Dossier Boston Dynamics

Boston Dynamics dévoile de nouveaux détails sur la main redessinée de son robot humanoïde

Boston Dynamics a dévoilé la semaine dernière la nouvelle main de son humanoïde Atlas : quatre doigts, 13 degrés de liberté (DoF), actionnement direct. Le pouce et trois doigts remplacent l'ancienne configuration, l'auriculaire a disparu et la taille de la pince a été réduite. La main est composée de 13 actionneurs identiques, entièrement encapsulés, sans câbles fragiles traversant les articulations. L'entreprise affirme l'avoir conçue pour la fabrication en grande série et pour une simulation haute fidélité, afin de permettre l'apprentissage par renforcement (RL) en simulation puis transféré au réel (sim-to-real). Malgré ce changement de format, elle reste capable de manipuler des charges de plus de 45 kg (100 lb). Alberto Rodriguez, directeur du comportement robotique d'Atlas, a détaillé ces choix à The Robot Report. Les mains précédentes étaient déjà assez puissantes pour soulever plus de 100 lb. Il n'était donc pas nécessaire d'augmenter la force, et l'équipe envisage même de la réduire légèrement pour améliorer la transparence de l'actionnement, c'est-à-dire la fidélité avec laquelle le couple commandé se retrouve au contact. Ces informations portent moins sur une prouesse que sur un arbitrage d'ingénierie assumé, et c'est ce qui les rend utiles. La main reste le composant le plus difficile des humanoïdes : elle concentre les compromis entre dextérité, force, robustesse, coût, réparabilité et détection. Boston Dynamics fait ici un choix net : abandonner un doigt, ne pas surdimensionner la force et privilégier la fiabilité et la modularité. Pour un intégrateur ou un COO industriel, le signal est que la disponibilité du robot et sa capacité à produire des données plus vite comptent davantage que le nombre d'articulations. Le choix d'une conception compatible avec la simulation fidèle est aussi un indice sur la méthode : les mains sont pensées pour entraîner des politiques par RL sim-to-real plutôt que pour être uniquement pilotées à la main. Rodriguez écarte par ailleurs l'achat d'effecteurs du commerce : la main est jugée trop centrale à la proposition de valeur pour ne pas être développée en interne. Les performances en tâches complexes ne sont toutefois pas chiffrées dans les éléments disponibles : aucun temps de cycle, taux de réussite ni durée de vie n'est publié, et le passage de la « fiabilité » annoncée à des milliers d'heures en poste reste à démontrer. Ce projet s'inscrit dans la feuille de route produit d'Atlas, que Rodriguez présente comme un facilitateur de décisions difficiles sur le niveau de complexité à embarquer. Les enseignements viennent des essais avec les mains précédentes, qui ont montré des difficultés sur certaines tâches complexes, et de la conception du corps d'Atlas, où simplicité, modularité et maturité des actionneurs accélèrent les itérations. La validation suit une démarche classique : prototypes confiés tôt aux équipes systèmes, contrôle et comportement, puis tests rigoureux de vérification et de validation avant tout déploiement, une étape lente mais censée éviter de découvrir les défauts sur le terrain. Face à des concurrents comme Tesla (Optimus), Figure ou Agility, qui visent aussi des mains très articulées, Boston Dynamics adopte une approche plus sobre en nombre de doigts. Aucune date de commercialisation ni de pilote spécifique à cette main n'est annoncée dans l'extrait disponible : il s'agit pour l'instant d'une présentation de conception, et non d'un produit livré ou déployé.

Boston Dynamics supprime l'auriculaire de sa nouvelle main humanoïde

Boston Dynamics a dévoilé la nouvelle main de son humanoïde Atlas : quatre doigts, 13 degrés de liberté (DOF), actionnement direct et conception pensée pour la fabrication en grande série. La version précédente comptait sept DOF et visait surtout à saisir une grande variété d'objets, alors que la nouvelle vise la manipulation proprement dite. Le pouce porte quatre DOF. La main n'a pas d'auriculaire, et tous les articulations reposent sur un seul type d'actionneur, entièrement encapsulé, sans câbles fragiles traversant les articulations, comme dans le corps du robot. Elle réalise des pinces pouce-doigt, des prises tripodales, des glissements du bout du pouce sur les autres doigts, la réorientation d'objets dans la main et la reprise d'une prise qui glisse. Elle actionne aussi des gâchettes d'outils (perceuse, visseuse à couple, meuleuse, cloueur, torche de soudage). Des capteurs tactiles de pression denses couvrent bouts des doigts et paume. Sa taille avoisine celle d'une grande main humaine, pour une force annoncée comme similaire à l'ancienne main. Les chiffres de charge utile, de durée de vie ou de coût ne sont pas fournis. Le choix de supprimer l'auriculaire est le point notable. Selon l'ingénieur Dylan Thrush, trois DOF, de l'encombrement et de la consommation supplémentaires ne justifiaient pas le gain de dextérité. Zachary Jackowski, directeur produit et technologie, avait demandé à l'équipe de scotcher auriculaire et annulaire pendant une journée pour mesurer ce qui manquait. Pour les intégrateurs, le message est que l'industrie arbitre ici entre fidélité anatomique et fiabilité : un actionnement direct, rétro-pilotable et transparent permet de s'appuyer sur la proprioception, et une main simple, conçue pour une simulation haute fidélité, vise l'apprentissage par renforcement sim-to-real. Cela suggère que la priorité passe de la démonstration de préhension à l'usage d'outils en production. Reste que l'annonce ne contient aucune donnée de performance chiffrée (taux de réussite, cycles, endurance), et que les capacités listées relèvent d'une présentation du constructeur, non d'un déploiement mesuré. Cette annonce survient une semaine après l'ouverture du Robotics Metaplant Application Center (RMAC) au Hyundai Motor Group Metaplant America, en Géorgie, centre de formation destiné à intégrer Atlas dans la production automobile de la maison mère Hyundai. Le calendrier indique que la main est conçue pour ces usages industriels. Face à elle, Tesla (Optimus), Figure (Figure 03) et d'autres misent sur des mains très proches de l'anatomie humaine, avec plus de DOF. Boston Dynamics défend la thèse inverse, celle de la simplicité. Les suites logiques sont des essais sur site Hyundai, où l'on pourra juger la fiabilité réelle de cette main sur des tâches répétitives avec outils.

