Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
China Mobile publie en open source sa base d'ingénierie Open-RAIL pour les modèles de robots VLA et WAM
InfrastructureTechNode 

China Mobile publie en open source sa base d'ingénierie Open-RAIL pour les modèles de robots VLA et WAM

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

China Mobile a mis en open source Open-RAIL, une base d'ingénierie reliant les modèles vision-langage-action (VLA) et monde-action (WAM) aux robots physiques. La plateforme réunit en un seul flux l'inférence des modèles, l'exécution sur robot réel, la remontée de données et l'itération des modèles. Elle prend en charge quatre robots hétérogènes et dix modèles VLA ou WAM des le lancement. Selon l'opérateur telecom chinois, l'intégration d'un nouveau modèle ne nécessite que 50 a 100 lignes de code, grâce a une couche d'abstraction matérielle qui standardise le contrôle, la lecture d'état et l'exécution des actions quelle que soit la plateforme. Aucune date de disponibilité, aucun tarif ni site de déploiement industriel n'a été précise a ce stade.

Pour l'industrie robotique, cette ouverture s'attaque a un goulot d'étranglement connu: chaque robot possède ses propres API et sa propre cinématique, ce qui oblige les intégrateurs a réécrire l'interface logicielle pour chaque nouveau modèle ou chaque nouvelle plateforme matérielle. En promettant une intégration en quelques dizaines de lignes, Open-RAIL cherche a jouer un rôle d'abstraction commune, un peu comme ROS l'a fait pour la robotique classique, mais applique cette fois aux modèles fondation VLA et WAM. Si ces chiffres se confirment en usage réel et pas seulement en environnement contrôle, le cout d'adoption pour les intégrateurs baisserait sensiblement et les cycles entre simulation et robot physique s'accélèreraient.

Cette initiative s'inscrit dans la stratégie chinoise de construction d'un écosystème logiciel ouvert pour l'IA incarnée, alors que des laboratoires comme NVIDIA (GR00T N2), Physical Intelligence (Pi-0) ou Figure AI (Helix) développent chacun des piles VLA propriétaires ou semi-ouvertes. En tant qu'opérateur telecom, China Mobile s'appuie sur son infrastructure cloud et réseau pour se positionner comme fournisseur d'outils d'orchestration robotique plutôt que comme fabricant de robots. Aucun calendrier de déploiement pilote ni partenariat industriel n'a été communique pour la suite du projet.

Dans nos dossiers

FigureIA physique & VLANVIDIA GR00TPhysical Intelligence — π0

À lire aussi

China Mobile publie en open source son middleware Open-RAIL pour relier les modèles VLA/WAM au matériel robotique
1Pandaily 

China Mobile publie en open source son middleware Open-RAIL pour relier les modèles VLA/WAM au matériel robotique

China Mobile a publié en open source, le 16 septembre, un middleware baptisé Open-RAIL, destiné à relier les modèles vision-langage-action (VLA) et world-action (WAM) aux robots physiques. Son pipeline asynchrone à trois threads (observation, inférence, contrôle), couplé à un lissage en deux temps des blocs d'actions, ferait passer l'écart-type de l'accélération articulaire de plus de 10 rad/s² à environ 0,1 rad/s², comblant un écart de fréquence de contrôle de 30 à 50 fois sans réentraîner le modèle. Une couche d'abstraction matérielle et un contrat d'inférence unifié permettent d'ajouter un robot ou un modèle VLA/WAM en 50 à 100 lignes de code. La première version couvre quatre plateformes, l'AgiBot G1, le Lingxi (Ti5 T170C), le NAVIAI-WA2 et un backend LeRobot, ainsi que dix modèles dont ACT, GR00T N1, RDT, SmolVLA, GO-1, π0/π0.5 et TAO, sous licence Apache-2.0 sur GitHub (CMCC-TAO/open-rail). Pour l'industrie robotique, Open-RAIL s'attaque à un problème habituellement dissimulé derrière les vidéos de démonstration: les saccades de commande, les coupures de flux sur la durée et les données d'exécution qui ne remontent jamais vers l'entraînement. En transformant cette intégration en couche logicielle réutilisable plutôt qu'en bricolage propre à chaque robot, l'opérateur réduit la friction pour les laboratoires et startups qui veulent valider un modèle sur du matériel réel, et la collecte automatique d'épisodes au format Parquet, sans coût de labellisation supplémentaire, alimente des boucles d'amélioration continue en conditions réelles. Les gains de fluidité annoncés restent toutefois des mesures internes de China Mobile, non vérifiées de façon indépendante, et portent sur le lissage de trajectoire plutôt que sur la politique elle-même. Cette sortie s'inscrit dans l'entrée de China Mobile, opérateur télécom, sur le terrain de l'IA incarnée, aux côtés d'AgiBot, dont le G1 figure parmi les plateformes supportées. Open-RAIL ne concurrence pas les modèles eux-mêmes, qu'il s'agisse de GR00T N2 chez Nvidia, de π0.5 chez Physical Intelligence, de Helix chez Figure AI ou d'Optimus Gen 3 chez Tesla, mais vise à devenir la couche d'intégration commune qui leur permet de tourner sur du matériel varié. Aucun acteur français ou européen n'apparaît dans cette annonce chinoise, dont le code est déjà disponible sur GitHub sans calendrier de pilotes industriels annoncé.

