RechercheRobotics Business Review 27 juin 2026

Nous savons construire des robots plus intelligents, il reste à apprendre à mieux les tester

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un robot humanoïde est aujourd'hui accessible à l'achat pour 14 000 dollars, sans certification de sécurité standardisée ni protocole de validation comportementale obligatoire. L'auteur de cet article, chercheur en robotique, a co-publié deux travaux récents qui convergent vers un même constat : les méthodologies de test n'évoluent pas au même rythme que les architectures de contrôle autonome. Pour cartographier ce décalage, il propose une taxonomie en cinq niveaux, classifiant les robots non pas selon le degré d'attention humaine (comme le fait la norme SAE pour les véhicules), mais selon le mode de traitement de l'information et de génération du comportement par la machine elle-même. Niveau 0 : téléopération pure. Niveau 1 : imitation par behavior cloning, fragile dès que les conditions terrain s'écartent légèrement des données d'entraînement. Niveau 2 : apprentissage supervisé en temps réel, où le robot détecte son incertitude, se met en pause et intègre une correction humaine via inverse reinforcement learning. Niveau 3 : apprentissage auto-supervisé, le robot générant ses propres signaux d'entraînement par essais-erreurs sans intervention humaine. Niveau 4 : reinforcement learning complet, le robot reformulant chaque tâche comme un problème d'optimisation résolu en interaction continue avec son environnement.

Ce que cette taxonomie révèle est structurellement important pour les intégrateurs et les décideurs industriels : chaque niveau supplémentaire introduit un type de défaillance fondamentalement différent, qui rend les approches de test existantes insuffisantes. Aux niveaux 0 et 1, les outils sont matures et les comportements testables de façon exhaustive. Dès le niveau 2, il faut valider non seulement le comportement mais aussi le mécanisme de détection d'incertitude et l'intégrité de chaque mise à jour d'apprentissage. Au niveau 3, le robot réécrit continuellement sa propre politique : tester une performance instantanée ne suffit plus, il faut auditer le processus d'apprentissage lui-même. Au niveau 4, l'espace comportemental est trop vaste et trop dynamique pour une énumération exhaustive des cas de test. La thèse centrale est que les garanties formelles de sécurité doivent remplacer l'énumération de cas tests aux niveaux élevés d'autonomie, et que l'évaluation de robustesse adversariale doit devenir aussi systématique que les tests fonctionnels.

Cette réflexion s'inscrit dans un moment charnière de l'industrie : les laboratoires et industriels (Figure, Boston Dynamics, Agility, 1X, Unitree côté hardware ; Physical Intelligence, DeepMind, NVIDIA côté fondations VLA) poussent vers une autonomie croissante, mais le cadre réglementaire reste absent pour les systèmes à prise de décision autonome en environnement non contrôlé. L'absence de standards équivalents aux normes ISO 10218 pour les robots industriels fixes crée un vide que comblent actuellement les constructeurs eux-mêmes, avec des métriques internes difficiles à auditer. Les prochaines étapes identifiées par l'auteur pointent vers l'intégration de méthodes de vérification formelle et de red-teaming adversarial comme pratiques standard de validation, avant que des déploiements à grande échelle dans des environnements non structurés ne rendent ces lacunes coûteuses.

Impact France/UE

Le vide réglementaire identifié, absence de normes équivalentes aux ISO 10218 pour les robots à décision autonome, concerne directement le marché européen, où l'AI Act devra s'appliquer à des systèmes dont les méthodes de validation restent aujourd'hui définies unilatéralement par les constructeurs.