La nouvelle main du robot Atlas pourrait surpasser les conceptions de type humain

Boston Dynamics a présenté une nouvelle main pour son humanoïde Atlas, conçue pour la production en série plutôt que pour la recherche. La génération précédente, à trois doigts, savait réaliser des mouvements surhumains mais n'avait jamais été pensée pour des volumes de plusieurs dizaines ou centaines de milliers d'unités. La nouvelle main passe de 7 à 13 degrés de liberté (DOF), ajoute un quatrième doigt et permet l'écartement des doigts (splay), nécessaire pour saisir la poignée d'un outil à gâchette, comme une perceuse ou une torche de soudage. Le petit doigt a été supprimé, décision prise, selon Alberto Rodriguez, directeur du Robot Behavior, après une journée passée par son équipe avec l'auriculaire scotché à l'annulaire. Avec seulement 13 DOF, la main utilise moins d'actionneurs, plus gros et plus puissants, intégrés directement dans les articulations en entraînement direct. Le cahier des charges annoncé par l'entreprise comprend l'usage d'outils, la robustesse, une simulation fidèle, une fabrication de masse et une réparation à faible coût, avec une forme assez proche de la main humaine pour entraîner le robot à partir de démonstrations humaines. Aucun prix ni cadence de production n'a été communiqué. L'enjeu est un changement de philosophie dans la course à la main humanoïde. Beaucoup de concurrents misent sur des mains très anthropomorphes, capables de manipulations fines spectaculaires, mais fragiles ou chères, au point de rester surtout des outils de recherche et de démonstration. Boston Dynamics fait le pari inverse : sacrifier la ressemblance cosmétique pour gagner en fiabilité, en manufacturabilité et en coût. « Une main est un compromis de conception impitoyable », résume Rodriguez, pour qui beaucoup de designs actuels sacrifient justement fiabilité et fabricabilité. L'écartement des doigts dépasse même les capacités humaines, et l'entreprise compte sur l'apprentissage par renforcement pour découvrir et exploiter ces mouvements supplémentaires. Pour un intégrateur ou un COO industriel, le critère pertinent devient la tenue en service et le coût de maintenance, plus que l'élégance des vidéos. Reste que l'entreprise affirme la polyvalence de la main « pour l'horizon prévisible » sans publier de données d'endurance, de taux de panne ou de charge utile : il s'agit à ce stade d'une annonce de conception, pas d'un déploiement mesuré. Cette annonce s'inscrit dans la transition d'Atlas, passé de plateforme de recherche à produit industriel, où des questions longtemps ignorables, comme la durabilité ou le coût de réparation, deviennent centrales. Elle place Boston Dynamics face à des concurrents qui exhibent des mains quasi humaines, tout en défendant une voie plus pragmatique, proche de celle de la préhension industrielle. La compatibilité avec les démonstrations humaines et la simulation propre vise à alimenter l'entraînement des politiques de manipulation, un point clé pour les modèles VLA actuels. La suite dépendra de la validation sur site, des volumes réels et du coût unitaire, éléments à surveiller avant de juger si ce compromis tient ses promesses hors du laboratoire.

Boston Dynamics vise un déploiement de 25 000 Atlas et débute les tests robotiques chez Hyundai

Boston Dynamics a ouvert le Robotics Metaplant Application Center (RMAC), un centre de test et de formation pour l'IA physique installe au sein du campus Metaplant America de Hyundai Motor Group, près de Savannah, en Georgie. Hyundai prévoit d'y déployer a terme 25 000 unités de son robot humanoïde Atlas dans ses usines Hyundai et Kia dans le monde, avec un objectif d'assemblage de composants totalement autonome et de prise en charge des taches lourdes d'ici 2030. Pour l'instant, des opérateurs téléopérent les robots pour la logistique de pièces, le séquençage des lignes et le rangement de composants volumineux. Atlas soulève jusqu'a 50 kg en pointe (30 kg en continu), tient environ quatre heures grâce a un echange autonome de batterie, compte 56 degrés de liberté et résiste de -20°C a 40°C. Hyundai construira aux Etats-Unis une usine dédiée, capable de produire 30 000 robots par an, avant une extension du site dix fois plus grande en 2027. Le contraste est net avec les vidéos virales de parkour et de saltos qui ont fait la réputation d'Atlas : le robot quitte le laboratoire pour la chaine de production réelle. C'est l'un des plans de déploiement humanoïde les plus ambitieux annonces a ce jour, et il repositionne Boston Dynamics, filiale de Hyundai depuis 2021, comme un acteur industriel face a Tesla Optimus, Figure AI ou Agility Robotics. Point notable pour les intégrateurs : les unités au travail restent aujourd'hui téléopérées par des humains, pas autonomes, ce qui souligne que l'annonce relève d'une feuille de route pluriannuelle plutôt que d'un produit livre, et confirme l'écart persistant entre démonstration et déploiement industriel réel dans le secteur. Le pari reste néanmoins fort : un constructeur automobile mondial mise sur l'automatisation physique pour retirer les humains des taches dangereuses et répétitives, un virage qui ravive les inquiétudes syndicales, le syndicat de Kia ayant réclame un organe dédié a la protection de l'emploi a l'ère de l'IA. Boston Dynamics, pionnier historique de la robotique dynamique passe par Google puis SoftBank avant d'être racheté par Hyundai Motor Group en 2021, cherche depuis a transformer ses prouesses techniques en revenus commerciaux, un virage déjà amorce avec le robot quadrupède Spot. Le RMAC s'inscrit dans une course a l'humanoïde industriel ou rivalisent Apptronik et d'autres acteurs américains et chinois. Face aux craintes de suppressions d'emplois, le vice-président de Hyundai Motor, Jaehoon Chang, a assure que la main-d'oeuvre humaine resterait indispensable pour piloter, entrainer et entretenir la flotte de robots. Boston Dynamics négocie par ailleurs avec des clients existants pour exporter Atlas au-delà de l'automobile, vers l'aérospatiale, les semi-conducteurs et les sciences de la vie, prochaines étapes prévues après la montée en puissance du site de Georgie annoncée pour 2027.

Boston Dynamics ouvre un centre d'application Metaplant pour entraîner ses robots humanoïdes Atlas

Boston Dynamics a ouvert le 21 septembre 2026 son Robotics Metaplant Application Center (RMAC), un centre d'entraînement installé au sein du Metaplant America de Hyundai Motor Group, près de Savannah, en Géorgie. L'objectif affiché est d'intégrer les humanoïdes Atlas directement dans les opérations de fabrication automobile de Hyundai, maison mère de Boston Dynamics. Selon Zack Jackowski, chief product and technology officer de l'entreprise, les robots y apprennent via trois canaux de données combinés : la téléopération, l'apprentissage par renforcement en simulation, et des dispositifs Universal Manipulation Interface (UMI). Les tâches ciblées concernent la logistique et le séquençage de pièces automobiles avant leur assemblage, ce qui implique une manipulation dextre poussée : prise sur des surfaces complexes, respect de zones de préhension pour des éléments cosmétiques ou fragiles, manipulation bimanuelle de pièces volumineuses ou mal équilibrées, extraction d'emballages complexes et insertion dans des casiers à haute densité pour le transport vers la ligne. Boston Dynamics prévoit d'étendre les capacités d'Atlas à l'assemblage de composants d'ici 2030, avec à terme des tâches répétitives et physiquement exigeantes comme le levage de charges lourdes. Ce lancement marque une bascule par rapport aux essais précédents, décrits par Jackowski comme des déploiements ponctuels et limités dans le temps, menés à petite échelle avec une forte implication de l'équipe d'ingénierie pour tester la faisabilité opérationnelle. Le RMAC, lui, se veut une installation permanente qui reproduit un environnement industriel réel (pièces, fixations, postes de travail réels) pour générer en continu des données d'entraînement de qualité, avec l'appui de pilotes qualifiés : Boston Dynamics le qualifie de "Robot Behavior Factory". Pour le secteur, ce signal est notable car il illustre le passage de la démonstration humanoïde en environnement contrôlé vers un test de robustesse en usine réelle, un terrain où les hypothèses de conception se heurtent souvent à la réalité des contraintes industrielles. Jackowski affirme que les hypothèses de conception de la version de production d'Atlas se sont révélées globalement justes, ce qui est une donnée à prendre avec prudence puisqu'elle provient de l'entreprise elle-même et n'a pas encore été validée par un déploiement à grande échelle ou des tiers indépendants. L'enjeu réel porte autant sur les robots que sur l'adaptation des fixations et emballages pour les rendre compatibles avec la manipulation humanoïde, un point rarement mis en avant dans les annonces du secteur. Cette initiative s'inscrit dans la relation capitalistique entre Boston Dynamics et Hyundai Motor Group, qui a racheté l'entreprise en 2021, et prolonge des pilotes antérieurs menés dans les usines du groupe. Elle positionne Atlas face aux autres humanoïdes en cours de déploiement industriel, comme Figure 03 chez Figure AI, Optimus chez Tesla, ou les plateformes s'appuyant sur des modèles VLA tels que Pi-0 (Physical Intelligence), GR00T N2 (Nvidia) ou Helix (Figure AI). Boston Dynamics doit encore prouver sa capacité à tenir le calendrier annoncé, avec une extension vers l'assemblage de composants visée pour 2030. En marge de cette annonce, Brendan Schulman, vice-président des affaires publiques chez Boston Dynamics, doit participer à une table ronde sur la relocalisation industrielle par la robotique lors de RoboBusiness 2026, prévu les 20 et 21 octobre à Santa Clara, en Californie.

