RechercheInteresting Engineering 18 mai 2026

Des scientifiques américains développent des robots autonomes capables d'apprendre directement auprès des chercheurs

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

L'Argonne National Laboratory, laboratoire fédéral américain rattaché au Département de l'Énergie (DOE), a annoncé le développement de RoSA (Robot Scientific Assistant for Accelerating Experimental Workflows), un projet visant à créer des robots capables d'apprendre les procédures expérimentales directement en observant des chercheurs humains. L'approche repose sur l'imitation par démonstration : les scientifiques portent des capteurs pendant leurs manipulations, permettant de capturer mouvements, flux de travail et processus de décision, données qui alimentent ensuite des modèles d'IA chargés de reproduire correctement ces protocoles. Nicola Ferrier, informaticienne senior spécialisée en vision par ordinateur, dirige le volet robotique, tandis qu'Arvind Ramanathan contribue son expertise en systèmes de décision autonomes. Trois configurations matérielles sont envisagées : bras robotiques fixes, robots humanoïdes, et systèmes hybrides combinant mobilité et précision stationnaire. Les systèmes seront d'abord validés en simulation virtuelle avant tout déploiement en environnement réel. L'équipe cible une multiplication par cinq de l'efficacité sur les tâches ciblées d'ici un an. RoSA alimentera également OPAL (Orchestrated Platform for Autonomous Laboratories), initiative DOE parallèle visant à créer des réseaux de laboratoires autonomes capables d'apprentissage indépendant, notamment pour des expériences biologiques.

Ce projet marque un changement d'approche dans la robotisation scientifique : plutôt que de programmer manuellement chaque geste, l'équipe d'Argonne parie sur l'imitation learning, une méthode qui supprime la phase de programmation explicite pour chaque nouveau protocole. Pour les intégrateurs et les décideurs B2B, cela ouvre la perspective de robots reconfigurables sur simple démonstration humaine, sans expertise en robotique embarquée. L'enjeu est concret : automatiser les tâches répétitives ou dangereuses (pipetage, manipulation de produits chimiques, expériences à haute cadence) améliorerait à la fois la sécurité et la reproductibilité des résultats. Quelques réserves s'imposent néanmoins : l'objectif x5 d'efficacité n'est qu'une cible interne sur douze mois, sans métriques de référence publiées ni benchmark externe validé, et aucun déploiement opérationnel en laboratoire réel n'est encore annoncé. La distance entre validation en simulation et robustesse en environnement de laboratoire réel constitue le principal risque d'exécution de ce type de projet.

RoSA s'inscrit dans la Genesis Mission du DOE, initiative nationale mobilisant IA, informatique quantique et supercalculateurs pour doubler la productivité de la recherche américaine dans la décennie. Le segment des "self-driving laboratories" est en pleine croissance : le groupe Cronin à l'Université de Glasgow a publié des résultats emblématiques sur un laboratoire chimique autonome piloté par IA, Emerald Cloud Lab (États-Unis) propose déjà des services de laboratoire entièrement automatisés à distance, et des équipementiers comme Beckman Coulter ou Tecan fournissent des plateformes d'automatisation avancées au marché pharmaceutique. Argonne cherche à se positionner comme référence en robotique scientifique généraliste, au-delà des tâches chimiques ou biologiques standardisées déjà couvertes par ces acteurs. La prochaine étape annoncée reste la démonstration du gain x5 d'efficacité, préalable à une intégration progressive aux équipements existants de laboratoires partenaires.

À lire aussi

1Interesting Engineering

Des chercheurs préparent des essaims de robots capables d'assembler des structures sans ouvriers humains

