BATON : Manipulation robotique à long terme via l'exploration de sous-tâches intelligentes et la mémoire sensible aux transitions

Contexte

Dans le domaine de la manipulation robotique, les tâches à long terme impliquent une série de compétences complexes et intensives en contact qui doivent être exécutées dans un ordre précis pour atteindre un objectif final. Bien que les modèles actuels de Vision-Language-Action (VLA) fassent preuve d'une grande maîtrise dans l'exécution de compétences isolées, ils échouent fréquemment lorsqu'ils sont confrontés à des opérations multi-étapes et à longue chaîne. Cet échec est principalement dû à deux problèmes systémiques : l'accumulation d'erreurs, où de minuscules écarts dans les premières étapes s'amplifient tout au long de la chaîne de tâches, et la déconnexion des sous-tâches, où l'état terminal d'une action ne satisfait pas les conditions initiales requises pour la suivante.

Les méthodologies existantes tentent souvent de résoudre ces problèmes en utilisant des Large Language Models (LLM) comme planificateurs de haut niveau. Dans ces configurations, le LLM gère la planification linguistique tandis que les modèles VLA ne sont déclenchés que lors des phases nécessitant un contact physique. Cependant, cette approche se heurte à un obstacle majeur concernant les coûts d'exploration, qui croissent de manière exponentielle à mesure que le nombre d'étapes augmente. De plus, en l'absence d'une représentation explicite des transitions de tâches, la continuité de la chaîne de travail s'effondre souvent au point de jonction entre les différents sous-modules. Le cadre BATON a été conçu spécifiquement pour lever ces verrous en restructurant la manière dont les robots explorent et mémorisent les transitions de tâches.

Analyse approfondie

L'innovation technique centrale du cadre BATON réside dans son passage d'une exploration de tâche complète à une exploration intelligente de sous-tâches couplée à une mémoire sensible aux transitions. Pour contrer la croissance exponentielle de la complexité de l'exploration, BATON traite chaque sous-tâche comme une unité d'exploration indépendante. Au lieu de tenter d'apprendre une séquence entière d'un seul coup, le système explore des sous-tâches individuelles dans des environnements à court terme, puis stocke les solutions réussies dans une banque de mémoire. Ce changement architectural réduit la complexité de l'exploration d'une échelle exponentielle à une échelle linéaire, permettant au système d'identifier précisément l'étape exacte où une séquence échoue.

Pour assurer la continuité, BATON introduit un système de mémoire comprenant trois mécanismes spécialisés : des Verifier Agents, des Handoff Transitions et des Lookahead Transitions. Le Verifier Agent utilise les données de la caméra fixée au poignet pour confirmer que l'environnement a atteint l'état nécessaire au déclenchement de l'exécution VLA. Le mécanisme de Handoff Transition est conçu pour corriger les effets résiduels laissés par une tâche précédente, garantissant que l'état est réinitialisé pour l'étape suivante. Enfin, le Lookahead Transition permet à l'agent de prédire les résultats de diverses stratégies afin de choisir le chemin le plus compatible avec les tâches ultérieures. Notamment, ces améliorations sont obtenues sans mise à jour des paramètres des modèles sous-jacents, reposant uniquement sur l'inférence logique et la récupération intelligente.

Impact sur l'industrie

La validation expérimentale du cadre BATON a été réalisée via le benchmark RoboMemArena, qui teste des séquences de manipulation complexes et multi-étapes. Les résultats démontrent un bond de performance significatif par rapport aux méthodes de l'état de l'art (SOTA). Plus précisément, BATON a permis d'augmenter le taux de réussite des tâches de 11,6 % et le taux de réussite cumulé de 14,9 %. Ces mesures soulignent la capacité du cadre à maintenir une robustesse sur des périodes opérationnelles prolongées, là où les modèles VLA traditionnels succombent généralement à l'erreur cumulative.

En décomposant les tâches à long terme en unités modulaires et indépendamment consultables, BATON offre une voie technique viable pour résoudre le problème de l'explosion combinatoire dans l'apprentissage robotique. Cette capacité à obtenir de tels gains par la mémoire et la logique, plutôt que par une augmentation massive des paramètres, propose une trajectoire plus efficace pour le développement de l'IA incarnée (Embodied AI). Pour l'industrie robotique, cela suggère une transition vers des systèmes capables de gérer des processus de production de haute précision et multi-étapes avec une flexibilité bien supérieure aux robots spécialisés actuels.

Perspectives

BATON propose un nouveau paradigme pour le domaine de l'IA incarnée en prouvant que l'optimisation de l'organisation des tâches et de la récupération mémorielle peut améliorer considérablement les performances sans augmenter le nombre de paramètres du modèle de base. Cette approche déplace le focus de la recherche : il ne s'agit plus seulement d'augmenter l'échelle des modèles VLA, mais d'améliorer la logique structurelle de l'interaction des agents avec leur environnement au fil du temps.

À mesure que les capacités fondamentales des modèles VLA progressent, le développement de cadres architecturaux comme BATON — qui fournissent le « cerveau » nécessaire à la planification de haut niveau et à la connexion précise des tâches — deviendra une direction critique pour atteindre une intelligence robotique généraliste. Cette évolution marque le passage d'un simple apprentissage de compétences vers une véritable compréhension et exécution de tâches, ouvrant la voie à des agents autonomes capables de raisonnements complexes et de longue durée dans des environnements réels.