SoftBank rachète le Robotics and AI Institute

SoftBank Group Corp. a conclu un accord pour racheter le Robotics and AI Institute (RAI) auprès de Hyundai Motor Group, selon plusieurs sources concordantes. Les termes financiers restent inconnus, et l'opération, évoquée depuis plusieurs mois, est désormais examinée par le Committee on Foreign Investment in the United States (CFIUS), l'organe interagences pilote par le Department of the Treasury qui évalué l'impact des investissements étrangers sur la sécurité nationale américaine; on ignore a quel stade en est cet examen. Le RAI, base a Cambridge (Massachusetts), a été fonde en 2022 dans le cadre du rachat de Boston Dynamics par Hyundai, avec un investissement initial du constructeur coréen de plus de 400 millions de dollars, un financement aujourd'hui épuise selon plusieurs sources. L'institut travaille sur le contrôle robotique, la perception, la manipulation, la navigation et l'IA appliquée a des taches physiques complexes; il a notamment développe le cadre d'apprentissage "whole-body" a l'origine des mouvements acrobatiques du nouvel Atlas de Boston Dynamics. Sollicites par The Robot Report, le RAI Institute et SoftBank n'ont livre aucune précision sur la transaction. Cette acquisition intervient alors que SoftBank finalise par ailleurs le rachat de la division robotique d'ABB pour 5,3 milliards de dollars, opération censée se conclure mi ou fin 2026. La combinaison des deux dossiers dessine une stratégie de consolidation: adosser la base installée et le savoir-faire industriel d'ABB en automatisation aux compétences de recherche en IA du RAI. Il s'agit d'une opération de fusion-acquisition, pas d'un lancement produit: aucune nouvelle capacité robotique n'est démontrée ici, et le passage devant le CFIUS rappelle la sensibilité géopolitique croissante des rachats de technologies robotiques et d'IA américaines, même par un groupe allie comme le Japon. Pour les intégrateurs et décideurs industriels, le signal est celui d'une bataille qui se joue désormais autant sur la propriété de la recherche fondamentale que sur les déploiements commerciaux, SoftBank cherchant a reconstituer un portefeuille robotique complet après avoir cède Boston Dynamics. L'histoire des trois entités est étroitement imbriquée. Marc Raibert fonde Boston Dynamics en 1992 après des travaux pionniers sur la robotique a pattes dynamique a Carnegie Mellon et au MIT, avant de développer BigDog, Atlas et Spot. Google racheté l'entreprise en 2013 puis la revend a SoftBank en 2017 pour environ 100 millions de dollars. En 2021, Hyundai prend une participation majoritaire auprès de SoftBank, valorisant Boston Dynamics a 1,1 milliard de dollars; SoftBank conserve alors 20%, avant d'exercer récemment une option de vente sur sa participation résiduelle de 9,65%, que les actionnaires de Hyundai ont accepte de racheter en juillet 2026 pour renforcer leur stratégie d'IA physique. Raibert avait quitte la direction de Boston Dynamics en janvier 2020, peu après ses 70 ans, avant de fonder le RAI en 2022; son rôle futur chez SoftBank, si l'accord aboutit, reste inconnu.

ATLAS Navigator : Gaussian Splatting actif intégrant le langage, piloté par la tâche

Des chercheurs présentent ATLAS Navigator, un système de navigation robotique piloté par des instructions en langage naturel, décrit dans un article arXiv (2502.20386v2, version révisée) intitulé "Active Task-driven LAnguage-embedded Gaussian Splatting". Le système repose sur une représentation hiérarchique combinant un splatting gaussien enrichi de sémantique linguistique : une couche sémantique éparse pour la planification en temps réel et une couche géométrique dense pour la navigation sans collision. Les auteurs l'ont testé sur un robot terrestre équipé uniquement de capteurs visuels, dans des environnements intérieurs encombrés puis en extérieur à l'échelle kilométrique, pour un total de plus de 2 kilomètres parcourus et 47 000 mètres carrés couverts. Le système atteint un ratio de compétitivité d'environ 59 % par rapport au plus court chemin possible, un indicateur qui compare le trajet réellement suivi à l'itinéraire optimal théorique, inconnu du robot au départ. Aucun nom commercial, prix ni volume de déploiement n'accompagne ces travaux : il s'agit d'une publication de recherche, avec vidéos d'expérimentation disponibles sur une page de projet dédiée. Ce travail s'inscrit dans un axe de recherche central pour la navigation autonome : permettre à un robot de comprendre une consigne en langage naturel, potentiellement vague ou reformulée en cours de mission, en construisant à la volée une carte à la fois sémantique et géométrique assez riche pour généraliser à des tâches variées sans replanification complète. Pour les équipes R&D et les intégrateurs, l'intérêt tient moins à la performance brute, un ratio de 59 % reste loin de l'optimal, qu'à la validation en conditions réelles, en vision seule, sur des distances kilométriques et des surfaces représentatives d'usages logistiques ou industriels plutôt que de simples démonstrations de laboratoire. Cela alimente le débat sur l'écart entre démonstration et réalité opérationnelle dans la navigation sémantique, alors que plusieurs laboratoires promettent des architectures vision-langage-action capables de généraliser à grande échelle sans toujours livrer de tests extérieurs aussi étendus. ATLAS Navigator prolonge la lignée des représentations de scène par splatting gaussien enrichies de sémantique linguistique, un axe apparu avec l'adaptation des champs de radiance neuronaux à la robotique, en cherchant à concilier la légèreté nécessaire au traitement embarqué en ligne avec la richesse sémantique requise pour interpréter des consignes en langage naturel. Il se positionne entre les approches de cartographie purement géométrique de type SLAM et les politiques de navigation fondées sur des modèles vision-langage-action entraînés de bout en bout, en proposant une architecture à deux couches distinctes. L'article ne mentionne aucun acteur français ou européen ni partenariat industriel : il s'agit d'une contribution académique dont le code, les vidéos et les détails techniques sont publiés sur la page de projet des auteurs. La mention "replace" sur arXiv signale une révision du texte initial, sans calendrier annoncé vers un produit ou un pilote industriel à ce stade.

