InfrastructureInteresting Engineering 7 juillet 2026

Une université américaine renforce sa recherche en robotique et IA physique avec les systèmes OptiTrack

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Carnegie Mellon University (CMU) a inauguré le 27 février 2026 son nouveau Robotics Innovation Center (RIC), un bâtiment de 150 000 pieds carrés (environ 14 000 m²) implanté à Hazelwood Green, sur l'ancien site de l'aciérie Jones & Laughlin à Pittsburgh. Pour équiper ce centre, l'université a signé un partenariat technologique pluriannuel avec la société américaine OptiTrack, spécialiste de la capture de mouvement, qui a installé 92 caméras haute performance réparties sur deux installations. Le Motion Capture Studio intérieur compte 28 caméras PrimeX41 et quatre caméras de référence Prime Color, offrant une précision de suivi de l'ordre du micron sur un volume de capture de 2 800 pieds carrés. La Drone Cage extérieure embarque 60 caméras VersaX120, le système le plus haute résolution du catalogue d'OptiTrack pour l'extérieur, certifiées IP66 pour résister aux intempéries, dans une enceinte de 38 pieds de haut sur 6 000 pieds carrés au sol. Les deux installations reposent sur la technologie propriétaire ActiveIO Tracking, capable d'identifier et de suivre simultanément des centaines d'objets en mouvement, avec une précision annoncée jusqu'à 50 microns. « Que ce soit pour suivre des systèmes multi-robots, des essaims de drones ou des mouvements humains, la gamme de caméras et de capteurs d'OptiTrack permettra une nouvelle génération de découvertes », a déclaré Martial Hebert, doyen de la School of Computer Science de CMU.

Pour les intégrateurs et chercheurs en robotique, ce type d'infrastructure de capture de mouvement joue un rôle clé mais souvent sous-estimé dans le développement de l'IA physique: elle fournit la vérité terrain nécessaire pour valider les algorithmes de navigation autonome, de coordination multi-robots ou d'apprentissage par imitation, avant tout déploiement réel. Disposer d'un volume de test couvrant à la fois intérieur et extérieur avec une précision submillimétrique permet de tester des essaims de drones ou des robots humanoïdes dans des conditions proches du terrain, sans les risques ni les coûts d'essais en environnement non contrôlé. C'est un signal supplémentaire que la recherche académique américaine structure ses moyens autour de la robotique et de l'IA physique à une échelle industrielle, avec un centre dédié plutôt que des laboratoires dispersés. Pour les décideurs B2B, l'enjeu est de suivre où se construisent les futurs standards de validation et de benchmarking des systèmes autonomes, ces infrastructures universitaires servant souvent de terrain d'essai avant transfert vers l'industrie.

Le RIC comprend, outre les deux installations OptiTrack, un plateau d'essais robotiques de 50 000 pieds carrés et un laboratoire de recherche aquatique. Il s'inscrit dans le Physical AI Accelerator de CMU, une initiative soutenue par l'État visant à faire converger robotique, capteurs et intelligence artificielle. Les nouveaux systèmes profiteront notamment à l'AirLab de l'université, qui travaille sur les robots aériens autonomes et la coordination multi-robots, ainsi qu'aux recherches sur l'apprentissage par imitation et la modélisation de l'activité humaine. OptiTrack a par ailleurs rejoint, en tant que sponsor industriel, le Extended Reality Technology Center (XRTC) de CMU, créé en 2023, qui réunit chercheurs, entreprises technologiques et utilisateurs finaux autour de la réalité virtuelle et augmentée. Les chercheurs comptent utiliser ces systèmes de capture pour reconstituer des mouvements réels dans des environnements virtuels immersifs, au service d'études sur l'interaction homme-machine. Aucun montant financier du partenariat n'a été communiqué.