Des chercheurs de l'Université de Stuttgart (Allemagne) préparent deux systèmes robotiques autonomes de construction, SCALAR et COBRAS, censés accélérer les chantiers, améliorer la productivité et réduire les déchets. Les deux projets ont obtenu chacun environ 4 millions d'euros (environ 9 millions de dollars) via l'EIC Pathfinder Challenge du Conseil européen de l'innovation. Coordonnés par l'Institute for Computational Design and Construction (ICD), ils doivent démarrer en novembre 2026 pour trois ans. SCALAR vise l'assemblage autonome de modules en bois préfabriqués : des grues rétrofitées transportent les composants et les positionnent grossièrement, tandis que des robots mobiles assurent l'assemblage de précision. Le processus est simulé en environnement virtuel avant le chantier, puis un système de contrôle numérique coordonne les opérations en temps réel et veille à la sécurité. COBRAS, lui, étudie des équipes de robots mobiles identiques à alimentation électrique, qui assemblent des structures en treillis spatial (space frames), sans contrôleur central, par coordination autonome de type essaim. Ces projets s'attaquent à des verrous concrets. Le bois modulaire réduit le temps passé sur site, mais l'assemblage reste très manuel. Pour les structures en treillis spatial, la pose de multiples pièces individuelles freine l'adoption. L'intérêt de SCALAR tient à l'intégration de machines existantes : rétrofiter des grues de fabricants comme Liebherr et Jekko est plus réaliste pour un intégrateur que de concevoir des engins entièrement nouveaux. Le développement de capteurs fiables face à la poussière, à la saleté et aux éclairages difficiles est le point dur du passage du laboratoire au chantier, là où se joue l'écart entre démonstration et réalité. COBRAS parie sur la scalabilité : on ajoute ou retire des robots selon la taille du chantier, et la panne d'une unité n'arrête pas l'ensemble. Il faut toutefois rester prudent. Il s'agit de projets de recherche non encore démarrés, sans performances, cadences ni calendrier de déploiement annoncés. On ne parle ni de produit ni de pilote. Ces travaux prolongent la ligne de recherche de l'ICD sur la conception computationnelle et la construction robotisée. Ils s'appuient sur un consortium européen : l'Institute for System Dynamics de Stuttgart, l'Austrian Institute of Technology, Liebherr et Jekko pour SCALAR ; l'Institute for Structural Engineering and Structural Design de Stuttgart, le Reconfigurable Robotics Lab de l'EPFL (Suisse) et le laboratoire IRIDIA de l'Université libre de Bruxelles pour COBRAS. Ce positionnement académique et européen contraste avec la robotique de construction commerciale, souvent portée par des start-up américaines, et il privilégie le bois et la réutilisation des composants, en phase avec les enjeux de durabilité. La suite dépendra des résultats après le lancement de novembre 2026, avec une échéance d'environ fin 2029. Le passage à des essais sur chantier réel et l'implication des industriels partenaires seront les indicateurs à surveiller.

UEDeux projets financés par l'EIC Pathfinder (environ 4 M€ chacun) et menés par l'Université de Stuttgart avec l'EPFL, l'ULB et Liebherr structurent un écosystème européen de robotique de construction.

RecherchePaper

1 source

2Interesting Engineering

Des chercheurs développent un module de protection inspiré de l'armadillo pour la robotique souple

Des chercheurs de la North Carolina State University ont publié le 27 mai dans la revue Science Advances un module de protection autonome baptisé Morpho-Interlocking Protective Module (MIPM), conçu en s'inspirant directement de la morphologie du tatou. Le dispositif repose sur une architecture en trois couches : un exosquelette externe composé d'écailles en résine imprimées en 3D, une couche centrale de détection et d'actionnement intégrant un capteur de déformation en polymère élastique chargé de nanofils d'argent, un tissu conducteur chauffant, un élastomère à cristaux liquides (LCE) et du ruban Kapton, ainsi qu'un endosquelette interne formé de nervures en papier rigide portant des écailles polymères en interverrouillage. Lorsque le capteur détecte une contrainte mécanique, il déclenche une impulsion électrique vers la couche chauffante : la chaleur provoque une contraction du LCE simultanément à une dilatation du Kapton, forçant le module à se replier en position curvée. Les écailles d'endosquelette s'imbriquent alors en un squelette interne rigide capable d'absorber des forces allant jusqu'à 10 newtons pour une configuration à 10 écailles segmentaires, selon les tests réalisés en laboratoire. Ce résultat est notable dans le contexte de la robotique molle, un champ en forte croissance où la fragilité mécanique reste un obstacle systémique. Le MIPM apporte une réponse autonome et réversible sans requérir d'actionneur dédié ni de supervision externe. L'équipe a établi une relation mathématique précise entre le nombre d'écailles de l'endosquelette, la rigidité obtenue et la masse du dispositif, permettant de calibrer directement le niveau de protection selon le payload à défendre. Ce ratio est utilisable pour dimensionner l'armure selon des contraintes d'intégration réelles. L'architecture ne se cantonne pas à une rigidité passive : la transformation est déclenchée par le module lui-même, ce qui ouvre la voie à des protections embarquées sur drones de recherche en milieu confiné ou sur implants médicaux flexibles soumis aux mouvements articulaires, deux cas d'usage explicitement cités par les auteurs. Il reste toutefois à valider le comportement en cycles répétés et en conditions réelles d'intégration, absents de la publication. Le projet est porté par Yong Zhu, professeur Andrew A. Adams en génie mécanique et aérospatial à NC State, et par Jianyu Zhou, chercheur postdoctoral et premier auteur. Il s'inscrit dans un effort plus large de la communauté robotique molle pour combler le fossé entre flexibilité d'usage et robustesse opérationnelle, un défi que les blindages rigides classiques ne peuvent résoudre sans sacrifier la compliance mécanique. Aucun concurrent direct n'est mentionné dans la publication, mais des approches similaires de protection adaptative existent en phase exploratoire dans plusieurs laboratoires de matériaux actifs. L'équipe NC State recherche activement des partenaires industriels pour industrialiser le dispositif, sans calendrier précis annoncé à ce stade.