Anciens de Boston Dynamics lancent Dynamic Creatures pour donner vie à des personnages grâce à la robotique

Marc Theermann, ancien directeur de la stratégie de Boston Dynamics, et Farbod Farshidian, ancien responsable de recherche au Robotics and AI Institute (RAI Institute), ont annoncé début septembre 2026 la création de Dynamic Creatures, une société dédiée aux robots de divertissement. Théermann prend la direction générale, Farshidian la direction technique. Le nom de l'entreprise rend hommage à la fois à Boston Dynamics et au Creature Shop de Jim Henson. Dynamic Creatures devient le partenaire officiel de Boston Dynamics pour les secteurs du divertissement et de l'hôtellerie, avec des applications visées dans les parcs à thème, les casinos, les croisières et l'hôtellerie. La jeune pousse a levé des fonds auprès d'investisseurs américains et européens, dont Eniac Ventures, Kindred Ventures, Heliad, Sunshine Lake et BlueGrass Ventures, ainsi que des business angels stratégiques, notamment Marc Raibert, fondateur de Boston Dynamics et directeur exécutif du RAI Institute, et Lukas Ziegler. La société a aussi présenté SnowJay, une plateforme logicielle d'IA et de robotique conçue comme couche de contrôle commune à ses robots, axée sur deux fonctions: une locomotion naturelle, obtenue par capture de mouvement et par apprentissage par renforcement combiné à des outils NVIDIA, et l'interaction homme-robot. Farshidian, qui a dirigé une partie des travaux de locomotion, avait déjà contribué à la démarche plus naturelle d'Atlas présentée lors du CES 2026. Le positionnement de Dynamic Creatures tranche avec l'orientation dominante du secteur humanoïde, focalisée sur les modèles vision-langage-action et la manipulation dextre comme prochain verrou technique. Théermann revendique au contraire l'interaction homme-robot, jugée négligée, comme condition d'acceptation sociale des robots dans des lieux publics comme les restaurants. Pour Boston Dynamics, l'opération permet de valoriser commercialement son image grand public, construite depuis des années via des vidéos virales de Spot et Atlas dansant, exécutant des figures acrobatiques ou apparaissant lors d'America's Got Talent et de la Coupe du monde de la FIFA, sans dévier son activité principale de robotique industrielle. À ce stade, il s'agit d'une annonce de lancement d'entreprise et d'une plateforme logicielle présentée publiquement, non d'un produit commercialisé ni de déploiements chiffrés: l'article ne fournit ni volumes, ni prix, ni sites clients confirmés, ni données chiffrées de performance des robots. Boston Dynamics, dont Amanda McMaster assure la direction générale par intérim, décrit ce partenariat comme l'ouverture d'une "nouvelle frontière" pour la robotique avancée, une formulation promotionnelle qu'il convient de lire comme un positionnement stratégique plutôt qu'un constat établi. L'implication personnelle de Marc Raibert comme investisseur souligne la continuité avec l'écosystème historique de Boston Dynamics et du RAI Institute. Aucun acteur français ou européen du type Wandercraft, Pollen Robotics ou Enchanted Tools n'est mentionné dans l'article, malgré la présence de fonds européens au tour de table. Aucune date de déploiement pilote ni de calendrier commercial précis n'est communiquée à ce stade.

Digit V5 d'Agility vise des journées de travail de 20 heures en usine, sans barrières de sécurité

Agility Robotics, entreprise basée dans l'Oregon, prépare le déploiement de son robot humanoïde Digit V5 chez des premiers clients dès décembre 2026, une étape présentée comme décisive vers une collaboration homme-robot sans barrières de sécurité en entrepôt et en usine. Le robot doit fonctionner jusqu'à 20 heures par jour, de quoi couvrir trois équipes de travail avec une seule machine, grâce à son système de batterie repensé. Digit V5 embarque des actionneurs cycloïdaux propriétaires au niveau des hanches et des genoux, censés lui donner la stabilité dynamique nécessaire pour encaisser un déséquilibre sans lâcher sa charge ni tomber. Agility affirme avoir testé cette capacité en retirant brusquement le sol sous le robot, qui a alors corrigé sa posture d'un pas et maintenu sa charge. La plateforme utilise aussi une bride au standard ISO compatible avec un large éventail de pinces et outils terminaux ; Agility a déjà démontré un changement d'outil sur Digit et prévoit à terme de rendre cette opération autonome. Sur le plan financier, Agility Robotics a récemment annoncé son introduction en bourse via une opération SPAC valorisée 2,5 milliards de dollars, destinée à lever plus de 620 millions de dollars pour financer le développement produit, la recherche et l'expansion de l'entreprise. L'enjeu central de Digit V5 est sa capacité annoncée à opérer à proximité immédiate des humains sans les clôtures de sécurité classiques imposées aux robots industriels, grâce à un dispositif combinant caméras, capteurs et logiciels de détection humaine avec une réponse matérielle rapide aux mouvements imprévus. Si cette promesse se vérifie en conditions réelles, elle changerait la donne économique du déploiement de robots dans des entrepôts déjà denses : les cages dédiées consomment de l'espace au sol, imposent des travaux d'aménagement coûteux et perturbent les flux de circulation existants. Agility prévoit d'utiliser ces premiers déploiements clients pour valider les capacités de sécurité de Digit V5 en conditions réelles avant une production à plus grande échelle, une démarche qui distingue explicitement la phase de validation terrain de la commercialisation de masse. L'entreprise mise sur cette validation pour élargir les usages des humanoïdes au-delà de la logistique et de la fabrication, vers la vente au détail et la pharmacie, deux secteurs où les contraintes opérationnelles ont jusqu'ici freiné l'adoption. Reste que les tests évoqués, comme le retrait du sol pour provoquer un pas correcteur, restent des démonstrations contrôlées par le fabricant et ne remplacent pas un audit de sécurité indépendant en usine. Agility Robotics développe la lignée Digit depuis plusieurs générations, avec des déploiements antérieurs déjà opérés notamment chez le logisticien GXO. Le marché des humanoïdes industriels s'est nettement densifié ces dernières années, avec des concurrents comme Tesla et son Optimus, Figure AI, Boston Dynamics avec Atlas ou encore Apptronik et son Apollo, tous engagés dans la même course à la démonstration de cas d'usage réels en entrepôt. Le pari d'Agility consiste à différencier Digit V5 par la sécurité de cohabitation plutôt que par la seule performance brute de manipulation. Les prochaines étapes attendues sont les retours des premiers clients pilotes en décembre 2026, qui conditionneront le passage à une production plus large, ainsi que le développement du changement d'outil autonome, pour l'instant démontré mais pas encore déployé en pleine autonomie.

