Pourquoi les humanoïdes ont du mal à attraper des objets en mouvement : développement du VLA pour environnements dynamiques

Aujourd'hui, la plupart des démonstrations de robots se déroulent dans des environnements statiques, avec un éclairage stable et des caméras fixes, où les modèles VLA (Vision-Language-Action) fonctionnent bien. Cependant, les tâches du monde réel impliquent souvent des objets en mouvement, comme des articles sur un tapis roulant. Lorsqu'un robot humanoïde grandeur nature interagit avec des objets en mouvement, il doit également marcher et maintenir son équilibre, ce qui complique les calculs de mouvement. Les principaux défis incluent la latence entre l'observation et l'action, des séquences d'actions obsolètes et l'incapacité de déterminer la vitesse d'un objet à partir d'une seule image. Des modèles récents comme DynamicVLA répondent à ces problèmes en mettant à jour les actions plus fréquemment et en tenant compte du timing. Pour les humanoïdes, le contrôle du corps entier est essentiel car les mouvements des bras affectent l'équilibre du torse. L'architecture RLDX-1 traite plusieurs flux d'informations (mouvement, mémoire, physique, action) pour améliorer la manipulation dynamique. Chez MTS Web Services, l'auteur adapte RLDX-1 pour contrôler l'humanoïde Unitree G1 afin de réaliser une saisie dynamique du corps entier d'articles sur un tapis roulant, en traitant la tâche comme une boucle fermée : observer, prédire, intercepter, exécuter, vérifier, corriger.