SAIL améliore la planification des robots

LLéna

Sakana AI et l’Université de Tokyo présentent SAIL, une méthode qui fait générer et comparer plusieurs trajectoires à un robot avant l’exécution, selon AlphaSignal. Le système s’appuie sur un modèle de vision-langage et une recherche arborescente Monte-Carlo : il propose des mouvements candidats, les simule, puis affine son choix à partir des résultats. Cette recherche se déroule avant le mouvement réel et ne modifie pas les poids du modèle. SAIL utilise Gemini Robotics-ER 1.5 pour générer les trajectoires et les évaluer. Sur 6 tâches simulées de manipulation avec ALOHA, le taux moyen de réussite atteint 73 % lorsque la méthode examine 45 trajectoires candidates, contre 25 % avec une seule. La comparaison porte sur ces tâches et ces conditions de simulation ; elle ne garantit donc pas le même résultat pour d’autres manipulations ou d’autres robots. Un essai physique a aussi porté sur la manipulation de blocs avec un robot LeRobot SO-101 : avec 15 trajectoires candidates, la tâche a réussi 5 fois sur 6. L’article présentant SAIL a été accepté à IROS 2026, mais le passage de la simulation au robot réel reste à évaluer plus largement. AlphaSignal signale aussi deux limites, avec un niveau de confirmation incertain : le coût de calcul des simulations serait important, et les mouvements s’exécutent en boucle ouverte, sans ajustement pendant leur déroulement. Les résultats illustrent donc un gain de réussite dans les tests rapportés, au prix d’une recherche plus poussée avant l’action, tandis que l’efficacité de la méthode dans des situations variées n’est pas établie par ces seuls essais.