Boston Dynamics : son robot humanoïde change ses batteries en moins de trois minutes pour continuer à travailler

Boston Dynamics a doté la version industrielle de son robot humanoïde Atlas, filiale du groupe coréen Hyundai, d'un système de remplacement autonome de batterie: le robot détecte lui-même une batterie déchargée, rejoint une station dédiée, effectue l'échange et reprend sa tâche en moins de trois minutes, selon les spécifications communiquées par l'entreprise. Atlas offre environ quatre heures d'autonomie en usage courant et près de deux heures lors de tâches de levage lourd, contre environ 90 minutes pour une recharge classique. Le robot mesure environ 1,88 mètre pour 90 kg, porte en charge soutenue jusqu'à 30 kg et peut soulever brièvement jusqu'à 50 kg. Il embarque un système tactile dans les mains et une couverture caméra à 360 degrés. Cette annonce fait suite à une présentation récente détaillant comment Atlas a appris à manipuler des charges lourdes par apprentissage par renforcement et simulation à grande échelle, acquérant en quelques semaines des capacités de levage, de transport et d'équilibrage adaptatif. Pour les intégrateurs et décideurs industriels qui envisagent le déploiement d'humanoïdes en usine, l'autonomie énergétique reste l'un des principaux freins à une exploitation continue en plusieurs équipes. En réduisant l'immobilisation liée à la batterie de 90 minutes à moins de trois, Boston Dynamics cible directement ce goulot d'étranglement plutôt que la seule démonstration de dextérité. L'entreprise met aussi en avant un transfert simulation-vers-robot réel en environ une heure, ce qui suggérerait une réduction notable de l'écart sim-to-real qui a longtemps limité le passage de compétences apprises virtuellement au monde physique. Ces chiffres restent toutefois ceux communiqués par le fabricant, sans validation indépendante ni confirmation publique de déploiements clients à grande échelle: il s'agit pour l'instant d'une capacité produit annoncée, pas d'un usage industriel documenté sur site. Cette évolution s'inscrit dans la trajectoire d'Atlas, passé en 2024 d'un robot hydraulique de démonstration à une plateforme entièrement électrique pensée pour la manutention industrielle. L'architecture a été volontairement simplifiée: deux types d'actionneurs seulement pour tout le corps, une conception symétrique des bras et des jambes, et des articulations sans câbles traversants permettant une rotation continue et réduisant l'usure, autant de choix qui facilitent la modélisation et l'entraînement en simulation. Lors de tests, le robot est parvenu à déplacer un réfrigérateur de plus de 45 kg après un entraînement effectué avec des charges nettement plus légères, et des mouvements dynamiques comme des coups de pied, des appuis renversés ou des backflips sont utilisés pour muscler son équilibre et sa récupération. Boston Dynamics évolue dans un marché de l'humanoïde industriel de plus en plus disputé, face à Figure AI et son Figure 03, Tesla et Optimus, ou encore les plateformes logicielles Pi-0 de Physical Intelligence et GR00T N2 de Nvidia, qui misent elles aussi sur l'apprentissage par simulation massive. Aucune date de déploiement client ni volume de production n'a pour l'instant été précisé pour cette fonction de changement de batterie autonome.

AtlasVLA : une modélisation persistante de l'état monde-ego pour les modèles vision-langage-action

Une équipe de recherche présente AtlasVLA, un nouveau framework pour les modèles vision-langage-action (VLA), décrit dans un article publié sur arXiv le 6 août 2026 (arXiv:2608.06729v1). Le système repose sur une architecture à double mémoire: une "4D Persistent World State Memory", qui transforme les observations 2D transitoires en un état spatial global mis à jour en continu via un hachage voxel, et une "Ego-Working State Memory", qui conserve l'historique de l'état du robot et l'avancement de la tâche en cours. Ces deux mémoires conditionnent un transformeur de diffusion (DiT) chargé de générer les actions. Testé sur les bancs d'essai LIBERO, RLBench et sur des tâches réelles, AtlasVLA atteint des performances de pointe en n'utilisant qu'une seule caméra montée au poignet, avec des gains de taux de réussite de 9,4 points sur LIBERO-Long et de 17,5 points sur des tâches réelles à long horizon, comparé à des méthodes de référence multi-caméras. Ce résultat s'attaque à une limite connue des modèles VLA actuels: leur nature réactive, qui pousse les robots à "oublier" un objet dès qu'il sort du champ de la caméra, et à perdre le fil de la progression dans les tâches à plusieurs étapes. Pour les intégrateurs industriels, l'intérêt est concret: obtenir une robustesse comparable à des rigs multi-caméras avec un seul capteur poignet réduit le coût matériel et la complexité de calibration des cellules robotisées. Le résultat remet en question l'hypothèse selon laquelle une couverture visuelle multi-angles serait indispensable pour la manipulation à long horizon, un argument souvent avancé par les fournisseurs de systèmes de vision embarqués. Ces chiffres proviennent toutefois d'un article encore non revu par les pairs, et les conditions précises des essais réels (nombre d'essais, environnements testés) restent à vérifier avant toute généralisation. Le travail s'inscrit dans la lignée des modèles VLA qui ont émergé ces dernières années, de RT-2 à Pi-0 en passant par GR00T N2 ou Helix, tous construits sur un mappage direct image vers action avec peu ou pas de mémoire persistante. AtlasVLA se positionne explicitement contre les approches multi-vues, qu'il dit surpasser de façon nette sur les tâches longues. L'article ne précise pas d'acteur industriel ni de calendrier de déploiement: il s'agit à ce stade d'une contribution de recherche, sans indication de portage vers un produit commercial ou un partenariat avec un fabricant de robots humanoïdes ou de bras manipulateurs.

Unitree vise une valorisation de 9 milliards de dollars pour son IPO, la course aux robots humanoïdes s'accélère

Le fabricant chinois de robotique Unitree, basé à Hangzhou, a fixé le prix de son introduction en bourse sur le STAR Market de Shanghai à 150,8 yuans, soit 22,34 dollars par action, valorisant l'entreprise à environ 9 milliards de dollars. L'opération fait d'Unitree le premier fabricant de robots humanoïdes coté en Chine continentale. Elle intervient alors que les tensions géopolitiques entre Pékin et Washington sur les technologies avancées restent vives, sans freiner l'appétit des investisseurs pour la robotique dopée à l'intelligence artificielle. Cette cotation marque un tournant dans la course mondiale à la commercialisation des humanoïdes, alors que des concurrents américains comme Figure AI ou Tesla, avec son projet Optimus, restent financés par des levées de fonds privées, tandis qu'Unitree obtient désormais un accès direct aux marchés de capitaux publics chinois pour financer l'industrialisation de ses lignes de production. Pour les intégrateurs et décideurs B2B, ce succès boursier confirme que la Chine consolide son avance sur les coûts de production et la disponibilité de plateformes robotiques à prix accessible. Cela renforce aussi l'idée que l'investissement institutionnel dans la robotique générative dépasse désormais le stade de la démonstration, même si une valorisation de 9 milliards de dollars reste largement adossée à des attentes de croissance plutôt qu'à des revenus déjà établis. Fondée en 2016 par Wang Xingxing, Unitree s'est d'abord fait connaître avec ses robots-chiens Go2 avant de lancer les humanoïdes H1 puis G1, commercialisés à des prix nettement inférieurs à ceux de Boston Dynamics ou Tesla, et déjà livrés en volumes notables contrairement à la plupart des humanoïdes rivaux encore au stade pilote. Elle rejoint ainsi UBTech, cotée à Hong Kong depuis 2024, dans le mouvement d'entrée en bourse des roboticiens chinois, pendant que Figure AI, Agility Robotics et Tesla restent pour l'instant hors des marchés publics. Les fonds levés devraient accélérer la production industrielle et l'expansion internationale d'Unitree, dans un secteur où la démonstration technique cède progressivement la place aux questions de volumes, de fiabilité et de rentabilité.

