La start-up spécialisée dans les données robotiques @axisrobotics, qui compte Pi Network Ventures de @PiCoreTeam parmi ses investisseurs d’amorçage, a publié TUCO, une méthode permettant de choisir les démonstrations simulées à utiliser pour entraîner un robot. La recherche suggère que sélectionner les bonnes données peut compter davantage que d’en collecter plus.
TUCO signifie « Trajectory-level Utility and set-level Coverage Optimization » (optimisation de l’utilité au niveau des trajectoires et de la couverture au niveau des ensembles). Les auteurs la présentent comme la première étude systématique de la curation de données pour le co-entraînement de politiques robotiques du sim-to-real. Selon la page du projet, l’article compte parmi ses auteurs des chercheurs de Stanford University, Nanyang Technological University, AXIS Robotics, Carnegie Mellon University et University of California, Berkeley, entre autres.
86 % de réussite avec 600 démonstrations sélectionnées
Lors des tests avec des robots réels, chaque tâche a été apprise à partir de seulement 10 démonstrations réelles téléopérées, qui ont à elles seules produit un taux de réussite moyen de 16,7 %. Les chercheurs ont ensuite ajouté des démonstrations simulées de la même tâche. Ils ont utilisé soit les 1200 démonstrations générées en simulation, soit 600 choisies par une méthode de curation, avec le même ratio de mélange entre données réelles et simulées.
L’écart entre les approches était important. L’ajout des 1200 démonstrations simulées a fait passer le taux de réussite moyen de 16,7 % à 25,8 %, un échantillon aléatoire de moitié a donné le même résultat de 25,8 %, tandis que la moitié sélectionnée par TUCO a permis d’atteindre 85,8 %. Le protocole portait sur trois tâches, avec 40 essais par politique. Les scores de TUCO par tâche étaient de 82,5, 75,0 et 100,0, pour une moyenne macro de 85,8 %.
Les auteurs précisent la portée de leurs résultats. L’étude utilise un budget prédéfini pour le sous-ensemble et un ratio prédéfini entre les sources et les cibles, et ne détermine donc pas combien d’exemples de la source doivent être conservés. Les résultats portent également sur un petit nombre de tâches, et le travail est une prépublication sur arXiv.
Au-delà des tests avec des robots réels, l’article présente également des résultats obtenus en simulation. TUCO égale les performances d’un entraînement sur toutes les données pour la tâche Lift en n’utilisant que 25 % de l’ensemble d’entraînement original, et les dépasse pour la tâche Square avec 50 %.
Axis Robotics et Pi Network Ventures
Axis Robotics développe une infrastructure de données pour l’entraînement des robots. L’entreprise a levé 12 millions de dollars lors d’un tour d’amorçage mené par Hack VC, avec la participation de Nomad Capital, Pi Network Ventures, 10K Ventures et plusieurs investisseurs providentiels, et a annoncé ce tour le 27 juillet. Selon TokenPost, Axis n’a pas révélé la contribution individuelle de Pi Network Ventures, et le fonds est une initiative de 100 millions de dollars établie par l’intermédiaire de Pi Foundation et lancée en mai 2025.
Pour l’écosystème plus large de Pi Network, cette recherche donne un aperçu des travaux d’une entreprise de son portefeuille. L’article lui-même ne décrit aucun usage de la blockchain Pi ni du jeton $PI.
Sources
TUCO : sélection de démonstrations de simulation pour le co-entraînement de politiques robotiques du sim-to-real (arXiv)
Page du projet TUCO
TokenPost : projet d’intégration entre Axis Robotics et Pi Network