Dans nos dossiers

IA physique & VLA

À lire aussi

1Robotics Business Review

AWS lance une boîte à outils open source d'IA physique pour la robotique

AWS a lancé aujourd'hui une Physical AI Toolchain en open source, qui doit permettre aux roboticiens de passer de la collecte de données à l'entraînement, la simulation, la validation et le déploiement de modèles d'IA sur leurs robots. Elle assemble des services AWS et la pile logicielle Physical AI de NVIDIA dans un flux de développement unique, articulé autour de cinq briques : génération de données synthétiques, entraînement de modèles, simulation et validation, déploiement en périphérie (edge) et amélioration continue. AWS fournit Amazon SageMaker pour l'entraînement et AWS IoT Greengrass pour distribuer les modèles vers les appareils embarqués. NVIDIA apporte Isaac Sim, Isaac Lab, Isaac GR00T et Cosmos. Les composants peuvent être utilisés séparément ou combinés de bout en bout. Un industriel peut ainsi collecter des démonstrations d'une tâche, générer des scénarios supplémentaires de façon synthétique, entraîner ou affiner un modèle, le tester en simulation, puis le charger sur le robot physique. Les données remontées du terrain alimentent ensuite le cloud pour améliorer le modèle. Sri Elaprolu, directeur Frontier AI Science and Engineering chez AWS, parle d'un « easy button » censé épargner aux équipes la gestion de l'infrastructure. Pour les intégrateurs et les décideurs industriels, l'enjeu est le maillon manquant entre un modèle entraîné et un système fiable en conditions réelles. Aujourd'hui, chaque équipe assemble sa propre chaîne d'outils, ce qui coûte du temps et fragmente les pratiques. AWS cible aussi la rareté des données : contrairement aux LLM, il n'existe pas de corpus massif de données robotiques sur Internet, d'où le pari sur la donnée synthétique et la simulation, dont la fidélité au monde réel reste la question ouverte du sim-to-real. La toolchain est volontairement neutre vis-à-vis du matériel, ce qui la rend utilisable avec des humanoïdes, des bras ou des mobiles. À ce stade, il s'agit d'une offre d'infrastructure annoncée, sans chiffres de performance ni client de production nommé pour la chaîne complète : l'argument repose sur la promesse d'intégration plutôt que sur des résultats mesurés. Le lancement s'inscrit dans la stratégie d'AWS, qui revendique plus d'un million de robots dans les opérations d'Amazon et dit y avoir puisé des enseignements pour la toolchain. Elle ne remplace pas directement RoboMaker, la plateforme de simulation robotique dans le cloud fermée en 2025, que Sri Elaprolu présente comme un composant parmi d'autres de la pile robotique d'AWS. Les entrepôts d'Amazon restant des environnements contrôlés, il cite Telexistence, société japonaise qui déploie des humanoïdes dans des supérettes, avec plus de 300 unités selon lui et d'autres à venir. Ces lieux imposent une tolérance aux pannes plus faible et des temps de réaction plus courts. Face à NVIDIA, qui pousse sa propre pile, et aux fournisseurs cloud concurrents, AWS se positionne en couche d'orchestration plutôt qu'en constructeur. Le calendrier de déploiement et les premiers clients de la chaîne complète n'ont pas été précisés.