2 000 robots humanoïdes déployés dans des usines textiles pour une production plus rapide et efficace

Jack Technology, fabricant chinois de machines à coudre industrielles, s'associe à Siemens pour intégrer intelligence artificielle, ingénierie numérique et robotique humanoïde dans la production textile. L'entreprise vise un gain d'efficacité d'au moins 30 % face à des délais de production plus courts, une demande consommateur de plus en plus personnalisée et une pression accrue sur les coûts. Dans ce cadre, Jack Technology a commandé 2 000 robots humanoïdes conçus pour la confection, ce qui en ferait l'un des tout premiers déploiements massifs de ce type dans le secteur textile. En parallèle, un essai a été mené sur le site Siemens d'Erlangen, en Allemagne, avec le robot humanoïde à roues HMND 01 de la startup allemande Neura Robotics, propulsé par la pile logicielle d'IA physique de NVIDIA. Pendant deux semaines, le robot a manipulé des caisses de deux formats différents, les plaçant sur un convoyeur avant de les acheminer vers un poste de reprise humaine, à raison de 60 caisses par heure, plus de huit heures par jour, avec un taux de réussite en préhension et positionnement supérieur à 90 %. Siemens associe aussi à cette offensive le robot quadrupède ANYmal d'ANYbotics, utilisé pour l'inspection de sites chimiques et énergétiques dangereux, capable de cartographier des installations en 3D et de détecter fuites de gaz ou surchauffes via capteurs acoustiques et caméras infrarouges, en s'appuyant sur la plateforme de Roboverse Reply. Cette annonce illustre un test grandeur nature de l'écart habituel entre démonstration marketing et réalité opérationnelle: un cycle de deux semaines avec un taux de succès mesuré au dessus de 90 % pèse davantage qu'une vidéo de présentation isolée, même si l'ampleur exacte de la commande de 2 000 unités reste à confirmer dans son calendrier de livraison réel. Pour les intégrateurs et décideurs industriels, l'intérêt des humanoïdes tient surtout à leur capacité à s'insérer dans des ateliers existants sans réaménagement lourd, contrairement aux robots industriels fixes classiques. Cela renforce l'hypothèse que la manutention répétitive de charges, plutôt que les tâches fines de couture elles-mêmes, sera le premier terrain d'adoption rentable des humanoïdes dans le textile. Le volet quadrupède, lui, consolide le glissement du secteur vers une maintenance prédictive plutôt que réactive sur les sites à risque. Cette initiative s'inscrit dans la stratégie plus large de Siemens, qui cherche à fournir l'infrastructure numérique (jumeaux numériques, interfaces robots-automates, gestion de flotte, réseaux industriels) permettant de transformer des robots isolés en composants coordonnés d'une usine connectée. Sur le marché des humanoïdes industriels, Jack Technology et Neura Robotics viennent ainsi se positionner face à des acteurs comme Figure ou Agility Robotics, davantage focalisés sur la logistique et l'entrepôt, tandis qu'ANYbotics affronte la concurrence de Boston Dynamics sur l'inspection quadrupède. Les prochaines étapes attendues concernent le calendrier réel de déploiement des 2 000 unités commandées par Jack Technology et l'extension des pilotes Siemens à d'autres usines du groupe.

Boston Dynamics discute l'art derrière l'interaction homme-robot

Boston Dynamics organise cette semaine un webinaire gratuit intitulé « The Art Behind Human-Robot Interaction », consacré à l'interaction homme-robot (HMI) dans un contexte où les humanoïdes quittent les laboratoires pour les environnements industriels et commerciaux. La session, prévue le mercredi 22 juillet 2026 à 11h00 (heure de l'Est), est animée par Mario Bollini, directeur de l'interaction homme-robot chez Boston Dynamics, et Leland Hepler, designer UI et ancien animateur chez Disney et dans le jeu vidéo. Les intervenants doivent aborder quatre axes concrets : la communication d'intention via des signaux anticipatoires et des comportements de « réflexion » visible, la sécurité de l'humanoïde Atlas en version électrique conçu pour travailler sans cage de protection aux côtés d'humains, l'apport des grands modèles de langage (LLM) qui font passer les robots de scripts rigides à des interactions plus naturelles, et le choix de conserver une forme mécanique assumée plutôt que d'imiter l'humain pour éviter la vallée de l'étrange. Atlas fait partie des rares humanoïdes actuellement en essais commerciaux. Ce positionnement est significatif pour l'industrie robotique : Boston Dynamics affirme explicitement que la confiance et la sécurité dans la cohabitation homme-robot ne reposent pas sur un mimétisme humain poussé, mais sur la prévisibilité des comportements du robot. C'est un message qui s'adresse directement aux intégrateurs et décideurs B2B évaluant le déploiement d'humanoïdes en usine ou en entrepôt, où l'acceptabilité par les opérateurs humains conditionne autant l'adoption que les performances techniques. L'intégration de LLM pour sortir des scripts pré-programmés illustre aussi une tendance plus large du secteur, où l'IA générative vient compléter les architectures de contrôle robotique classiques, un sujet à suivre avec prudence tant les démonstrations en environnement contrôlé ne garantissent pas toujours une robustesse équivalente en conditions réelles de production. Ce webinaire s'inscrit dans la trajectoire de Bollini, ancien du MIT et l'une des premières recrues commerciales de Boston Dynamics, qui a piloté la mise à l'échelle du quadrupède Spot à plusieurs milliers d'unités déployées avant de diriger le programme Atlas jusqu'à son lancement en version production-grade au CES. Hepler, chez Boston Dynamics depuis 2018 après avoir dirigé l'expérience utilisateur chez Rethink Robotics, apporte une expertise d'animation de personnages issue de quatorze ans chez Disney, sur des films comme Le Roi Lion et Chicken Little. Boston Dynamics ne précise pas de calendrier de déploiement commercial élargi pour Atlas au-delà des essais en cours, mais la mise en avant de l'interaction homme-robot comme discipline à part entière signale que la course aux humanoïdes, longtemps focalisée sur la mobilité et la manipulation, se déplace désormais aussi vers l'expérience utilisateur et l'acceptabilité sociale.

