IA physiqueRobotics Business Review 1 mai 2026

Pourquoi les matériaux déformables sont le véritable défi de l'IA physique en fabrication

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Depuis plus de deux siècles, l'industrie textile repose sur le même paradigme : une aiguille traversant du tissu, mécanisée depuis 1830 mais jamais fondamentalement repensée. Aujourd'hui encore, la quasi-totalité des vêtements sont assemblés par des opérateurs humains, seuls capables de gérer la déformation continue du tissu, qui s'étire, se froisse et change d'état à chaque opération. Des acteurs comme Createme avancent une thèse alternative : plutôt qu'automatiser la couture existante, il faut redesigner le procédé pour que le robot puisse le contrôler. Concrètement, cela signifie remplacer la piqûre fil-aiguille par du collage ou du soudage, stabiliser la géométrie via des moules tridimensionnels, limiter l'accès à une seule face de la pièce pour réduire la complexité de coordination, et déployer des préhenseurs conçus pour les matériaux poreux et souples. L'objectif est de rendre le tissu suffisamment prédictible pour qu'un système d'apprentissage automatique puisse en généraliser la manipulation.

L'enjeu dépasse largement le secteur textile. Les matériaux déformables constituent aujourd'hui le test le plus exigeant pour l'IA physique, ces systèmes robotiques capables de percevoir, raisonner sur les contacts et s'adapter en temps réel, par opposition aux robots industriels classiques qui rejouent des trajectoires pré-scriptées. Le critère de commercialisation n'est pas qu'un robot réussisse une tâche en démonstration, mais qu'il la répète en continu, face à la variabilité des matériaux, avec un uptime, un cycle time et un rendement acceptables en production. Les matériaux déformables révèlent très vite l'écart entre une démo convaincante et un système déployable : là où un robot de soudage opère sur des géométries rigides et prévisibles, le tissu change d'état à chaque manipulation. Toute progression sérieuse dans ce domaine ouvre une base transférable à d'autres matériaux flexibles, des emballages souples aux câblages industriels en passant par les composites.

Pendant des décennies, la robotique industrielle a contourné ce problème en automatisant d'autres segments de la chaîne textile, notamment la coupe automatisée (Gerber, Lectra dès les années 1970) et la manutention logistique, en laissant l'assemblage aux bassins à bas coûts salariaux en Asie du Sud-Est. La pression combinée du reshoring industriel post-Covid, de la hausse des salaires dans ces régions et des exigences de traçabilité ESG relance aujourd'hui l'intérêt pour une automatisation plus profonde de l'assemblage. Côté IA physique, les avancées récentes en simulation (sim-to-real) et en modèles d'action visuels (VLA) rendent crédible un contrôle adaptatif en temps réel, mais uniquement si le procédé physique est conçu dès le départ pour réduire la variabilité à la source. C'est là la thèse centrale : pour l'assemblage de matériaux déformables, l'intelligence et la conception du procédé sont inséparables. Les systèmes qui gagnent ne sont pas ceux qui superposent de l'IA sur des workflows existants, mais ceux qui co-conçoivent robotique, méthodes d'assemblage et apprentissage automatique comme un système intégré unique.

Impact France/UE

Lectra, pionnier français de la découpe textile automatisée, est cité comme référence historique, et la pression combinée du reshoring post-Covid et des exigences ESG relance directement la demande d'automatisation d'assemblage dans les bassins industriels européens.

Dans nos dossiers

IA physique & VLA

À lire aussi

1Robotics Business Review

Pourquoi l'alimentation est le défi le plus difficile de l'IA physique, selon RoboBusiness

