Le runtime REA porte le taux de réussite des robots sur LIBERO-Pro à 95,9% et réduit de 25% les étapes de contrôle

Une équipe de l'Université nationale de Singapour, de UC Berkeley, de l'Université de Tokyo, de HKUST et d'autres instituts a présenté REA (Routed Embodied Agent), un runtime unique dans lequel un « cerveau » lent, fondé sur un grand modèle, et des politiques « réflexes » rapides fonctionnent de façon asynchrone. La règle centrale du système : aucune politique en cours d'exécution n'attend le cerveau. Sur 3000 épisodes de test couvrant 60 tâches de LIBERO-Pro (une variante du benchmark de manipulation avec un jeu de test perturbé), REA affiche 95,9% d'épisodes réussis, contre 94,7% pour la meilleure baseline seule, Agents SDK + GPT-6. Le nombre d'étapes de contrôle diminue de 25% et le temps de contrôle de 17%.

Trois niveaux au lieu d'une seule boucle

Les grands modèles raisonnent bien, mais ils sont trop lents et trop coûteux pour jouer le rôle de contrôleur. Les politiques VLA rapides et les contrôleurs du corps entier, comme SONIC, sont précis dans leurs réflexes, mais généralisent mal. L'architecture de REA se divise en trois couches.

System 2 est l'agent « cerveau » : hors ligne, il génère des politiques (des programmes Python figés) ; en ligne, il donne des conseils et rend son verdict sur l'accomplissement de la tâche. System 1 est le routeur : il ne produit aucune action lui-même, mais décide quelle politique lancer et quand solliciter le cerveau. System 0 regroupe les politiques rapides : programmes, modèles VLA ou contrôleurs du corps entier.

Elles fonctionnent à leur propre rythme et rendent la main au routeur aux frontières des segments.

Le routeur s'appuie sur trois mécanismes. Le premier est la mémoire des routes : avant l'évaluation, chaque politique est exécutée sur des épisodes de développement, et son taux de réussite comme son coût sont consignés dans un tableau ; au moment du test, le choix d'une politique se réduit donc à une consultation de ce tableau. Le deuxième est le juge aux frontières : quand une politique rend la main, un modèle visuel compare l'image initiale et l'image courante à l'instruction, puis décide si la tâche est terminée. Le troisième est une échelle d'escalade, assortie d'un budget commun d'étapes et de temps.

Pourquoi les schémas simples échouent

Les auteurs montrent que deux manières évidentes de relier cerveau et réflexes ne fonctionnent pas. Si l'agent appelle la politique rapide et que le routeur attend son conseil, le robot reste inactif 2,6 s par épisode de LIBERO-Pro, soit environ 20% du temps de contrôle. Si la politique n'appelle l'agent qu'en cas d'erreur, la plupart des échecs passent inaperçus : le routeur déclenché sur exception n'a escaladé que 6 fois sur 590 épisodes, alors que 166 d'entre eux ont échoué. Relancer une tâche déjà accomplie peut en outre dégrader le résultat ; le juge sert donc aussi à protéger le travail terminé.

Utiliser le modèle comme contrôleur direct ne marche pas non plus : lors d'essais, des modèles produisant des tokens isolés ou des actions IK cartésiennes ont résolu 1 épisode sur 1987 et 0 sur 600 de LIBERO-Pro. La génération de politiques n'est pas bon marché : 43 minutes en médiane par tâche LIBERO, et le pipeline Codex + GPT-6 a consommé 89 millions de tokens d'entrée pour 60 tâches de LIBERO-Pro. Les modèles VLA qui dépassent 90% sur le LIBERO standard se dégradent fortement sur le jeu perturbé de LIBERO-Pro.

Résultats et limites

REA s'approche à moins de 1 point de pourcentage de l'« oracle rétrospectif » par tâche (le choix idéal de politique pour chaque tâche). C'est aussi la plus rapide des méthodes dont le temps a été mesuré : 17% de temps de contrôle en moins qu'Agents SDK + GPT-6, et 25% de moins que le conseiller bloquant. Le juge aux frontières améliore la qualité par rapport au déclenchement sur exception, mais consomme 2,1 fois plus de temps par succès.

Dans une étude distincte sur RoboTwin 2.0 (50 épisodes propres et 50 randomisés), REA atteint 84% avec des politiques VLA et 86% avec l'ajout de code ; la meilleure baseline VLA seule, MEDex, obtient 80%. Les politiques entraînées et les politiques programmées fonctionnent dans un même runtime. Sur BEHAVIOR-1K, le système résout 27 épisodes sur 50, contre 25 pour un agent basé sur Agents SDK, mais les auteurs notent que cet écart n'est pas statistiquement significatif. Sur un autre échantillon de RoboTwin, REA totalise 97 réussites sur 200, contre 75 pour Codex CLI. Sur le humanoïde réel Unitree G1, le robot est allé jusqu'à une chaise et l'a poussée dans 8 tentatives sur 10.

Les réserves sont les suivantes. Le gain principal sur la meilleure politique seule dans LIBERO-Pro est de 1,2 point de pourcentage, et une part importante de l'effet tient à l'efficacité : moins d'étapes et moins de temps. La mémoire des routes est réglée sur des épisodes de développement avant les tests, et le pool de politiques est constitué de programmes écrits par des agents de code ; le résultat dépend donc de la qualité de ce pool. L'enseignement pratique pour les concepteurs de robots : mieux vaut construire l'association « grand modèle plus politiques rapides » comme un répartiteur doté de statistiques mesurées à l'avance, où le modèle coûteux est appelé rarement et hors du chemin critique.