Résumé IA · arXiv: 2610.35817v1 · cs.RO
Pretraining Knows What, Simulation Teaches How: Compositional Generalization in a Sim-Trained Robot Agent
L’essentiel
ZAP, entraîné au contrôle robotique uniquement en simulation à partir d’un modèle préentraîné, réussit des tâches réelles et se généralise à des objectifs, objets et configurations robotiques inédits.
D’après l’abstract uniquement : vérifiez les détails dans l’article original.
Question
Comment enseigner à une politique robotique à comprendre une tâche et à exécuter les mouvements nécessaires sans données robotiques réelles pendant l’entraînement ? Le travail examine aussi sa généralisation à des manipulations et à une configuration robotique inédites.
Méthode
ZAP utilise un modèle vision-langage préentraîné de 27 milliards de paramètres, connecté au robot par une interface simple d’outils. Un ajustement fin supervisé puis GRPO sur des tâches simulées simples lui enseignent le contrôle robotique, sans données robotiques réelles pendant l’entraînement. L’évaluation porte sur des tâches réelles, des manipulations absentes de l’entraînement et le benchmark RoboLab-120 avec un robot Franka à un bras.
Résultats
-
Résultat
Sur les tâches réelles évaluées, ZAP atteint 96,7 % de réussite, égale GPT-6 Astra dans l’interface des auteurs et dépasse MolmoAct2, tout en étant annoncé trois fois plus rapide et dix-sept fois moins coûteux que GPT-6 Astra.
Voir le passage dans l’article
Without any real-world robot data during training, ZAP reaches 96.7% success on real-world tasks, matching GPT-6 Astra in our harness and outperforming the MolmoAct2 VLA (33.3%), while running 3x faster and 17x cheaper than GPT-6 Astra.
-
Résultat
Les démonstrations de généralisation comprennent l’insertion d’un tube dans un support, son transfert entre deux bras, le tracé d’un X au morpion et le jeu d’échecs, avec des objectifs et types de manipulation absents des données d’entraînement.
Voir le passage dans l’article
We demonstrate that ZAP also generalizes to completely new objects, goals, strategies, and language by seating a test tube in a rack (and choosing a different hole in the rack when prompted), handing a test tube between arms mid-air, drawing an X on a tic-tac-toe board, and playing chess. These goals and types of manipulation don't appear in our training data.
-
Résultat
Sur un Franka à un bras, configuration robotique inédite pour ZAP, la réussite atteint 55,9 % sur RoboLab-120, soit 4,9 points de pourcentage au-dessus de la meilleure référence VLA/WAM.
Voir le passage dans l’article
Furthermore, ZAP also transfers to an unseen embodiment. On a single-arm Franka, ZAP reaches 55.9% on RoboLab-120, 4.9 percentage points ahead of the leading VLA/WAM baseline.
Limites
- Le résumé fourni ne précise ni le nombre d’essais ni l’incertitude des taux de réussite, ce qui limite l’appréciation de la robustesse des comparaisons.
- Les exemples de généralisation sont décrits sans taux de réussite propres à chaque manipulation dans le résumé fourni.
Portée
Les auteurs présentent ZAP comme une manière d’articuler la compréhension issue du préentraînement et l’apprentissage du mouvement en simulation. Les résultats soutiennent la possibilité d’obtenir un transfert vers des tâches robotiques réelles et une configuration inédite sans données robotiques réelles pendant l’entraînement.
Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.
Posez des questions sur cet article à notre assistant IA
Comment discuter avec cet article ? Guide illustré
Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.
⚠La licence de l'article ne nous permet pas de nous appuyer sur son contenu et l'assistant IA ne peut se servir que des métadonnées de l'article plutôt que de l'article complet.
Gardez cette conversation — un compte gratuit conserve vos questions et réponses, vos collections d’articles et vos alertes.
Créer un compte gratuitOutils pour cet article
Outils avancés Premium
Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium
Les articles autour de celui-ci
Les voir sur une carteClassés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.
