisé de 0,49 avec seulement 179M de paramètres. Cette performance est comparable aux VLA à grande échelle comme OpenVLA (7B paramètres, SR 0,52) et $\pi0.5$ (3B paramètres, SR 0,53), démontrant que le raffinement guidé par l'incertitude peut compenser l'échelle du modèle.
Validation sur Robot Réel : Dans une tâche réelle d'appariement de couleurs et d'insertion de tasse utilisant un bras Franka Emika, SUREFlow a atteint un taux de succès de 88,5 % sur 20 exécutions par couleur, validant sa robustesse face au bruit de perception du monde réel.
Études d'Ablation : Les résultats ont confirmé que l'URFlow apporte l'amélioration individuelle la plus significative (0,81 SR contre 0,72 pour FCM seul). La combinaison de tous les composants a produit la performance la plus élevée (0,92 SR). L'analyse de sensibilité a montré qu'un pondération modérée de l'incertitude et 3 étapes de raffinement offraient une stabilité optimale.

Signification et Revendications

L'article affirme que SUREFlow comble le fossé entre la modélisation efficace par espace d'états et le contrôle génératif robuste. En intégrant un raffinement résiduel sensible à l'incertitude, la méthode permet une exécution stable d'exécutions à long terme sans le coût computationnel des grands squelettes Transformer ou l'instabilité des politiques génératives en boucle ouverte. Les auteurs soutiennent que leur approche démontre que la calibration de l'incertitude et le raffinement sélectif sont critiques pour atténuer les erreurs cumulées, permettant à un modèle léger (179M de paramètres) d'atteindre des performances comparables à des VLA de plusieurs milliards de paramètres dans des tâches de manipulation complexes à long terme. Le travail souligne que les gains de performance proviennent d'une meilleure modélisation de l'incertitude dépendante de l'entrée plutôt que d'une mise à l'échelle par force brute.