Chef Robotics, entreprise de robotique alimentaire basée à San Francisco, annonce que son fondateur et CEO Rajat Bhageria interviendra à RoboBusiness 2026, qui se tiendra les 20 et 21 octobre à Santa Clara, en Californie. Sa conférence, intitulée "Why Food is Physical AI's Hardest Problem and Most Promising Catalyst", portera sur l'automatisation de la préparation alimentaire à grande échelle. L'entreprise affirme avoir réalisé plus de 118 millions de portions en conditions de production réparties sur plus d'une douzaine d'usines agroalimentaires en Amérique du Nord et en Europe. Ces données constitueraient, selon Chef Robotics, le plus grand jeu de données réel de manipulation de matériaux déformables jamais constitué, et alimentent son modèle propriétaire, le Food Foundation Model (FFM), censé permettre à ses robots de généraliser à de nouveaux ingrédients avec un minimum de réentraînement. La session doit détailler les défis de fusion de capteurs pour saisir des objets mous et imprévisibles, ainsi que le contrôle de force nécessaire pour distinguer matériaux fragiles et denses. L'argument de fond dépasse la seule restauration collective. La plupart des modèles fondation en robotique physique sont aujourd'hui entraînés sur des objets rigides, plus faciles à modéliser et à simuler; la nourriture, déformable, variable en poids, en texture et en sensibilité thermique, constitue un test autrement plus exigeant. Si les techniques développées par Chef Robotics (préhension adaptative, retour tactile, entraînement sur distributions à forte variance) se transfèrent effectivement aux dispositifs médicaux, à l'emballage souple ou à l'agriculture, cela renforcerait l'idée que la donnée réelle à l'échelle, plutôt que la simulation ou les démonstrations en laboratoire, reste le facteur limitant des systèmes physiques déployables. Ces chiffres proviennent toutefois exclusivement de l'entreprise, sans audit indépendant, et le terme de "plus grand jeu de données" reste invérifiable de l'extérieur; il s'agit d'une présentation de conférence destinée à valoriser une thèse commerciale, pas d'une publication scientifique évaluée par des pairs. Chef Robotics n'est pas un nouvel entrant: avant de fonder l'entreprise, Bhageria avait dirigé Prototype Capital, un fonds de capital-risque en amorçage investissant dans des fondateurs appliquant des technologies nouvelles à des secteurs anciens, après avoir créé ThirdEye, une technologie d'assistance pour malvoyants, finalement rachetée. Il est titulaire d'un master en robotique et apprentissage automatique et d'une licence d'économie de l'université de Pennsylvanie. La démonstration s'inscrit dans une course plus large de l'IA physique où la plupart des acteurs valorisent la polyvalence de modèles vision-langage-action génériques; Chef Robotics défend au contraire une spécialisation verticale sur un problème de manipulation jugé particulièrement dur. Aucune nouvelle étape produit n'est annoncée au-delà de cette intervention: il s'agit d'une session de conférence, pas d'un lancement, dans le cadre de RoboBusiness 2026, événement organisé par The Robot Report à destination des développeurs de robotique commerciale.

UEChef Robotics affirme déjà opérer des robots dans plusieurs usines agroalimentaires en Europe, mais sans qu'aucune entreprise, pays ou régulation européenne ne soit nommé précisément.

IA physiqueActu

1 source

2arXiv cs.RO

DeMaVLA : un modèle fondation vision-langage-action (VLA) pour la manipulation de matériaux déformables