Les articles les plus proches
-
Robots Need More than VLA and World ModelsElis Karcini, Faisal Mehrban, Quang-Nam Nguyen et al. · 2026 · arXiv.org · preprint, non relu par les pairs · cité 2 fois · Pas encore résumé
Robots Need More than VLA and World Models soutient que les politiques robotiques doivent exploiter des données comportementales non structurées, dont les simulations, pour obtenir une supervision ancrée.
Résumé scientifique
Generalist robot intelligence is often framed as a policy-scaling problem: collect more robot demonstrations, train larger Vision-Language-Action (VLA) models, and expect broader generalisation. In this position paper, we argue that this framing is incomplete. The central bottleneck is not only policy learning, but the absence of mechanisms that convert the world's abundant unstructured behavioural data into grounded robot supervision. Human motion, internet video, simulation rollouts, and interactive demonstrations contain rich information about tasks, goals, contacts, failures, and physical constraints, yet most of this information is not directly usable by robot policies because it lacks …
-
In-Context Robot Learning with VLM AgentsDong-Zhou Cheng, Taoran Yi, Ye Fang et al. · 2026 · cité 13 fois · Pas encore résumé
In-Context Robot Learning with VLM Agents étudie l’apprentissage robotique à partir du contexte et d’interactions au déploiement, tandis que ZAP apprend le contrôle sur des tâches simulées.
Résumé scientifique
Enabling robots to adapt to unfamiliar environments as readily as humans remains a moonshot goal of embodied AI. No finite collection of demonstrations can cover every task and situation a robot will encounter, making the ability to learn from context at deployment essential for generalization. Such in-context learning (ICL), however, remains largely beyond the reach of existing robotic policies. The broad agentic capabilities of commercial vision-language models (VLMs), such as GPT-6 Astra, raise a compelling question: can these models learn from demonstrations, examples, and interaction feedback, then translate that information into executable and verifiable robot behavior from a new initi…
-
Unleashing Large-Scale Video Generative Pre-training for Visual Robot ManipulationHongtao Wu, Ya Jing, Chilam Cheang et al. · 2023 · Robotics · cité 537 fois · Résumé IA disponible
GR-1 préentraîne un modèle génératif sur des vidéos pour prédire actions et images futures en manipulation, alors que ZAP apprend le contrôle par ajustement supervisé et GRPO en simulation.
Résumé scientifique
Generative pre-trained models have demonstrated remarkable effectiveness in language and vision domains by learning useful representations. In this paper, we extend the scope of this effectiveness by showing that visual robot manipulation can significantly benefit from large-scale video generative pre-training. We introduce GR-1, a straightforward GPT-style model designed for multi-task language-conditioned visual robot manipulation. GR-1 takes as inputs a language instruction, a sequence of observation images, and a sequence of robot states. It predicts robot actions as well as future images in an end-to-end manner. Thanks to a flexible design, GR-1 can be seamlessly finetuned on robot data…
-
Skill2Real: Agentic Skill Learning for Zero-Shot Sim-to-Real Robot ManipulationXin-Chen He, Si-Yu Ma, Chang Yu et al. · 2026 · cité 2 fois · Pas encore résumé
Skill2Real transfère des compétences apprises en simulation via une boucle de vérification et des mémoires de compétences, tandis que ZAP entraîne une politique sans données robotiques réelles.
Résumé scientifique
Transferring robotic skills from simulation to reality requires task knowledge that remains usable across differences in perception, dynamics, and embodiment. We introduce Skill2Real, an agentic policy framework that learns executable skills through a shared application programming interface (API). A Proposer-Verifier-Governor (PVG) loop uses privileged simulation evidence to diagnose outcomes and validate updates, while keeping learned skills grounded in public observations and API semantics. The Cerebellum first acquires local manipulation skills; the Brain then learns task-level composition with the Cerebellum frozen. Both memories transfer to the real robot without task-policy fine-tunin…
-
RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative SimulationYufei Wang, Zhou Xian, Feng Chen et al. · 2023 · Robotics · cité 331 fois · Résumé IA disponible
RoboGen génère automatiquement tâches, scènes et supervisions en simulation pour apprendre des compétences, tandis que ZAP ajuste un modèle vision-langage sur des tâches simulées.