RecherchePaper

1 source

3arXiv cs.RO

Tutorat bidirectionnel pour l'apprentissage moteur développemental en robotique : dynamiques co-développées et stabilité

Une équipe de chercheurs a publié sur arXiv (référence 2606.19728, juin 2026) une étude portant sur l'apprentissage moteur développemental des robots, inspirée de la manière dont les nourrissons acquièrent leurs compétences motrices via l'interaction avec leurs aidants. L'expérience centrale implique un robot humanoïde physique chargé d'une tâche de manipulation d'objets, soumis à deux protocoles distincts : d'abord une interaction humain-robot en temps réel, puis un tuteur IA doté d'un mécanisme d'intervention adaptatif conçu pour reproduire la même dynamique bidirectionnelle dans des conditions plus contrôlées. Le système d'apprentissage repose sur un réseau de neurones fondé sur le principe de l'énergie libre (free-energy principle, FEP), étendu par un mécanisme de rejeu génératif (générative replay) permettant un apprentissage stable séquence par séquence à partir d'épisodes tutorés uniques. L'hypothèse centrale, vérifiée dans les deux configurations, est que le tutorat bidirectionnel produit des comportements plus cohérents et une généralisation par étapes (stage-wise generalization), le robot requérant progressivement moins de guidage externe. Cela tranche avec le paradigme dominant de l'apprentissage par démonstration (learning from demonstration, LfD), où le robot reçoit passivement des flux de téléopération sans que ses expériences passées contraignent la dynamique d'interaction. Pour les intégrateurs et ingénieurs roboticiens, l'implication est concrète : les stratégies d'entraînement actuelles, largement fondées sur des démonstrations unidirectionnelles comme celles utilisées par Figure, Tesla Optimus ou Physical Intelligence, pourraient négliger un levier important de cohérence comportementale et de robustesse à la distribution. Ce travail s'inscrit dans la tradition de la robotique développementale, un champ qui emprunte aux sciences cognitives du développement pour concevoir des agents capables d'apprentissage progressif et socialement ancré. Il faut toutefois nuancer : il s'agit d'un preprint arXiv non encore évalué par les pairs, réalisé sur un robot unique dans des conditions expérimentales contrôlées, sans déploiement industriel ni partenariat commercial annoncé. La prochaine étape naturelle serait de tester la scalabilité du protocole sur plusieurs morphologies de robots et sur des tâches plus complexes, afin d'évaluer si la dynamique bidirectionnelle conserve ses avantages au-delà de la manipulation d'objets simples.

RecherchePaper

1 source

4arXiv cs.RO

Apprendre à construire : assemblage robotique autonome de structures stables sans plans prédéfinis

Des chercheurs proposent un cadre d'assemblage robotique autonome capable de construire des structures stables sans plan architectural prédéfini. Au lieu de suivre un plan figé, la tâche de construction est décrite par des cibles à atteindre et des obstacles à éviter. Le système décide donc lui-même de l'ordre et du placement des éléments. Le module de décision est une politique d'apprentissage par renforcement (RL), entraînée par deep Q-learning avec « successor features », une représentation qui découple la dynamique de l'environnement de la fonction de récompense. Cette approche vise à faciliter le transfert d'une tâche à l'autre. L'évaluation, présentée comme une preuve de concept, porte sur un banc d'essai de 15 tâches d'assemblage 2D en blocs discrets. Des expériences ont aussi été menées sur un montage robotique réel en boucle fermée. Elles indiquent que la méthode fonctionne et tolère le bruit de construction, c'est-à-dire les imprécisions de pose et d'exécution lors de la pose des blocs. Le résumé ne donne ni taux de réussite, ni temps de cycle, ni nombre d'essais réels, ni identification du robot utilisé. L'intérêt tient au déplacement du problème. L'assemblage robotique industriel repose presque toujours sur une séquence connue à l'avance, ce qui limite sa robustesse dès que le terrain ou les pièces s'écartent du modèle. Une politique qui raisonne à partir d'objectifs et de contraintes, et qui corrige en boucle fermée, répond à l'incertitude propre au chantier, à la construction modulaire ou à la préfabrication in situ. Les limites sont toutefois nettes. Les tâches sont en 2D, avec des blocs discrets, loin des charges, des tolérances et des matériaux d'un site réel. Aucune comparaison avec des planificateurs classiques n'est annoncée. Le résultat reste un signal de recherche, sans lien avec un produit, un déploiement ou une démonstration à l'échelle. Ces travaux s'inscrivent dans un mouvement plus large qui remplace les pipelines de planification symbolique par des politiques apprises, qu'il s'agisse de RL ou de modèles vision-langage-action (VLA) pour la manipulation. L'assemblage de structures y reste un terrain moins exploré que la saisie ou le tri. La suite logique est le passage à la 3D, à des éléments hétérogènes et à des géométries plus riches, avec une validation sur des tâches physiques plus nombreuses. Il s'agit de la version 2 d'un preprint arXiv (2602.23934), qui n'a pas encore été publié après relecture par les pairs. Aucun partenaire industriel ni calendrier de pilote n'est mentionné.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source