Boston Dynamics teste des "chiens robots" pour les livraisons

Boston Dynamics teste actuellement un nouvel accessoire de type tapis roulant fixé sur son robot quadrupède Spot, permettant de transporter des colis directement depuis un véhicule de livraison jusqu'au pas de la porte d'un client, de façon autonome. L'objectif affiché est de réduire la charge de travail des livreurs humains sur le dernier segment du trajet, celui qui va du camion à l'entrée du domicile. Le dispositif a été présenté via une vidéo de démonstration, sans précision sur le payload maximal, l'autonomie ou un calendrier de déploiement commercial. Spot est déjà utilisé pour des inspections industrielles répétitives en usine et a notamment servi à patrouiller sur le site archéologique de Pompéi. Cette expérimentation illustre une limite persistante de l'automatisation de la livraison du dernier kilomètre. Les robots à roues et les drones aériens peinent à franchir des obstacles courants comme des escaliers, des trottoirs encombrés ou des accès non standardisés, un terrain où la locomotion à pattes de Spot pourrait offrir un avantage réel. Pour les intégrateurs et les acteurs de la logistique, ce test reste toutefois à un stade de démonstration et ne prouve pas encore une viabilité économique ou opérationnelle à grande échelle. Boston Dynamics, racheté par Hyundai en 2021, a construit la réputation de Spot sur des usages B2B établis: inspection de sites industriels, surveillance de chantiers, cartographie. L'entreprise explore ici un nouveau marché face à des concurrents comme les drones de livraison ou les robots à roues déployés par des acteurs de la logistique urbaine. Aucun pilote commercial ni partenaire de livraison n'a pour l'instant été annoncé.

L'Unitree et l'UBTECH : deux expériences commerciales divergentes pour les robots humanoïdes chinois en 2026

L'industrie chinoise des robots humanoïdes a atteint un tournant en juillet 2026, avec deux entreprises leaders adoptant des stratégies de commercialisation radicalement opposées. Unitree Robotics, basée à Hangzhou et connue pour ses robots quadrupèdes, a obtenu l'approbation de son introduction en bourse sur le STAR Market de Shanghai, levant plus de 5,9 milliards de dollars. L'entreprise vise 20 000 livraisons de robots humanoïdes cette année. Son modèle G1, vendu à partir de 13 500 dollars, dispose de plus de 30 degrés de liberté, d'une navigation autonome et de capacités de préhension complexes. Ce prix casse d'un ordre de grandeur celui de l'Atlas de Boston Dynamics (estimé à plusieurs millions de dollars l'unité) et celui de l'Optimus de Tesla. Unitree doit cet avantage à son expérience de fabricant de robots quadrupèdes, dont elle a écoulé des dizaines de milliers d'exemplaires dans le monde, ce qui lui a permis d'affiner sur plusieurs générations les chaînes d'approvisionnement chinoises en réducteurs, moteurs brushless à forte densité de puissance, systèmes micro-hydrauliques et capteurs. Les fonds levés serviront à agrandir sa méga-usine du delta du Yangtsé et à développer WVLA 2.0, son modèle fondationnel World-Video-Language-Action. À l'opposé, UBTECH a dévoilé sa série YouWorld U1, des robots compagnons présentés comme hyperréalistes, avec une réplication annoncée au pore près de la peau et des vaisseaux sanguins sous-cutanés, pilotés par des modèles de langage à visée émotionnelle. Facturé jusqu'à 140 000 dollars dans ses versions haut de gamme, le U1 a déjà enregistré plus de 13 000 commandes en quelques jours auprès d'une clientèle fortunée, un chiffre à prendre avec prudence tant qu'aucune livraison effective n'est confirmée. Ces deux trajectoires illustrent la tension centrale de la commercialisation de l'IA incarnée. Unitree mise sur une logique fordiste, faisant baisser les coûts grâce à la maîtrise de sa chaîne d'approvisionnement pour rendre les humanoïdes accessibles aux usines, aux entrepôts, puis potentiellement aux foyers. UBTECH parie au contraire sur un compagnon émotionnel haut de gamme, façon Westworld, misant sur l'idée que le lien affectif entre humain et robot justifie un prix élevé. Pour les intégrateurs et décideurs industriels, l'écart entre le G1 à 13 500 dollars et les millions facturés par Boston Dynamics ouvre la voie à des déploiements à grande échelle en logistique et en manufacture, à condition que les capacités annoncées tiennent la route en conditions réelles au-delà des démonstrations. Le pari d'UBTECH teste une hypothèse différente et largement inexplorée commercialement : que des particuliers aisés paient une prime importante pour une présence robotique à forte charge émotionnelle plutôt que pour une utilité productive. Menées en parallèle sur le même marché chinois, ces deux expériences généreront des données précieuses sur la question de savoir si la robotique humanoïde se développe d'abord par la baisse des coûts ou par la création de valeur émotionnelle. Unitree s'est imposé ces dernières années comme le principal fabricant mondial de robots quadrupèdes avant de basculer vers l'humanoïde en capitalisant sur cette base industrielle et logicielle. UBTECH, acteur établi de la robotique de service et d'éducation en Chine coté à Hong Kong, investit désormais massivement dans l'IA émotionnelle pour se différencier sur un marché où la concurrence industrielle se durcit. Les deux entreprises bénéficient d'un écosystème chinois particulièrement dense en moteurs, capteurs, batteries et puces de calcul, un avantage structurel que peu d'acteurs occidentaux, à commencer par Boston Dynamics ou Tesla, peuvent répliquer à ce coût. La suite dépendra de la capacité d'Unitree à tenir son objectif de 20 000 unités livrées en 2026 et à démontrer que WVLA 2.0 fonctionne au-delà des vidéos de démonstration, ainsi que de la capacité d'UBTECH à honorer ses premières commandes du U1 et à prouver que la demande pour des compagnons hyperréalistes dépasse l'effet de curiosité initial.

Atlas, le robot humanoïde de Boston Dynamics, vole la vedette pendant la mi-temps d'un match de la Coupe du monde de la FIFA avec un show de football

Le robot humanoïde Atlas de Boston Dynamics a fait une apparition remarquée lors de la mi-temps du match des huitièmes de finale entre la Norvège et le Brésil à la Coupe du Monde FIFA 2026, disputé au stade de New York/New Jersey. Sorti du tunnel des joueurs devant un stade comble et une audience télévisée mondiale, le robot a exécuté une chorégraphie recréant plusieurs célébrations de buts emblématiques, dont celles de Harry Kane, Erling Haaland, Matheus Cunha et Son Heung-min. Il a ensuite récupéré le ballon officiel du match et l'a porté jusqu'à l'arbitre pour signaler le début de la seconde période. Il s'agit de la première apparition d'un robot humanoïde lors d'un match de Coupe du Monde FIFA, et surtout de la première démonstration publique de la version de production d'Atlas, dévoilée plus tôt cette année au CES 2026. En amont de l'événement, Hyundai Motor, maison mère de Boston Dynamics, avait diffusé une vidéo montrant Atlas étudiant des séquences de football avant de reproduire des mouvements de joueurs, y compris le contrôle et la passe du ballon lors d'une séance d'entraînement, dans le cadre de sa campagne School of Football. Cette démonstration a une portée qui dépasse le simple coup marketing sportif. Selon Hyundai, l'intégralité de la séquence s'est déroulée en direct pendant un match officiel, ce qui, si les conditions réelles de tournage sont confirmées, prouverait qu'une version de série d'un humanoïde peut opérer de façon fiable dans un environnement bondé, imprévisible et chronométré, tout en exécutant des mouvements coordonnés du corps entier avec précision et stabilité. C'est un signal important pour l'industrie robotique et les décideurs B2B: la frontière entre démonstration contrôlée en laboratoire et déploiement en conditions réelles reste le principal point de friction du secteur humanoïde, et Boston Dynamics cherche ici à démontrer que ce fossé se réduit. Il faut toutefois noter la prudence habituelle qui s'impose face à ce type de communication d'entreprise très maîtrisée: la marge d'erreur tolérée dans une chorégraphie sportive de mi-temps n'est pas comparable aux exigences de fiabilité d'une ligne de production industrielle, même si Hyundai établit explicitement ce parallèle. L'architecture technique repose sur trois briques mises en avant par Boston Dynamics: le retargeting, qui traduit des mouvements humains de football en trajectoires adaptées à la morphologie du robot, l'apprentissage par renforcement, entraîné sur des millions d'heures de simulation GPU en faisant varier poids des objets, force de préhension, friction du sol et positionnement, et le contrôle corps entier (whole-body control), qui assure l'équilibre et la fluidité du mouvement grâce à la proprioception, soit la perception interne de la position, de l'équilibre et des forces appliquées. Les comportements validés en simulation sont ensuite transférés au robot physique, une approche classique de sim-to-real dans la robotique humanoïde actuelle. Cette performance s'inscrit dans la campagne plus large de Hyundai baptisée Next Starts Now, qui mêle football, robotique et intelligence artificielle, et prolonge la série School of Football lancée en amont du tournoi. Elle intervient alors que la concurrence sur le segment humanoïde s'intensifie, avec des acteurs comme Figure, Tesla (Optimus) ou Agility Robotics qui multiplient également les démonstrations publiques pour asseoir la crédibilité commerciale de leurs plateformes.