Résumé scientifique
We present RoboGen, a generative robotic agent that automatically learns diverse robotic skills at scale via generative simulation. RoboGen leverages the latest advancements in foundation and generative models. Instead of directly using or adapting these models to produce policies or low-level actions, we advocate for a generative scheme, which uses these models to automatically generate diversified tasks, scenes, and training supervisions, thereby scaling up robotic skill learning with minimal human supervision. Our approach equips a robotic agent with a self-guided propose-generate-learn cycle: the agent first proposes interesting tasks and skills to develop, and then generates correspondi…
-
A Few Words Go a Long Way: Language Guided Robot Policy SynthesisDaphne Chen, A. Jain, E. Goossen et al. · 2026 · arXiv.org · preprint, non relu par les pairs · cité 4 fois · Pas encore résumé
ARCHITECT synthétise des programmes robotiques modulaires à partir d’instructions et d’outils, tandis que ZAP entraîne une politique de contrôle avec des tâches simulées.
Résumé scientifique
While vision-language-action models have demonstrated impressive zero-shot manipulation capabilities, they remain fundamentally black box policies that are difficult to interpret, adapt, or correct when they inevitably fail. In this work, we propose ARCHITECT, a framework that treats robot policy acquisition as an interactive program synthesis task. ARCHITECT leverages the reasoning capabilities of LLM coding agents to synthesize modular robot programs that utilize a suite of perception and control tools. Unlike end-to-end models where distribution shift leads to unpredictable, cascading failures, our modular architecture allows users to isolate failures and localize feedback at the level of…
-
MolmoB0T: Large-Scale Simulation Enables Zero-Shot ManipulationAbhay Deshpande, M. Guru, Rose Hendrix et al. · 2026 · arXiv.org · preprint, non relu par les pairs · cité 26 fois · Pas encore résumé
MolmoBot étudie le transfert zéro-shot de la simulation au robot réel sans ajustement sur tâches réelles, comme ZAP, mais avec des données synthétiques simulées à grande échelle.
Résumé scientifique
A prevailing view in robot learning is that simulation alone is not enough; effective sim-to-real transfer is widely believed to require at least some real-world data collection or task-specific fine-tuning to bridge the gap between simulated and physical environments. We challenge that assumption. With sufficiently large-scale and diverse simulated synthetic training data, we show that zero-shot transfer to the real world is not only possible, but effective for both static and mobile manipulation. We introduce MolmoBot-Engine, a fully open-source pipeline for procedural data generation across robots, tasks, and diverse simulated environments in MolmoSpaces. With it, we release MolmoBot-Data…
-
Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task GeneralizationJia-Min Zhou, Qihang Zhang, Gangwei Xu et al. · 2026 · cité 22 fois · Pas encore résumé
Zero-WAM vise la généralisation à des tâches de manipulation inédites à partir de vidéos humaines, tandis que ZAP teste des tâches et stratégies absentes de son entraînement simulé.
Résumé scientifique
Zero-shot cross-task generalization, where a policy must execute manipulation tasks never seen during training, remains a central challenge in robot learning. In large language models, a novel task can be performed simply by specifying it in the context, without any parameter update. This form of in-context learning (ICL) turns generalization into a problem of task specification. To achieve cross-task generalization, we bring this paradigm to robotic manipulation, and argue that the natural task specification for manipulation is a human video: unlike language, it provides rich visual cues about the intended task evolution. We present Zero-WAM, a causal video-action model that executes unseen…
Les travaux antérieurs sur lesquels il s’appuie
-
Robo-Harness K1: Harnessing Robot-Use Agents via Perception AugmentationZe-Xi Li, Ye-Hang Zhang, Wen-Qian Li et al. · 2026 · cité 6 fois · Pas encore résumé
Robo-Harness K1 donne à un agent VLM des outils de perception géométrique et des mouvements génériques, tandis que ZAP apprend le contrôle par entraînement simulé.
