Points forts de l'ICRA 2026 : Apprentissage par renforcement, génération de comportements complexes et avenir de la robotique

Lors de l'ICRA 2026 à Vienne, les principaux thèmes abordés comprenaient l'apprentissage par renforcement, la génération de scénarios comportementaux complexes et l'avenir de la robotique. Le prix du meilleur article de conférence a été décerné à SymSkill pour la manipulation à long horizon efficace en termes de données, et à OmniRetarget pour la loco-manipulation du corps entier chez les robots humanoïdes. En apprentissage robotique, un article sur l'apprentissage de politiques invariant à la vue avec conditionnement par caméra (Savez-vous où se trouve votre caméra ?) a montré que les modèles VLA se dégradent considérablement lorsque les caméras sont déplacées, et a proposé d'encoder les positions de caméra via des coordonnées de Plücker par pixel, améliorant ainsi les performances même sans randomisation de caméra. En perception robotique, FindAnything a présenté un système de cartographie orientée objets à vocabulaire ouvert utilisant plusieurs modèles de fondation pour l'exploration. Lors des ateliers, World Engine de Huawei, NVIDIA Research et OpenDriveLab a permis à une voiture autonome de parcourir 200 km à Shanghai sans intervention, avec un code publié en open source. NVIDIA a annoncé le défi AlpaSim avec un ensemble de données provenant de 25 pays, 2500 villes et 1700 heures de conduite. D'autres travaux notables incluent Residual Off-Policy RL pour l'ajustement des politiques de clonage de comportement (Amazon Frontier AI & Robotics), FP3 (politique de fondation 3D utilisant l'encodeur Uni3D), Search3D (segmentation 3D hiérarchique à vocabulaire ouvert) et COMPASS (cadre de politique de mobilité inter-embodiments de NVIDIA Research). En conduite autonome, l'améliorateur généralisable guidé par diffusion de Waabi AI a amélioré la reconstruction 3D près des trajectoires, Attention BEV a amélioré la fusion BEV avec des blocs d'attention, TreeIRL a combiné MCTS avec IRL pour une conduite urbaine sûre à Las Vegas, et un système pour annoter les événements AEB retardés et faux a traité un déséquilibre extrême des classes et un bruit d'étiquetage. Un autre article a proposé d'apprendre à conduire en imitant les véhicules environnants, en utilisant des scènes nuPlan et en transformant les trajectoires des bons agents en perspective ego.