UEPas d\'impact direct sur la France/UE

InfrastructureActu

1 source

2Robotics Business Review

Décryptage des stratégies d'ARM en IA physique et robotique, avec Drew Henry

Arm Holdings, le concepteur de microarchitectures basé à Cambridge (Royaume-Uni), a consacré l'épisode 249 du Robot Report Podcast à sa stratégie dans le domaine de la "physical AI" - terme désignant les systèmes d'IA embarqués dans des machines physiques opérant dans le monde réel. L'invité est Drew Henry, vice-président exécutif de la Physical AI Business Unit d'Arm, unité qui pilote le positionnement de l'entreprise sur les marchés de l'automobile connectée, de la robotique et des systèmes autonomes. L'épisode mentionne également trois actualités sectorielles : l'acquisition de Kinisi Robotics par Bear Robotics pour renforcer ses capacités en physical AI, le lancement par NVIDIA de Halos, une suite logicielle de sécurité full-stack pour la robotique, et un partenariat entre Built Robotics et Penn xLAB pour développer des applications de physical AI dans la construction. Il convient d'être précis sur la nature de ce contenu : il s'agit d'une page de présentation de podcast, non d'un rapport technique ou d'une annonce produit. Les détails substantiels de l'entretien avec Drew Henry ne sont pas disponibles dans ce résumé promotionnel. Ce qui ressort néanmoins, c'est qu'Arm cherche à se positionner explicitement sur la couche computing des systèmes autonomes - un segment stratégique alors que les fabricants de robots humanoïdes et de véhicules autonomes cherchent des solutions alliant haute performance et efficacité énergétique. Le sponsor de l'épisode, GreyOrange, y vante sa plateforme GreyMatter d'orchestration d'entrepôts : plus d'un million d'optimisations par minute, gains de productivité annoncés jusqu'à 4x - des chiffres présentés sans méthodologie de mesure dans ce contexte publicitaire. Arm n'est pas un fabricant de robots, mais son architecture de processeurs (présente dans la quasi-totalité des appareils mobiles mondiaux) lui confère une position d'infrastructuriste incontournable dès lors que la robotique embarque des modèles d'inférence locaux. La création d'une Physical AI Business Unit distincte signale une montée en priorité de ce marché face aux concurrents directs sur la couche silicium : NVIDIA avec ses puces Jetson et Thor pour robots et véhicules autonomes, Qualcomm avec ses plateformes Snapdragon Robotics, et Intel avec ses solutions edge AI. Les prochaines étapes pour Arm passent probablement par des partenariats OEM avec des fabricants d'humanoïdes (Figure, Agility, Unitree utilisent des SoC ARM) et par l'extension de son écosystème logiciel pour réduire le temps d'intégration des pipelines VLA (vision-language-action) sur ses architectures.

UELa création d'une Physical AI Business Unit chez ARM (Cambridge, Royaume-Uni) intéresse les fabricants européens de robots embarquant des SoC ARM, mais aucun partenariat ni déploiement européen spécifique n'est annoncé dans cet épisode.

InfrastructureOpinion

1 source

3Interesting Engineering

Le premier simulateur open source au monde élargit l'accès à la recherche avancée en robotique spatiale

L'université Rice et la NASA ont dévoilé lors de la conférence ICRA 2026 à Vienne le premier simulateur open source au monde dédié à la robotique intravéhiculaire, baptisé iMETRO Dynamic Simulation. Développé conjointement par une équipe de Rice et du Johnson Space Center, l'outil reproduit sous forme de jumeau numérique haute fidélité l'installation physique iMETRO de la NASA, avec ses maquettes grandeur nature d'intérieurs de vaisseaux spatiaux et d'habitats lunaires. Le cœur du simulateur repose sur un modèle détaillé de manipulateur robotique à huit degrés de liberté (8-DOF), représentatif des plateformes utilisées pour les opérations spatiales. La plateforme s'appuie sur ROS 2 et sur le moteur physique MuJoCo, permettant d'utiliser les mêmes modèles de robots dans les deux environnements sans modification majeure, et intègre un outil de conversion facilitant le passage du logiciel de la simulation vers le robot réel. Lors d'une démonstration, l'équipe a développé une application robotique entièrement en simulation puis l'a déployée sur l'installation physique iMETRO en moins d'une journée. Cette ouverture change la donne pour un secteur de la recherche spatiale historiquement bridé par l'absence d'environnements de simulation publics capables de reproduire fidèlement les contraintes de manipulation en microgravité et dans des espaces confinés. Jusqu'ici, l'essentiel des développements reposait sur des outils propriétaires ou un accès restreint aux installations d'essai de la NASA, ce qui limitait la collaboration entre laboratoires et ralentissait l'innovation. En rendant ce jumeau numérique accessible gratuitement, Rice et la NASA permettent à des équipes de recherche du monde entier de concevoir, tester et valider des logiciels robotiques sans avoir besoin d'un accès physique au Johnson Space Center. Le transfert simulation-vers-réel effectué en moins de 24 heures constitue une validation concrète de la fidélité du jumeau numérique, un point souvent contesté dans les annonces de ce type, et illustre un raccourcissement réel des cycles de développement plutôt qu'une simple promesse marketing. Les robots manipulateurs visés doivent prendre en charge des tâches de logistique et de maintenance à bord des vaisseaux et futurs habitats lunaires, comme le transport de fournitures, le déplacement de cargaisons ou le rangement d'équipements, afin de réduire la charge de travail des astronautes lors des missions longue durée vers la Lune et au-delà. La maintenance et la logistique routinières occupent en effet une part importante du temps d'équipage, et leur automatisation partielle libérerait du temps pour la recherche scientifique. Cette initiative s'inscrit dans une dynamique plus large de développement d'architectures modulaires permettant de tester rapidement de nouveaux logiciels et configurations matérielles dans des maquettes de vaisseaux reconfigurables, sans dépendre des créneaux d'accès limités aux infrastructures physiques de la NASA.

