Kawasaki Robotics présente son robot IA physique…

1Robotics Business Review

Kawasaki Robotics dévoile sa plateforme d'IA physique RL030N à Automate

Kawasaki Robotics dévoilera la semaine prochaine, lors du salon Automate 2026 à Chicago (McCormick Place, stand S-2201), sa nouvelle plateforme RL030N, un bras robotique à 8 degrés de liberté (DoF) conçu pour les applications d'IA physique. L'entreprise présentera également deux robots industriels inédits, le MXP360L dédié à la manutention lourde et le BA013L, ainsi que sa technologie d'inspection Pulseboard brevetée. Le RL030N se distingue des bras six axes conventionnels par un axe supplémentaire en configuration dite "plongeoir" ("diving board") : une extension supplémentaire qui permet d'atteindre des positions en espace confiné sans tomber en singularité, c'est-à-dire sans perdre le contrôle du couple cinématique inverse. Selon Paul Marcovecchio, directeur des industries générales chez Kawasaki Robotics (siège américain à Wixom, Michigan), cette articulation maintient également la pleine capacité de charge sur toute l'amplitude de mouvement, un compromis que les bras traditionnels étirent ne peuvent généralement pas tenir. La plateforme repose sur l'API temps réel ouverte KRNX de Kawasaki et supporte l'évitement d'obstacles, la planification de mouvement complexe et l'orchestration externe, c'est-à-dire le pilotage du robot par un superviseur logiciel tiers. L'intérêt industriel de la RL030N réside dans le pont qu'elle tente de construire entre les robots industriels fiables et les exigences de dextérité des nouveaux systèmes d'IA physique. Plusieurs startups ont développé des logiciels de planification de mouvement avancés, mais se heurtaient aux limites cinématiques des plateformes existantes ou à des latences incompatibles avec le contrôle temps réel. Kawasaki répond à cette demande en offrant un matériel pensé dès la conception pour être commandé par des orchestrateurs externes, ce qui réduit la friction d'intégration pour les éditeurs de VLA (Vision-Language-Action models) ou de systèmes de manipulation adaptative. La posture de Kawasaki est délibérément pragmatique : l'entreprise évite le discours "humanoid-first" et mise sur des robots industriels éprouvés reconvertis pour l'IA physique, un pari sur la robustesse plutôt que sur la rupture spectaculaire. Kawasaki Robotics opère dans l'automatisation industrielle depuis 1969, filiale de Kawasaki Heavy Industries, conglomérat japonais actif dans l'aéronautique, le ferroviaire et les véhicules récréatifs. Cette origine manufacture-first explique le discours centré sur les résultats concrets plutôt que sur les benchmarks de laboratoire. Sur un marché où Boston Dynamics, Agility Robotics, Figure ou 1X Technologies concentrent l'attention médiatique autour de l'humanoïde, Kawasaki choisit un positionnement différent : bras industriel augmenté, compatible physique AI, déployable immédiatement dans des lignes existantes. Automate 2026 sera le premier test public de la RL030N ; aucun calendrier de disponibilité commerciale ni tarif n'ont été communiqués à ce stade, ce qui en fait pour l'instant une annonce de salon plutôt qu'un produit disponible à la commande.

UEKawasaki dispose d'une filiale européenne (KRE, Allemagne) et équipe les lignes de production EU, mais la RL030N est présentée exclusivement sur le marché américain sans calendrier ni partenariat européen annoncé.

IA physiqueOpinion

1 source

2Pandaily

Simate présente le système d'IA physique Simate-beta et affirme dominer le benchmark RoboDojo

