Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
An operator holds a handheld gripper, performs a task, and no robot arm moves in the room. The cameras record exactly what a robot would see. That is the core of HIL-UMI, a new method from a team led by Hao Dong at Peking University, working with Shanghai personal-robot maker PrimeBot. It collects the correction data used to improve vision-language-action models, the AI systems that turn camera images and instructions into robot movements, without a robot in the collection step.
Un opérateur tient une pince manuelle, exécute une tâche, et aucun bras robotisé ne bouge dans la pièce. Les caméras enregistrent exactement ce que verrait un robot. C'est le cœur de HIL-UMI, une nouvelle méthode mise au point par une équipe dirigée par Hao Dong, de l'université de Pékin, en collaboration avec le fabricant shanghaïen de robots personnels PrimeBot. Elle collecte les données de correction servant à améliorer les modèles vision-langage-action, ces systèmes d'IA qui transforment les images de caméras et les instructions en mouvements robotiques, sans qu'aucun robot ne participe à la collecte.
Teaching such a model usually means letting a robot run and fail. In the classic approach, human-gated DAgger, or HG-DAgger, an operator watches the robot execute a task, takes over when it is about to fail, and then resets the scene. The loop is accurate, but slow: most of the time goes to clumsy robot motion and manual resets, not to the frames that actually teach the model something.
Entraîner un tel modèle consiste généralement à laisser un robot tourner et échouer. Dans l'approche classique, le DAgger à validation humaine, ou HG-DAgger, un opérateur observe le robot exécuter une tâche, reprend la main lorsqu'il est sur le point d'échouer, puis réinitialise la scène. La boucle est précise, mais lente : l'essentiel du temps est consacré à des mouvements robotiques maladroits et à des remises à zéro manuelles, et non aux images qui apprennent réellement quelque chose au modèle.
HIL-UMI keeps the human in the loop and changes where the loop runs. The operator works with a Universal Manipulation Interface handheld gripper while the current policy predicts future actions on the same video stream, controlling nothing. When an Energy Score shows the policy's predicted actions diverging from the human's trajectory, the system asks for extra demonstrations on that segment. A second loop trains a progress-based estimator that rewards actions advancing the task rather than idle motion, and the policy is updated after each round, so later sessions flag harder cases instead of easy ones. On four real robot tasks, folding a towel, cleaning a table, stacking blocks and stamping, the team reports an average progress score of 94.8 for HIL-UMI against 58.0 for plain supervised fine-tuning under the same frame budget, with perfect scores on the two precision tasks. On the long table-cleaning task, the authors quote 73.40 milliseconds per useful frame against 412.99 milliseconds for HG-DAgger, about 5.63 times the collection efficiency. These are the authors' own results, and no independent group has checked them.
HIL-UMI conserve l'humain dans la boucle, mais change l'endroit où elle s'exécute. L'opérateur travaille avec une pince manuelle de l'interface Universal Manipulation Interface, pendant que la politique en cours prédit les actions futures sur le même flux vidéo, sans rien contrôler. Lorsqu'un Energy Score montre que les actions prédites par la politique s'écartent de la trajectoire de l'humain, le système demande des démonstrations supplémentaires sur ce segment. Une seconde boucle entraîne un estimateur fondé sur la progression, qui récompense les actions faisant avancer la tâche plutôt que les mouvements inutiles, et la politique est mise à jour après chaque cycle, si bien que les sessions suivantes signalent des cas plus difficiles au lieu de cas faciles. Sur quatre tâches réelles sur robot, pliage d'une serviette, nettoyage d'une table, empilement de cubes et tamponnage, l'équipe annonce un score moyen de progression de 94,8 pour HIL-UMI, contre 58,0 pour un simple réglage fin supervisé avec le même budget d'images, avec des scores parfaits sur les deux tâches de précision. Sur la tâche longue de nettoyage de table, les auteurs citent 73,40 millisecondes par image utile contre 412,99 millisecondes pour HG-DAgger, soit environ 5,63 fois plus d'efficacité de collecte. Il s'agit des résultats propres aux auteurs, et aucun groupe indépendant ne les a vérifiés.
For robot builders, the practical change is in who can collect data and where. The authors argue that separating policy-aware correction from robot deployment would let more operators gather post-training data in more places, without a robot farm parked in the lab. That promise holds only if the gains reproduce outside the authors' setup. The paper names no date for wider use, and it does not say what the handheld gripper setup costs compared with a robot cell.
Pour les constructeurs de robots, le changement pratique porte sur qui peut collecter des données, et où. Les auteurs soutiennent que dissocier la correction, qui tient compte de la politique, du déploiement sur robot permettrait à davantage d'opérateurs de collecter des données de post-entraînement, dans davantage de lieux, sans qu'une batterie de robots doive rester immobilisée au laboratoire. Cette promesse ne tiendra que si les gains se reproduisent en dehors du dispositif des auteurs. L'article ne fixe aucune échéance pour une utilisation plus large, et il ne dit pas combien coûte le dispositif à pince manuelle comparé à une cellule robotisée.