UECe simulateur open source pourrait profiter aux laboratoires de recherche européens en robotique spatiale, mais aucun acteur français ou européen n'est implique dans son développement.

InfrastructureActu

1 source

4arXiv cs.RO

ORICF : un framework ouvert pour l'inférence et le contrôle en robotique

Des chercheurs ont publié le 12 mai 2026 sur arXiv (identifiant 2605.09656v1) un framework open source baptisé ORICF (Open Robotics Inference and Control Framework), conçu pour réduire le coût computationnel du déploiement de modèles d'IA sur robots mobiles. La plateforme, modulaire et agnostique aux modèles, permet de composer des pipelines d'inférence multimodaux via de simples fichiers de configuration YAML, sans modification du code source. Son mécanisme central, l'edge offloading, consiste à délocaliser les tâches d'inférence vers des machines externes proches du robot plutôt que de les exécuter en embarqué. Validé sur un robot mobile équipé de ROS2, le système combinait reconnaissance automatique de la parole (ASR), un grand modèle de langage (LLM) et un réseau de neurones convolutif (CNN) pour répondre à des questions orales sur les personnes détectées par sa caméra. Par rapport à une exécution entièrement embarquée, ORICF réduit l'utilisation des ressources de calcul côté robot de 83,16% et la consommation énergétique estimée de 65,8%, tout en préservant la modularité et la reproductibilité du pipeline. Ces résultats adressent l'un des freins les plus concrets au déploiement de modèles fondamentaux sur robots de service ou industriels : la contrainte matérielle embarquée. En déchargeant dynamiquement l'inférence sur des serveurs edge locaux ou des postes de travail voisins, ORICF rend envisageable l'utilisation de modèles lourds (LLM, VLM) sur plateformes à faible puissance de calcul. La spécification déclarative YAML simplifie également les changements de modèles ou de cibles matérielles, avantage concret pour les équipes intégration qui gèrent plusieurs configurations de déploiement. À noter cependant : la validation ne porte que sur un prototype unique en laboratoire, et les métriques de latence de bout en bout en conditions réelles ne sont pas détaillées dans le preprint, ce qui limite l'extrapolation aux environnements industriels. ORICF s'inscrit dans un mouvement plus large d'outillage de la robotique embarquée avec des modèles fondamentaux, alors que ROS2 s'est imposé comme infrastructure standard pour les robots de recherche et de plus en plus industriels. Plusieurs approches concurrentes ciblent le même problème : Isaac ROS de NVIDIA propose une pile d'inférence optimisée pour hardware Jetson, tandis que des acteurs comme Hailo adressent le déploiement sur puces dédiées. Le preprint ne cite pas d'affiliation universitaire ni d'entreprise sponsor visible, ce qui reste un signal à surveiller pour évaluer la maturité et la continuité du projet. Les prochaines étapes logiques seraient une validation sur des plateformes robotiques hétérogènes et une évaluation de latence en conditions opérationnelles réelles.

InfrastructureOpinion

1 source