Simate, une startup d'IA embarquée fondée il y a environ trois mois, a publié Simate-beta, première version de ce qu'elle présente comme un « système rapide » physique généraliste. Selon un instantané du classement daté du 23 septembre, que l'entreprise a elle-même partagé, le modèle prend la première place du benchmark RoboDojo avec un score moyen de 33,95 et un taux de réussite de 27,96 %. RoboDojo évalue la manipulation robotique générale selon cinq axes : généralisation, mémoire, manipulation fine, exécution à long horizon et tâches ouvertes. Simate précise que le modèle de base soumis n'a pas été optimisé spécifiquement pour ce test, et que les résultats du classement sont distincts de ses démonstrations sur robot réel. Ce système rapide est conçu pour se placer sous un modèle de raisonnement plus lent. Quand ce dernier décompose une consigne comme « ranger la table », le système rapide perçoit une scène changeante et produit des actions en quelques millisecondes. L'entreprise revendique une perception physique 4D et une mémoire temporelle hiérarchique, censées permettre au robot de suivre ce qui vient de se passer sans être ralenti par de longs historiques. Les démonstrations couvrent l'adaptation à une tâche à partir d'exemples, la mémoire, des enchaînements comme la préparation du thé et la manipulation fine. L'architecture et la taille du modèle seront détaillées dans un rapport technique ultérieur. Le score le plus marquant est sans doute relatif : un taux de réussite inférieur à 28 % en tête d'un classement rappelle que la manipulation généraliste reste loin d'être résolue, et qu'un rang n'est pas un niveau de fiabilité exploitable en production. Le résultat reste auto-rapporté à partir d'un instantané fourni par l'entreprise, sans détail sur l'architecture, les paramètres ou les données, et il est impossible de le comparer à des modèles établis à ce stade. L'intérêt est ailleurs, dans la méthode. Simate parle d'« IA pour l'IA physique » : son cadre Sipai définit des frontières de modules, des interfaces et des étapes de validation assez nettes pour que des agents logiciels puissent les modifier, et prend déjà en charge les modèles du monde, les modèles monde-action, les VLA (vision-langage-action) et les VLM. Son moteur AutoResearch fusionne articles, notes internes, code, mélanges de données, journaux d'expériences et nouveaux résultats d'évaluation en un contexte de recherche mis à jour en continu. Les chercheurs humains fixent hypothèses, objectifs et contraintes, tandis que les agents décomposent, lancent et rapportent les expériences. L'infrastructure fait tourner des dizaines de pistes en parallèle, filtrées par des modèles du monde et de la simulation pour que seules les approches prometteuses atteignent les robots réels. Si cela fonctionne, le goulot d'étranglement de l'itération en robotique se déplacerait de la collecte de données sur robot vers la capacité de calcul et l'automatisation de la recherche. Côté contexte, Simate affirme que son équipe fondatrice a déjà mis en production de masse un modèle de conduite autonome de bout en bout, un parcours désormais courant chez les acteurs chinois de l'IA incarnée. Le site anglophone de la société cite Sinfra comme plateforme de développement, Sipai comme système de modèles et RoboScientist, un scientifique IA en préversion de recherche. Elle indique que des chercheurs du MIT, de Caltech, de l'université Tsinghua et de l'université de Pékin figurent parmi les testeurs internes de sa plateforme, sans que cela soit vérifiable. Le modèle arrive dans un champ déjà occupé par les architectures à double système, comme Helix de Figure ou GR00T de NVIDIA, et par des modèles généralistes comme Pi-0. La suite est annoncée : des résultats de généralisation zero-shot sur des tâches complexes d'ici la fin de l'année, puis des articles, des rapports techniques et une publication du code en open source par étapes. Aucun déploiement client, prix ni calendrier commercial n'a été communiqué. Il s'agit donc d'une annonce de modèle et de méthode, pas d'un produit livré.

IA physiqueActu

1 source

3Robotics Business Review

Built Robotics et Penn xLAB s'associent pour développer une IA physique dédiée à la construction

