FLEX : les robots interprètent mieux les consignes

FLEX est une plateforme de recherche qui aide les robots à comprendre ce que l’utilisateur veut dire, pas seulement ce qu’il dit mot pour mot. Présenté par des chercheurs du MIT et de New York University, le projet vise des robots capables d’adapter leur comportement à partir de corrections en langage naturel.

Le principe est simple à formuler, mais difficile à exécuter : si tu dis à un robot « Ne renverse pas sur l’ordinateur », il doit pouvoir éviter aussi un téléphone ou d’autres appareils électroniques proches. Selon MIT News, FLEX sert justement à capter cette intention plus large.

Ce qui change concrètement

Le nom complet du projet est Flexible Language-Guided Representation Editing for Adaptive Robot Behavior. La page projet présente FLEX comme un pipeline d’édition de représentations pour la planification de mouvement robotique. En clair, le système modifie ce que le robot considère comme important dans son environnement lorsqu’un humain lui donne une correction.

FLEX repose sur trois opérations complémentaires.

• Add : ajouter une information manquante. Si un utilisateur dit « Ne le fais pas tomber sur ma tasse », la tasse devient un élément à prendre en compte dans la trajectoire.
• Generalize : généraliser une information précise. Dans l’exemple du café, éviter l’ordinateur peut devenir éviter les appareils électroniques.
• Mask : masquer les informations non pertinentes. Le robot peut ainsi ignorer certaines caractéristiques qui n’aident pas à accomplir la tâche.

Cette approche s’appuie sur un modèle de langage pour interpréter les corrections. La page projet indique que les expériences utilisent GPT-4o. Le rôle du modèle n’est pas de piloter directement le robot comme un humain le ferait avec une télécommande. Il sert à reformuler la correction en changements exploitables par le système de planification.

Les évaluations annoncées couvrent plusieurs contextes : navigation 2D, manipulation sur table avec un robot Franka 7DoF, et étude en conditions réelles avec corrections linguistiques naturelles. La page projet mentionne aussi une étude utilisateur avec 12 participants. L’article associé sur arXiv décrit l’objectif comme la création de représentations compactes et transférables à partir de corrections en langage naturel.

Comment l'essayer

FLEX n’est pas présenté comme un logiciel commercial prêt à installer en entreprise. La page projet indique encore des éléments à venir avec la mention « TBD » et invite à revenir plus près de CoRL 2026. Le travail est annoncé pour une présentation à la Conference on Robot Learning 2026.

Aucun prix n’est communiqué. L’accès documenté est celui d’un code public sous licence MIT, mais les modalités pratiques d’installation, de support ou d’intégration ne sont pas détaillées dans les informations disponibles.

La disponibilité en France n’est pas indiquée. Pour une organisation française, il faut donc considérer FLEX comme un projet de recherche à suivre ou à expérimenter côté R&D, plutôt que comme une solution industrielle disponible avec contrat, support et garanties.

Pour qui, et pour quoi faire

Le cas d’usage le plus parlant concerne les robots qui travaillent dans des environnements partagés avec des humains : bureaux, laboratoires, ateliers, entrepôts légers ou espaces de service. Dans ces contextes, une consigne humaine est rarement complète. Tu ne listes pas tous les objets fragiles, tous les risques ni toutes les préférences implicites.

Imagine un bras robotisé qui déplace une tasse sur une table encombrée dans un laboratoire. Un opérateur intervient : « Évite l’ordinateur ». Un système strictement littéral pourrait uniquement modifier sa trajectoire autour de cet ordinateur. Avec FLEX, le robot peut élargir la contrainte et éviter aussi un téléphone posé à côté, parce qu’il comprend le lien général entre liquide et électronique.

Pour une équipe métier, l’intérêt est opérationnel. Les utilisateurs n’ont pas besoin d’écrire des règles formelles ou d’apprendre les mathématiques de planification de trajectoire. Ils peuvent corriger le robot avec une phrase naturelle. FLEX transforme ensuite cette correction en représentation exploitable par le robot.

Ce type d’approche peut aussi réduire la charge de paramétrage. Au lieu de redéfinir manuellement toutes les situations similaires, le système cherche à transférer une préférence vers d’autres objets ou contextes pertinents. C’est utile dès qu’un robot doit évoluer dans un environnement variable, où chaque table, chaque poste ou chaque trajet contient des objets différents.

Limites et points de vigilance

FLEX reste un travail de recherche. Les résultats mentionnés portent sur des scénarios simulés, des tâches de manipulation avec un robot Franka 7DoF et une étude réelle limitée. Cela ne suffit pas à conclure que le système est robuste pour un déploiement en production, avec contraintes de sécurité, maintenance et responsabilité.

Le recours à un modèle de langage est aussi un point clé. Les LLM savent produire des généralisations utiles, mais ils peuvent aussi faire des liens trop larges, incomplets ou inadaptés au contexte. Dans un environnement robotique, une mauvaise généralisation n’est pas seulement une erreur de texte. Elle peut produire une trajectoire non souhaitée.

Autre vigilance : FLEX interprète une intention à partir d’une phrase. Or une même consigne peut dépendre du contexte métier, du niveau de risque acceptable et des objets présents. Pour une entreprise, cela implique de prévoir des garde-fous, des validations et des tests avant toute utilisation en conditions réelles.

Enfin, les informations publiques ne détaillent pas encore un parcours d’adoption complet : installation, prérequis matériels, performances, support, cybersécurité ou conformité. Ces points seront essentiels si le projet évolue vers des usages industriels.

L'avis NXUS

FLEX illustre une direction importante pour la robotique : passer de commandes explicites à des corrections plus naturelles, proches du langage métier. Pour les professionnels, l’intérêt n’est pas de remplacer les procédures de sécurité, mais de rendre l’interaction avec les robots moins rigide.

À court terme, le bon usage est la veille technologique et l’expérimentation encadrée en laboratoire. Les équipes IA, robotique ou innovation peuvent s’en inspirer pour penser leurs interfaces homme-machine. Pour monter en compétence sur ces sujets, une base solide en IA générative et en agents reste utile, par exemple via les formations IA de NXUS.

Le point à retenir : FLEX ne rend pas les robots autonomes au sens large. Il leur donne une meilleure manière d’exploiter les corrections humaines, ce qui est déjà un progrès concret pour des tâches physiques en environnement changeant.

Sources

• github.io
• arXiv
• MIT News