Des chercheurs ont publié DeMaVLA, un modèle fondation de type Vision-Langage-Action (VLA) conçu pour la manipulation d'objets déformables, en particulier le pliage de vêtements. Annoncé en preprint arXiv (2605.31286, mai 2026), DeMaVLA couple un backbone VLM à un module appelé "action expert" qui génère des trajectoires continues par flow matching. Pour réduire les coûts d'entraînement et d'inférence, cet action expert est construit en élaguant une couche transformer sur deux du backbone, tout en préservant l'alignement entre les deux modules. Le modèle est d'abord pré-entraîné sur environ 5 000 heures de démonstrations bimanuals en conditions réelles, puis affiné via un pipeline DAgger (Data Aggregation) avec supervision humaine : des trajectoires correctives sont collectées à partir des échecs du robot sur plusieurs tâches de pliage, puis réinjectées en entraînement. Les résultats sont compétitifs sur le benchmark RoboTwin et solides sur un benchmark maison de pliage domestique. La plupart des systèmes VLA actuels entraînent des politiques séparées par catégorie d'objet (un réseau pour les t-shirts, un autre pour les pantalons), ce qui limite la généralisation et alourdit la maintenance. DeMaVLA propose une politique unifiée capable de traiter des vêtements de géométries, matières et états initiaux variés sans réentraînement par catégorie, ce qui est directement pertinent pour les intégrateurs en robotique domestique et logistique. Le recours au DAgger avec boucle humaine est aussi un signal industriel : les corrections issues des échecs du robot, structurées et réinjectées, améliorent concrètement la robustesse au-delà des seules démonstrations expertes. Cela valide l'hypothèse que les données correctives à grande échelle sont un levier clé pour réduire le sim-to-real gap sur des tâches à haute variabilité. La manipulation d'objets déformables reste l'un des problèmes ouverts les plus difficiles en robotique physique : contrairement aux objets rigides, un vêtement n'a pas d'état canonique stable, ce qui complique radicalement la planification et la perception. Plusieurs équipes travaillent sur ce terrain : Physical Intelligence avec Pi-0 (manipulation généraliste bimanuels), NVIDIA avec GR00T N2, et divers laboratoires académiques (Columbia, CMU) sur la manipulation textile. DeMaVLA se positionne sur le créneau des fondations multi-tâches déformables, en combinant pré-entraînement à grande échelle et fine-tuning correctif. Ce travail reste un preprint non encore évalué par les pairs, et les benchmarks maisons appellent à une validation indépendante. Les suites naturelles sont l'extension à d'autres objets déformables (câbles, sacs souples) et l'évaluation sur des plateformes robotiques commerciales en environnement non contrôlé.

IA physiqueOpinion

1 source

3Robotics Business Review

Pourquoi la dextérité est le vrai goulot d'étranglement de l'IA physique

Nicolas Sauvage, fondateur et président de TDK Ventures, soutient dans une tribune publiée par The Robot Report que le vrai goulot d'étranglement de l'IA physique n'est plus la capacité des robots à manipuler des objets, mais la fiabilité avec laquelle ils enchaînent des actions. Son raisonnement repose sur un calcul simplifié, qui suppose des taux de succès égaux et indépendants. Pour un flux de travail de 100 actions successives, un taux de réussite de 99 % par action ne donne que 36,6 % de chances de tout réussir du premier coup. À 99,9 %, la probabilité monte à 90,5 %, et à 99,99 % elle atteint 99,0 %. Un robot « réussi à 99 % » n'est donc pas automatisé à 99 %. Il s'agit d'un texte d'opinion, sans nouveau produit, sans déploiement ni donnée de terrain. L'auteur est photographié aux côtés du quadrupède d'ANYbotics, une entreprise suisse. Le message est direct pour les intégrateurs et les décideurs industriels : une démonstration où l'objet est saisi, déplacé et posé ne dit presque rien de l'autonomie réelle. La bonne question est de savoir ce que devient la performance après des centaines de cycles, avec des objets légèrement décalés, une prise qui varie, des composants qui s'usent et des pannes imprévues. Cette lecture confirme l'écart entre démonstration et réalité qui pèse sur le secteur humanoïde, et elle déplace la comparaison. Le nombre de doigts ou de degrés de liberté compte moins que le nombre de « neuf » de fiabilité, c'est-à-dire la différence entre deux et quatre neuf, qui décide si un robot peut travailler sans surveillance. Le client n'achète pas des degrés de liberté, il achète du travail utile. Cela suppose une boucle fermée entre vision, position, contact, force, pression, préhension et correction, avec l'énergie, la sécurité et la capacité de récupération comme contraintes. Sauvage nuance toutefois : tous les flux n'exigent pas le toucher, car la vision et le mouvement suffisent parfois. Le tactile devient précieux pour détecter un glissement, un contact instable, une pression excessive ou la bonne mise en place d'un composant. Pour gagner ces neuf supplémentaires, l'auteur met en avant la récupération sur erreur. Il faut moins viser une prise parfaite que détecter un glissement assez tôt pour le corriger avant que la tâche n'échoue. Il décrit aussi un cercle vertueux : les échecs en déploiement (glissements, mauvaises prises, usure, récupérations ratées) deviennent des données qui améliorent le logiciel, la simulation, les capteurs, la commande et le matériel. Il y met une réserve : changer la main modifie le mouvement, la détection et l'étalonnage, si bien que les données d'un design ne se transfèrent pas forcément à un autre. Cette position n'est pas neutre. TDK Ventures finance des start-up en matériaux, énergie, cleantech, industrie 5.0, mobilité et santé, et TDK est lui-même un fabricant de capteurs, ce qui donne un intérêt à la thèse du tactile et de l'instrumentation. Le texte ne cite aucun acteur concurrent ni calendrier de pilote, et l'extrait fourni s'interrompt avant sa conclusion. Il s'inscrit néanmoins dans un débat croissant sur la manière de mesurer la maturité des robots polyvalents, où le taux de réussite par tâche cède la place à la fiabilité sur un flux complet.

