<?xml version="1.0"?>
<feed xmlns="http://www.w3.org/2005/Atom" xml:lang="fr">
	<id>https://datafranca.org/wiki/index.php?action=history&amp;feed=atom&amp;title=ACT</id>
	<title>ACT - Historique des versions</title>
	<link rel="self" type="application/atom+xml" href="https://datafranca.org/wiki/index.php?action=history&amp;feed=atom&amp;title=ACT"/>
	<link rel="alternate" type="text/html" href="https://datafranca.org/wiki/index.php?title=ACT&amp;action=history"/>
	<updated>2026-09-24T13:59:55Z</updated>
	<subtitle>Historique des versions pour cette page sur le wiki</subtitle>
	<generator>MediaWiki 1.39.5</generator>
	<entry>
		<id>https://datafranca.org/wiki/index.php?title=ACT&amp;diff=132711&amp;oldid=prev</id>
		<title>Pitpitt : Page créée avec « == &#039;&#039;&#039;&lt;span style=&quot;font-family:arial black;font-size:24px;  color:#1880a6;&quot;&gt;ROBOTIQUE&lt;/span&gt;&#039;&#039;&#039;==  == Définition == ACT est un algorithme d&#039;apprentissage par imitation introduit par Tony Zhao et al. (2023) qui entraîne une contrôle basée sur transformer pour prédire un bloc de longueur fixe d&#039;actions futures plutôt qu&#039;une seule action à chaque pas de temps. En prédisant des séquences d&#039;actions en une seule passe, ACT réduit l&#039;... »</title>
		<link rel="alternate" type="text/html" href="https://datafranca.org/wiki/index.php?title=ACT&amp;diff=132711&amp;oldid=prev"/>
		<updated>2026-09-21T20:59:18Z</updated>

		<summary type="html">&lt;p&gt;Page créée avec « ==&lt;a href=&quot;/wiki/Cat%C3%A9gorie:Robotique&quot; title=&quot;Catégorie:Robotique&quot;&gt; &amp;#039;&amp;#039;&amp;#039;&amp;lt;span style=&amp;quot;font-family:arial black;font-size:24px;  color:#1880a6;&amp;quot;&amp;gt;ROBOTIQUE&amp;lt;/span&amp;gt;&amp;#039;&amp;#039;&amp;#039;&lt;/a&gt;==  == Définition == ACT est un algorithme d&amp;#039;apprentissage par imitation introduit par Tony Zhao et al. (2023) qui entraîne une contrôle basée sur transformer pour prédire un bloc de longueur fixe d&amp;#039;actions futures plutôt qu&amp;#039;une seule action à chaque pas de temps. En prédisant des séquences d&amp;#039;actions en une seule passe, ACT réduit l&amp;#039;... »&lt;/p&gt;
&lt;p&gt;&lt;b&gt;Nouvelle page&lt;/b&gt;&lt;/p&gt;&lt;div&gt;==[[:Catégorie:Robotique | &amp;#039;&amp;#039;&amp;#039;&amp;lt;span style=&amp;quot;font-family:arial black;font-size:24px;  color:#1880a6;&amp;quot;&amp;gt;ROBOTIQUE&amp;lt;/span&amp;gt;&amp;#039;&amp;#039;&amp;#039;]]==&lt;br /&gt;
&lt;br /&gt;
== Définition ==&lt;br /&gt;
ACT est un algorithme d&amp;#039;apprentissage par imitation introduit par Tony Zhao et al. (2023) qui entraîne une contrôle basée sur transformer pour prédire un bloc de longueur fixe d&amp;#039;actions futures plutôt qu&amp;#039;une seule action à chaque pas de temps. En prédisant des séquences d&amp;#039;actions en une seule passe, ACT réduit l&amp;#039;erreur cumulative typique du clonage de comportement pas à pas et produit un mouvement temporellement cohérent. &lt;br /&gt;
&lt;br /&gt;
L&amp;#039;architecture encode les observations RGB et l&amp;#039;état proprioceptif via un encodeur de style CVAE et décode les blocs d&amp;#039;actions en utilisant un transformer. ACT a été démontré sur la plateforme bimanuelle ALOHA, obtenant de bonnes performances sur des tâches telles que l&amp;#039;ouverture d&amp;#039;un sac et le transfert d&amp;#039;œufs. &lt;br /&gt;
&lt;br /&gt;
== Français ==&lt;br /&gt;
&amp;#039;&amp;#039;&amp;#039;ACT&amp;#039;&amp;#039;&amp;#039;&lt;br /&gt;
&lt;br /&gt;
== Anglais ==&lt;br /&gt;
&amp;#039;&amp;#039;&amp;#039;ACT&amp;#039;&amp;#039;&amp;#039;&lt;br /&gt;
&lt;br /&gt;
&amp;#039;&amp;#039;&amp;#039;Action Chunking with Transformers&amp;#039;&amp;#039;&amp;#039;&lt;br /&gt;
&lt;br /&gt;
==Sources==&lt;br /&gt;
&lt;br /&gt;
[https://www.generationrobots.com/fr/content/66-g%C3%A9n%C3%A9ration-robots-glossaire-sur-la-robotique     Source : Génération Robots]&lt;br /&gt;
&lt;br /&gt;
{{Modèle:Robotique}}&lt;br /&gt;
[[Catégorie:Robotique]]&lt;br /&gt;
&lt;br /&gt;
[[Catégorie:Vocabulaire]]&lt;/div&gt;</summary>
		<author><name>Pitpitt</name></author>
	</entry>
</feed>