#

Points clés

• Le MIT et l'Université de New York ont développé FLEX, un pipeline flexible d'édition de caractéristiques pour la planification des mouvements des robots.

• FLEX utilise des corrections en langage naturel pour déduire des préférences plus larges de l'utilisateur.

• Le système comporte trois étapes : Add, Generalize et Mask.

• Les tests rapportés ont été menés en simulation, et non sur des robots domestiques déployés.

• La source présente la robotique domestique et la robotique d'assistance comme des applications possibles.

Ce qui s'est passé

MIT News a rapporté le 9 novembre 2026 que des chercheurs du MIT et de l'Université de New York ont développé FLEX, un pipeline flexible d'édition de caractéristiques pour la planification des mouvements des robots. L'étude doit être présentée ce mois-ci à la Conference on Robot Learning. Le système est conçu pour aider les robots à répondre de manière plus souple aux corrections en langage naturel.

L'idée centrale est simple. Au lieu de demander à une personne de lister chaque objet qu'un robot devrait éviter, FLEX tente de déduire une préférence plus large à partir d'une seule correction. Dans l'exemple rapporté, une instruction demandant de ne pas renverser du café sur un ordinateur portable peut amener le système à éviter d'autres appareils électroniques, y compris un téléphone. La correction devient ainsi plus générale que la phrase d'origine.

Comment FLEX fonctionne

Le pipeline comporte trois étapes : Add, Generalize et Mask. Add insère dans la représentation de planification du robot une caractéristique pertinente pour la tâche à partir de l'instruction de l'utilisateur. Generalize utilise ensuite un grand modèle de langage, GPT-4o dans cette étude, pour inférer une catégorie plus large. Mask retire de la liste des caractéristiques les objets qui ne sont plus présents à l'aide de la vision par ordinateur.

MIT indique que le processus complet en trois étapes prend environ cinq secondes. Ce délai compte, car les systèmes de planification robotique doivent souvent réagir rapidement. La source ne prétend pas à un déploiement dans de vraies maisons ou sur de vrais lieux de travail. Elle précise que les démonstrations ont eu lieu en simulation.

Ce que les chercheurs ont testé

Des volontaires ont saisi des commandes pour un bras robotique simulé. Le bras a exécuté trois tâches : servir du café, déplacer une bougie et transporter une boule de bowling. Le système a généralisé les corrections respectivement aux appareils électroniques, aux objets inflammables et aux objets fragiles. Ces exemples montrent comment une seule correction peut influencer les décisions de planification ultérieures.

L'étude était dirigée par Andreea Bobu du MIT. Nathan Dennler, Audrey Lee et Ilia Sucholutsky de NYU figuraient parmi les auteurs. La source présente la robotique domestique et la robotique d'assistance comme des applications potentielles. Elle ne revendique pas de disponibilité commerciale.

Ce que cela signifie pour le Maroc

Pour les lecteurs marocains travaillant en robotique, en recherche sur l'IA ou en conception de produits, l'enseignement principal concerne la qualité de l'interaction. Si un robot peut apprendre à partir de courtes corrections, alors les futurs systèmes pourraient nécessiter moins de règles définies manuellement. Cela pourrait intéresser les équipes qui construisent des concepts de robotique d'assistance ou domestique, car l'utilisateur peut exprimer son intention en langage naturel plutôt que dans une longue liste de contrôle.

L'implication pratique est conditionnelle. Si un groupe de recherche ou une startup marocaine devait s'appuyer sur une approche similaire, il lui faudrait une pile de planification capable de combiner langage, vision et contrôle du mouvement. FLEX montre une manière de relier ces éléments. Il montre aussi que le modèle de langage n'est qu'une partie du pipeline. Le système dépend toujours de la vision par ordinateur pour supprimer les objets qui ne sont plus présents.

Il y a aussi un enjeu de gouvernance. La source précise clairement que les résultats rapportés proviennent d'une simulation. Cela signifie que toute utilisation réelle nécessiterait encore des tests dans des environnements physiques avant de pouvoir faire des affirmations sur la sécurité ou la fiabilité. Pour les lecteurs marocains, c'est un rappel utile de ne pas considérer un résultat de laboratoire comme un produit fini.

Pour les chercheurs, l'enseignement le plus pertinent est méthodologique. FLEX suggère qu'un robot peut utiliser une seule correction pour inférer une catégorie plus large, comme les appareils électroniques ou les objets fragiles. Cela pourrait réduire la charge pour les utilisateurs qui ne veulent pas énumérer chaque objet. Cela pourrait aussi créer de nouveaux modes d'échec si la catégorie inférée est trop large ou trop étroite. La source ne mesure pas ces risques, qui restent donc une question ouverte.

Pour les équipes produit, le temps de traitement de cinq secondes est un autre détail pratique. Il suggère que le pipeline est conçu pour un usage interactif, et non pour une planification par lots lente. Mais la source n'établit pas les performances en dehors de la simulation rapportée. Tout déploiement marocain devrait être validé séparément, surtout si le robot est censé fonctionner autour de personnes ou d'objets délicats.

En résumé

FLEX est un premier exemple de planification robotique guidée par le langage qui tente d'apprendre des préférences plus larges à partir de corrections brèves. Les travaux rapportés restent en simulation, mais ils ouvrent la voie à une interface plus naturelle pour les futurs robots. Pour les lecteurs marocains, la valeur réside dans le schéma de conception : combiner langage, vision et planification, puis tester soigneusement avant toute utilisation réelle.