InfrastructureOpinion
1 source
Planification à base d'agents en lots pour le service de politiques robotiques
2arXiv cs.RO 

Planification à base d'agents en lots pour le service de politiques robotiques

Des chercheurs du Georgia Tech (laboratoire RL2) publient un article intitulé "Action Chunk Scheduling for Batched Robot Policy Serving" (arXiv:2608.00337v1), qui pose un problème encore peu formalisé dans la robotique : comment servir un même modèle de politique robotique, hébergé sur un GPU distant, à plusieurs robots simultanément. Les auteurs présentent Armory, un système de service ("serving") conçu pour cet usage et validé à la fois sur des flottes de robots simulés et sur des robots réels. Leurs expériences montrent que les heuristiques de scheduling classiques (les méthodes de batching habituelles en inférence LLM) fonctionnent correctement tant que tous les robots de la flotte sont identiques et consomment les actions au même rythme. Mais dès que les robots consomment leurs "action chunks" (blocs d'actions produits par les modèles Vision-Language-Action) à des vitesses différentes, ces heuristiques échouent : elles ne tiennent pas compte des contraintes en boucle fermée ("closed-loop") propres à l'exécution de politiques robotiques. Pour corriger ce défaut, l'équipe propose un nouvel algorithme de scheduling qui intègre cette hétérogénéité de rythme entre robots, avec un gain de débit système mesuré jusqu'à 18 % lors d'essais réels. Le code et les détails sont disponibles sur gatech-rl2.github.io/actionchunkscheduling. Le résultat touche un point aveugle du déploiement à grande échelle des modèles fondation pour la robotique (VLA type Pi-0, GR00T N2, Helix ou autres) : le calcul embarqué est limité en puissance et en encombrement, ce qui pousse naturellement vers une inférence déportée sur GPU distant, mutualisée entre plusieurs robots pour amortir les coûts. Or les architectures de batching héritées du monde LLM, pensées pour du texte asynchrone, ignorent la contrainte physique du temps réel robotique : un robot qui épuise son buffer d'actions avant d'être resservi s'arrête ou dégrade sa trajectoire. Ce papier démontre empiriquement que cette mécanique de service compte autant que la qualité du modèle lui-même pour faire fonctionner une flotte hétérogène en production, un enjeu direct pour les intégrateurs qui veulent mutualiser l'inférence entre robots de générations ou de tâches différentes plutôt que de multiplier les cartes embarquées. Ce travail s'inscrit dans la vague récente de modèles VLA génériques (Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA, Helix de Figure) qui cherchent à démontrer un contrôle robotique à l'échelle d'une flotte plutôt qu'à l'unité, un terrain où l'infrastructure de service devient aussi critique que l'entraînement. En formalisant le problème comme un scheduling explicite et en le testant sur du matériel réel plutôt que seulement en simulation, les auteurs positionnent Armory comme une brique d'infrastructure réutilisable, potentiellement comparable aux serveurs d'inférence LLM (type vLLM) mais adaptée aux contraintes temps réel de la robotique. L'article ne précise pas de partenariat industriel ni de déploiement commercial annoncé ; il s'agit pour l'instant d'un résultat de recherche académique, avec du code ouvert, plutôt que d'un produit prêt à l'emploi.

InfrastructureActu
1 source
ROSA : un système d'inférence de modèles fondation pour usines de robots
3arXiv cs.RO 

ROSA : un système d'inférence de modèles fondation pour usines de robots

Une équipe de recherche propose ROSA, un système de service d'inférence pour les modèles fondation de robotique (RFM), décrit dans un preprint publié sur arXiv (2607.01088, 1er juillet 2026). Contrairement aux systèmes existants qui traitent l'inférence comme un problème de calcul en périphérie, avec un GPU embarqué ou dédié par robot, ROSA repose sur trois principes: un pool de GPU partagé accessible en réseau par toute une flotte de robots, une abstraction de programmation "robotics-aware" gérant des pipelines multi-modèles avec exigences de performance par tâche et gestion des échecs, et un ordonnancement piloté par l'objectif global de l'usine plutôt que par la latence d'une seule requête. L'équipe l'a implémenté sur Ray Serve pour l'orchestration distribuée, avec vLLM, PyTorch et JAX comme moteurs d'inférence, et l'a évalué sur des robots réels ainsi que sur des charges de travail synthétiques à grande échelle. Résultat annoncé: jusqu'à 12,06 fois plus de productivité d'usine qu'avec des systèmes de service dédiés classiques, un chiffre qui reste à confirmer sur des déploiements industriels réels plutôt que sur les scénarios de test choisis par les auteurs. L'intérêt de ROSA est de remettre en cause l'hypothèse dominante selon laquelle l'inférence d'un modèle de robot doit tourner localement, robot par robot. En mutualisant des GPU de classe serveur sur le réseau, l'approche promet de meilleures performances d'inférence, une autonomie de batterie accrue et un taux d'utilisation GPU plus élevé, des enjeux critiques pour les industriels qui envisagent des flottes de robots humanoïdes ou mobiles plutôt que des unités isolées. Cela rapproche l'infrastructure de service robotique du modèle déjà adopté pour les grands modèles de langage en cloud, un signal utile pour les intégrateurs et décideurs qui raisonnent en coût par flotte plutôt qu'en coût par robot. Le travail s'inscrit dans la vague plus large des modèles fondation de robotique (VLA) qui rendent les robots généralistes envisageables en usine, où l'inférence reste souvent le goulot d'étranglement plutôt que l'apprentissage lui-même. Il s'agit ici d'une contribution académique, pas d'un produit commercialisé: aucun acteur français ou européen n'est cité, et le passage à l'échelle en production reste à démontrer au-delà des bancs d'essai présentés.

InfrastructureActu
1 source
AWS lance une boîte à outils open source d'IA physique pour la robotique
4Robotics 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