IA physiqueOpinion

1 source

4Robotics Business Review

L'IA physique est la véritable révolution de l'industrie manufacturière

Pour Steve Ricketts, vice-président du développement commercial chez Fictiv, 2026 marque le basculement de l'IA conversationnelle vers ce qu'il nomme l'"IA physique" : la convergence entre réseaux de neurones et systèmes mécaniques embarqués. Sur le terrain, cette transition se manifeste dans trois segments concrets : les robots mobiles autonomes (AMR) capables d'interagir avec les rayonnages en bout de ligne, les cobots équipés de perception haptique pour l'assemblage électronique aux côtés d'opérateurs humains, et les bras robotisés dotés de vision IA pour le contrôle qualité, capables selon Fictiv de détecter des microfissures dans des aubes de turbines invisibles à l'oeil nu. L'article ne fournit pas de chiffres de déploiement précis et s'appuie sur des cas génériques. Sur le plan industriel, MISUMI, distributeur japonais de composants coté en bourse, a acquis Fictiv, marketplace de fabrication à la demande (CNC, injection, impression 3D). La combinaison des deux a permis à un client entreprise non nommé de rapatrier sa production aux États-Unis, en consolidant flux matière et production multi-régions pour accélérer le ramp-up. Ce qui distingue cette vague des précédentes est le raccourcissement de la boucle de développement via les pipelines "sim-to-real" : des agents IA s'entraînent dans des jumeaux numériques photoréalistes, exécutant des millions d'itérations en quelques heures avant tout déploiement physique. Cette approche permet de traiter des tâches à haute variabilité, comme le tri de ferraille non structurée ou la navigation en couloir hospitalier, jusqu'ici impossibles à automatiser de façon fiable. Pour les intégrateurs et les décideurs industriels, le signal opérationnel est double : le rôle du développeur bascule de "programmeur" à "entraîneur", et le critère de sélection des plateformes se déplace vers la capacité à absorber des feedbacks terrain en production réelle. Le vrai goulot d'étranglement identifié pour 2026 n'est plus algorithmique mais physique : la "scaling wall", soit la capacité à fabriquer des milliers d'unités de hardware en qualité constante dans une supply chain mondiale sous tension. Il faut noter que cet article est signé par le VP de Fictiv lui-même, lui conférant une tonalité promotionnelle assumée plutôt qu'analytique indépendante. Dans le paysage concurrentiel, Amazon déploie déjà des humanoïdes Digit d'Agility Robotics dans ses entrepôts, tandis que Boston Dynamics, Figure et 1X intensifient leurs pipelines commerciaux. Du côté européen, des acteurs comme Enchanted Tools ou Wandercraft avancent sur des niches spécifiques (robotique hospitalière, exosquelettes), mais restent absents de cette analyse orientée marché nord-américain. Le prochain jalon annoncé est la conférence Robotics Summit & Expo de Boston, en mai 2026, où Ricketts interviendra sur le thème "Emergent Robotics : AI at the Edge of Hardware Innovation".

IA physiqueOpinion

1 source