Résumé scientifique
Foundation vision-language models (VLMs) understand objects, instructions, and spatial relations, yet translating this capability into robotic manipulation remains difficult. Vision-language-action (VLA) models require extensive demonstrations and may compromise pretrained understanding, while direct RGB-only VLM control is costly and strongly dependent on model capability. We introduce Robo-Harness K1, a robot-use agent (RUA) framework that exposes perception as tools. The agent queries calibrated depth, persistent visual anchors, spatial measurements, and grasp hypotheses, then selects generic motions from the returned evidence. This interface makes 3D geometry accessible without changing …
-
VLMs are Native Action Models: Unleashing the Manipulation Capabilities of VLMs with Explicit Action-Space GroundingJing-Kun Yi, Shu-Jie Zhang, Zi-Rui Zhou et al. · 2026 · cité 1 fois · Pas encore résumé
VLMs are Native Action Models examine comment convertir les capacités préentraînées d’un VLM en politique de manipulation, question également abordée par l’interface d’outils de ZAP.
Résumé scientifique
Pretrained vision-language models (VLMs) already exhibit strong visual, spatial and reasoning capabilities relevant to robotic manipulation. The key challenge in turning pretrained VLMs into generalist manipulation policies is to expose these capabilities through an appropriate action interface. Vision-language-action (VLA) models provide a unified trainable policy, but typically introduce learned action tokens, action heads, or action experts whose semantics must be learned from robot data pretraining. In contrast, modular foundation-model-based manipulation methods can exploit pretrained VLM capabilities for zero-shot manipulation, but rely on external planning and control scaffolds that a…
-
OpenVLA: An Open-Source Vision-Language-Action ModelMoo Jin Kim, Karl Pertsch, Siddharth Karamcheti et al. · 2024 · Conference on Robot Learning · cité 4 235 fois · Pas encore résumé
OpenVLA ajuste un modèle vision-langage-action préentraîné sur des démonstrations robotiques, tandis que ZAP enseigne le contrôle sans données robotiques réelles.
Résumé scientifique
Large policies pretrained on a combination of Internet-scale vision-language data and diverse robot demonstrations have the potential to change how we teach robots new skills: rather than training new behaviors from scratch, we can fine-tune such vision-language-action (VLA) models to obtain robust, generalizable policies for visuomotor control. Yet, widespread adoption of VLAs for robotics has been challenging as 1) existing VLAs are largely closed and inaccessible to the public, and 2) prior work fails to explore methods for efficiently fine-tuning VLAs for new tasks, a key component for adoption. Addressing these challenges, we introduce OpenVLA, a 7B-parameter open-source VLA trained on …
-
Evaluating Real-World Robot Manipulation Policies in SimulationXuanlin Li, Kyle Hsu, Jia-Yuan Gu et al. · 2024 · Conference on Robot Learning · cité 642 fois · Pas encore résumé
SIMPLER fournit des environnements simulés pour évaluer des politiques de manipulation sur robot réel, et ZAP évalue notamment sa politique sur des tâches réelles.
Résumé scientifique
The field of robotics has made significant advances towards generalist robot manipulation policies. However, real-world evaluation of such policies is not scalable and faces reproducibility challenges, which are likely to worsen as policies broaden the spectrum of tasks they can perform. We identify control and visual disparities between real and simulated environments as key challenges for reliable simulated evaluation and propose approaches for mitigating these gaps without needing to craft full-fidelity digital twins of real-world environments. We then employ these approaches to create SIMPLER, a collection of simulated environments for manipulation policy evaluation on common real robot …
-
PoCo: Policy Composition from and for Heterogeneous Robot LearningLirui Wang, Jialiang Zhao, Yilun Du et al. · 2024 · Robotics: Science and Systems Conference · cité 76 fois · Pas encore résumé
PoCo compose des politiques apprises à partir de données hétérogènes entre tâches et domaines, tandis que ZAP entraîne une politique à partir de simulation sans données robotiques réelles.
Résumé scientifique
Training general robotic policies from heterogeneous data for different tasks is a significant challenge. Existing robotic datasets vary in different modalities such as color, depth, tactile, and proprioceptive information, and collected in different domains such as simulation, real robots, and human videos. Current methods usually collect and pool all data from one domain to train a single policy to handle such heterogeneity in tasks and domains, which is prohibitively expensive and difficult. In this work, we present a flexible approach, dubbed Policy Composition, to combine information across such diverse modalities and domains for learning scene-level and task-level generalized manipulat…
Aller plus loin
Comment ces articles sont-ils trouvés ?
Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.
Mis à jour le 2 novembre 2026.
Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.