# Une nouvelle méthode réduit les données nécessaires au contrôle des robots

> Selon les chercheurs, Action Influence Maximization réduit de 85× les données d’entraînement nécessaires aux modèles vidéo contrôlables.

Oossa · 2026-10-21 · https://oossa.com/fr/new-data-collection-method-boosts-robot-world-model-control

Des chercheurs dirigés par Samuel Bateman ont présenté Action Influence Maximization (AIM), un algorithme qui collecte activement des épisodes d’entraînement afin que les modèles du monde basés sur la vidéo prêtent attention aux actions demandées. Lors de tests portant sur la navigation simulée et la manipulation à partir de pixels, AIM n’a ajouté que 500 épisodes à un ensemble existant de 3 000 démonstrations d’experts et a atteint un niveau de contrôlabilité équivalent à celui d’un modèle entraîné sur 300 000 épisodes d’experts. La méthode a utilisé les données plus efficacement que les techniques classiques d’exploration et de motivation intrinsèque.

## Les faits

- AIM a permis de réduire les données nécessaires de 85×, avec 500 épisodes au lieu de 300k démonstrations d’experts.
- L’article a été publié sur arXiv le 2026‑10‑21.

## Pourquoi c'est important

Pour les développeurs de robots, AIM permet d’entraîner des modèles de contrôle plus réactifs avec beaucoup moins d’enregistrements de démonstrations coûteux.

## Sources et références

1. [Training Controllable World Models via Action Influence Maximization](https://arxiv.org/abs/2610.27387) – arXiv cs.RO, 2026-10-21

Dernière mise à jour: 2026-10-21