Dans nos dossiers

Boston Dynamics Unitree Physical Intelligence — π0

À lire aussi

1arXiv 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

2arXiv cs.RO

Un aperçu de la coexistence physique à long terme avec des robots intelligents

PHILIA est un système agent multi-robots présenté dans un article publié sur arXiv (2607.11377, soumission nouvelle) et conçu pour la coexistence physique de longue durée entre humains et robots au domicile. Son architecture repose sur une abstraction appelée « robot gateway », qui expose de façon unifiée les runtimes locaux de chaque robot, la perception embarquée, la navigation, la synthèse vocale et les politiques de contrôle, tout en conservant l'écosystème d'interaction et d'outils d'OpenClaw, un framework agent existant dont PHILIA hérite les capacités conversationnelles. Le système a été validé sur des robots Astribot S1, plateforme de manipulation humanoïde développée par la startup chinoise Astribot, et le contrat de la gateway a été pensé pour accueillir à terme d'autres plateformes robotiques hétérogènes via une interface commune couvrant observation, exécution de tâches, navigation, lecture vocale, supervision d'état et annulation de tâche. Les auteurs présentent des scénarios domestiques allant du simple rangement d'objets à des tâches longues et dextres comme remplir un sac à dos ou soulever un sac poubelle. L'intérêt de cette architecture tient à sa séparation explicite entre le raisonnement agent, peu fréquent et fortement sémantique, et l'exécution robotique bas niveau, à haute fréquence. Cette séparation rend l'expérience utilisateur compositionnelle: une amélioration de l'interface, de l'embodiment robotique, de la politique de contrôle ou de l'algorithme de navigation peut profiter au système sans le redessiner entièrement. C'est une réponse directe à un problème récurrent du secteur des robots humanoïdes domestiques, où les démonstrations spectaculaires reposent souvent sur des pipelines figés et peu réutilisables. En intégrant une mémoire longue durée des préférences utilisateur et une confirmation humaine en boucle pendant l'exécution, PHILIA cible aussi l'écart de confiance entre politiques de contrôle performantes en laboratoire et fiabilité réelle attendue en environnement domestique. Le travail s'inscrit dans la vague de recherche sur les agents robotiques généralistes combinant modèles de langage et politiques vision-langage-action, aux côtés d'efforts comme Gemini Robotics ou Helix. Il reste à ce stade une contribution de recherche à l'état d'article, testée sur une seule plateforme matérielle, sans annonce de déploiement commercial ni de partenaire industriel identifié.

RecherchePaper

1 source

3Interesting Engineering

Les robots apprennent à se relever après des chutes dans les escaliers grâce à un système de stabilisation intelligent

Des chercheurs du ROAR Laboratory (Robotics and Automation Research) de l'Université de Technologie et de Design de Singapour (SUTD) ont publié une étude sur la mitigation des chutes de robots en escalier, présentant un système basé sur l'apprentissage par renforcement couplé à un bras mécanique à trois degrés de liberté (3 DOF). Le dispositif est monté à l'arrière d'une plateforme mobile à chenilles et intervient activement pendant la chute, au lieu de se limiter à la prévention. Entraîné entièrement en simulation sur cinq modes de chute répertoriés (chute arrière droite, pivotements latéraux, effondrements de côté), le contrôleur atteint un taux de succès moyen de 69,4 % pour stopper et stabiliser le robot, contre 38,6 % pour une méthode de contrôle codée à la main. Lorsqu'il réussit, le système stabilise la plateforme en 4,25 secondes en moyenne, bien en deçà du seuil interne fixé à 10 secondes. Testé sur des robots 10 % plus grands ou plus petits et sur des escaliers aux dimensions variables, le meilleur contrôleur atteint 87 % de succès sur une plateforme plus grande. Le résultat le plus significatif n'est pas le taux de succès en lui-même mais le changement de paradigme qu'il représente : le secteur s'est longtemps concentré sur la prévention des chutes via la planification de trajectoire et la détection d'obstacles, en présupposant que le risque résiduel était marginal. Une étude de terrain sur plusieurs années citée par l'équipe indique pourtant que les robots conçus pour les escaliers tombent au moins 35 fois plus souvent sur ce type de surface qu'en terrain plat. Le professeur Mohan Rajesh Elara, directeur du ROAR Lab, formule l'enjeu en termes d'adoption industrielle : tant que les opérateurs ne disposent pas d'une réponse crédible au risque résiduel, ces plateformes resteront perçues comme une source de responsabilité plutôt que comme un outil. Le fait que le contrôleur généralise à des géométries non vues pendant l'entraînement est également notable pour les intégrateurs : il suggère qu'un seul modèle pourrait couvrir une flotte hétérogène sans réentraînement par plateforme. Le système n'est pas prêt pour un déploiement commercial : les chercheurs reconnaissent explicitement qu'il ne satisfait pas la norme de sécurité fonctionnelle IEC 61508, qui impose des niveaux d'intégrité stricts pour les systèmes embarqués en environnement humain. Les prochaines étapes portent sur l'amélioration de la fiabilité, l'ajout de sécurités mécaniques redondantes et la validation expérimentale hors simulation. Dans le paysage concurrentiel, Boston Dynamics (Spot, Atlas), Agility Robotics (Digit) et les acteurs humanoïdes (Figure AI, 1X, Unitree) investissent massivement dans la stabilité dynamique, mais peu publient des données quantifiées sur la récupération post-chute. Ce travail de la SUTD se positionne davantage comme recherche fondamentale que comme annonce produit, mais il fournit une baseline méthodologique utile pour comparer les approches à venir.