Built Robotics, spécialiste américain de l'automatisation des engins de chantier fondé en 2016, s'associe au Safe Autonomous Systems Lab (xLAB) de l'Université de Pennsylvanie pour développer des modèles d'IA physiques adaptés aux environnements de construction. Le partenariat repose sur le déploiement de petits robots mobiles équipés de suites de capteurs, chargés de collecter des données sur des chantiers actifs : postures corporelles atypiques, occultations, conditions d'éclairage dégradées, comportements humains imprévus. Ces cas limites viennent enrichir un jeu de données déjà conséquent : Built revendique plus de 50 000 heures d'opérations terrain, l'installation de plus de 3 gigawatts de panneaux solaires et une présence sur plus de 40 sites. Depuis son entrée sur le marché du solaire à grande échelle en 2023 avec le RPD 35 (Robotic Pile Driver, son robot de battage de pieux autonome), la société a accumulé des volumes de données opérationnelles dans certains des environnements industriels les plus contraignants du secteur. L'objectif déclaré est de construire un "world foundation model" pour la coexistence sûre entre machines autonomes et opérateurs humains sur site. L'enjeu est structurant pour l'industrie de la construction, l'un des secteurs les plus accidentogènes au monde et l'un des derniers à amorcer sa transition vers l'autonomie robotique à grande échelle. Le partenariat cible explicitement le "sim-to-real gap" : l'écart entre la performance validée en environnement contrôlé et la robustesse réelle sur chantier, avec des centaines d'ouvriers sur des sites pouvant s'étendre sur plusieurs milliers d'acres. Le modèle edge AI de détection de personnes développé en interne par Built sera affiné à partir de ces données d'edge cases, avec l'ambition d'atteindre une perception dite "surhumaine", capable de détecter des dangers transitoires qu'un opérateur humain pourrait manquer. Pour les intégrateurs et les décideurs industriels, ce travail représente un pas vers une certifiabilité effective des systèmes autonomes outdoor, domaine où les standards de sécurité restent embryonnaires. Built est par ailleurs membre de l'Association of Equipment Manufacturers (AEM) et siège au Futures Council de l'organisation, dont Erol Ahmed, VP communications de Built, assure la présidence. Built Robotics a été fondé par Noah Ready-Campbell, diplômé de Penn, ce qui explique en partie la fluidité du rapprochement avec xLAB, dirigé par Rahul Mangharam, professeur en ingénierie électrique et des systèmes. Sur le plan concurrentiel, le segment des robots de construction autonomes voit émerger plusieurs acteurs : Caterpillar et Komatsu investissent dans l'autonomie de leurs engins lourds, tandis que des startups comme Dusty Robotics (traçage au sol) ou Trimble (géolocalisation de chantier) avancent sur des niches complémentaires. En Europe, des initiatives restent plus discrètes sur ce front spécifique. La phase initiale du pilote de recherche porte sur le déploiement du modèle edge AI de Built sur des chantiers actifs avec cartographie haute fidélité, avant une montée en puissance vers un modèle de fondation plus généraliste dont les contours et la timeline publique n'ont pas encore été précisés.

UEL'émergence d'un standard de perception 'surhumaine' et de certifiabilité pour robots autonomes outdoor pourrait servir de référence aux acteurs européens de la construction, encore en retrait sur ce segment spécifique.

IA physiqueOpinion

1 source

4Robotics & Automation News

RLWRLD désignée Pionnière Technologique du Forum Économique Mondial pour ses avancées en infrastructure d'IA physique

RLWRLD, société spécialisée en "physical AI", a été sélectionnée parmi les 100 Technology Pioneers 2026 du Forum Économique Mondial (WEF). La distinction, attribuée annuellement depuis 2000 à des entreprises technologiques jugées susceptibles d'exercer un impact structurant sur les industries mondiales, récompense ici le développement de RLDX-1, un modèle de fondation en robotique (Robotics Foundation Model) propriétaire. Le WEF cite RLWRLD dans son analyse officielle comme acteur positionné pour transformer l'infrastructure de l'IA physique à long terme. L'article source est toutefois un communiqué court, sans données techniques publiées sur RLDX-1 : payload, degrés de liberté contrôlés, benchmarks de performance ou sites de déploiement ne sont pas mentionnés. Il faut distinguer ici label de visibilité et validation technique : le programme WEF Pioneer est un exercice de sélection éditoriale, pas une certification de performance. Cela dit, pour une startup dans l'espace des foundation models robotiques, l'intégration au réseau WEF représente un accès réel aux décideurs industriels et aux fonds d'investissement à l'échelle mondiale. Le marché des modèles de fondation pour robots physiques est précisément le terrain où se joue la prochaine phase de la course aux humanoïdes et aux bras industriels autonomes. Le secteur des Robotics Foundation Models est en forte compétition en 2026, avec Physical Intelligence (Pi-0), NVIDIA (GR00T N2), et les propres modèles intégrés de Figure AI et 1X. RLWRLD se positionne comme couche d'infrastructure mutualisée, à destination potentiellement de plusieurs constructeurs, plutôt que comme fabricant de hardware. Les prochaines étapes à surveiller : publication de benchmarks sur RLDX-1, annonces de partenariats OEM, et levées de fonds post-label WEF.

IA physiqueActu

1 source

Kawasaki Robotics présente son robot IA physique à 8 axes et ses technologies d'automatisation intelligente à Automate 2026

À lire aussi

Kawasaki Robotics dévoile sa plateforme d'IA physique RL030N à Automate

Simate présente le système d'IA physique Simate-beta et affirme dominer le benchmark RoboDojo

Built Robotics et Penn xLAB s'associent pour développer une IA physique dédiée à la construction

RLWRLD désignée Pionnière Technologique du Forum Économique Mondial pour ses avancées en infrastructure d'IA physique