UEAucun acteur européen impliqué, mais la référence explicite à la norme IEC 61508 (certification fonctionnelle européenne) positionne ce travail comme une étape préliminaire obligatoire avant tout déploiement commercial en UE de robots mobiles en environnement humain.

RecherchePaper

1 source

4arXiv cs.RO

Stress-tester des agents LLM dans un laboratoire de chimie robotisé

Une équipe de recherche a testé des agents basés sur des grands modèles de langage (LLM) dans un laboratoire de chimie entièrement robotisé, utilisé comme banc d'essai physique plutôt que simulé. Le laboratoire compte 45 postes de travail modulaires exposés sous forme de compétences ("skills") lisibles par machine, ce qui a permis de lancer 4 608 essais au total. Résultat brut : seulement 3,3% des essais ont produit des workflows exécutables jugés valides par des experts humains selon les contraintes réelles du laboratoire. Même le système le plus performant testé n'a atteint que 28,1% de réussite. Sur le plan de la planification à long horizon, à peine trois workflows exécutables ont dépassé 30 opérations enchaînées, le plus long comptant 44 étapes. Sur cinq rounds successifs intégrant du feedback expérimental, les agents ont procédé à des ajustements ponctuels et locaux, mais aucun n'a jamais replanifié un workflow dans son ensemble ni redessiné une méthode analytique complète. Ce résultat vient tempérer le discours ambiant sur des agents IA capables de piloter seuls une découverte scientifique de bout en bout. Il montre que la génération de plans en langage naturel, aussi convaincante soit-elle sur le papier, ne garantit pas l'exécutabilité physique réelle en environnement contraint, et que l'écart entre démonstration et déploiement reste très large. Pour les acteurs de l'automatisation de laboratoire et les décideurs qui envisagent des pipelines de R&D pilotés par IA, le signal est clair : les agents actuels excellent à produire des plans plausibles, mais échouent majoritairement à les adapter face à des preuves expérimentales contradictoires, une capacité pourtant centrale à toute démarche scientifique itérative. Le champ de l'"IA agentique pour la science" s'est développé rapidement ces deux dernières années, porté par des promesses de laboratoires autonomes capables de concevoir et exécuter des expériences sans intervention humaine. La plupart des évaluations existantes reposent toutefois sur des simulations ou des tâches purement textuelles, ce qui limite leur valeur prédictive. En s'appuyant sur un vrai laboratoire robotisé avec ses contraintes physiques, cette étude propose un cadre diagnostique reproductible pour mesurer la maturité réelle de déploiement de ces agents, et appelle à des travaux futurs axés sur des boucles fermées permettant une véritable replanification et une redéfinition des méthodes analytiques en cours d'expérience.

RecherchePaper

1 source