Boston Dynamics amène ses robots à pattes à la Coupe du monde de la FIFA

Boston Dynamics a présenté lors de la Coupe du monde de la FIFA une démonstration de son humanoïde Atlas exécutant un "Ghost Rabona", un tir de football complexe mêlant feinte et frappe enchaînée, tandis que des robots quadrupèdes Spot assurent des missions de sécurité sur les sites du tournoi. Cette initiative s'inscrit dans la campagne "School of Football" et prolonge un partenariat vieux de 27 ans entre Hyundai Motor, propriétaire de Boston Dynamics depuis 2021, et la FIFA. Alberto Rodriguez, directeur du comportement robotique, et Merry Frayne, directrice produit senior pour Spot, ont détaillé au Robot Report la méthode employée: capture de mouvement (mocap) d'un joueur expérimenté, injection des données dans un moteur de simulation, puis génération d'une politique de contrôle en quelques heures à une journée grâce à l'apprentissage par renforcement (RL). Contrairement à la RoboCup, où d'autres humanoïdes s'affrontent directement, Hyundai laisse ici la compétition sportive aux humains et se concentre sur une vitrine technologique. L'enjeu dépasse le simple coup marketing. Boston Dynamics explique avoir abandonné, il y a environ un an, son contrôle prédictif basé modèle, pourtant considéré comme la référence mondiale pour l'équilibre humanoïde, au profit du RL appris en simulation. Ce choix technique permet des comportements que la démonstration humaine ne pourrait pas transmettre directement, comme le déplacement d'un réfrigérateur, et les mêmes techniques serviraient déjà à la manipulation mobile en entrepôt, par exemple le transport de cartons. Pour les intégrateurs et décideurs industriels, ce signal est significatif: il suggère que l'apprentissage par renforcement en simulation devient la voie privilégiée pour généraliser des comportements dynamiques au delà de ce qui a été démontré, plutôt qu'un exercice isolé de motion capture. Reste que la démonstration filmée pour un événement sportif grand public relève avant tout d'une vitrine soignée, et non d'un déploiement opérationnel comparable aux usages en entrepôt. Cette communication s'inscrit dans la longue série de démonstrations spectaculaires de Boston Dynamics, danse, parkour, sauts et sauts périlleux, qui ont construit sa réputation avant même l'acquisition par Hyundai en 2021. Elle intervient aussi dans un contexte de concurrence croissante sur les humanoïdes, où d'autres acteurs mettent en avant des compétitions comme la RoboCup plutôt que des vitrines chorégraphiées. Rodriguez évoque déjà des pistes d'amélioration futures, notamment l'ajustement des recettes de simulation pour renforcer la fiabilité des comportements appris, sans toutefois fixer de calendrier précis pour d'éventuels prochains déploiements ou nouvelles démonstrations.

AnyBody : contrôle libre du corps entier d'un humanoïde par points-clés arbitraires

Des chercheurs ont publié le 30 juin 2026 AnyBody (arXiv:2606.29209), un contrôleur unitaire pour humanoïdes capables de piloter l'ensemble du corps à partir d'un sous-ensemble arbitraire de keypoints (points de repère anatomiques) défini au moment du déploiement. La méthode articule trois briques : un tracker "enseignant" entraîné sur un large corpus de mouvements humains non structurés, distillé vers un student encodeur-décodeur déterministe dont l'espace latent est une sphère unitaire, puis un encodeur transformer par keypoints exploitant le masked self-attention pour accepter n'importe quelle combinaison de marqueurs corporels. Un correcteur résiduel léger dans l'espace latent permet ensuite d'adapter le décodeur figé à des tâches aval spécifiques. Les expériences couvrent le suivi de mouvements humains à grande échelle depuis des keypoints partiels, la télé-opération flexible, la locomotion, l'écriture dans les airs et l'atteinte d'obstacles. Ce travail s'attaque à deux verrous majeurs du contrôle physique des humanoïdes. Les pipelines classiques de retargeting depuis la capture plein corps (full-body mocap) sont coûteux et sujets aux erreurs, ce qui freine la collecte de données à l'échelle nécessaire à l'apprentissage par renforcement. Les architectures hiérarchiques qui dissocient contrôle du haut et du bas du corps sacrifient quant à elles la coordination globale indispensable à la loco-manipulation, c'est-à-dire la capacité à marcher et manipuler simultanément. AnyBody résout les deux en apprenant une représentation latente unique interrogeable par n'importe quel sous-ensemble de keypoints, sans retraining. Pour les intégrateurs, cela ouvre la voie à une télé-opération allégée (quelques marqueurs suffisent) et à des interfaces variées : vision monoculaire, IMU ou exosquelette partiel. Le contrôle physique des humanoïdes se partage aujourd'hui entre approches simulation-retargeting (PHC, OmniH2O, HOVER) et modèles vision-langage-action (VLA). AnyBody s'inscrit dans la première famille mais supprime la contrainte du mocap complet, convergeant vers des travaux comme HumanVid qui exploitent des supervisions partielles. Cette publication académique n'implique pas directement d'acteur commercial, mais ses enjeux concernent Figure AI (Figure 03), Agility Robotics (Digit), Boston Dynamics (Atlas), Apptronik (Apollo), et côté français Wandercraft, dont le contrôle de marche assistée repose précisément sur ce type de coordination corps entier. La validation sur hardware réel à grande échelle reste la prochaine étape critique avant tout transfert industriel.

💬 Le vrai verrou du contrôle humanoïde, c'était le mocap complet, coûteux et obligatoire à chaque nouvelle tâche. AnyBody coupe là-dedans : quelques points arbitraires suffisent, le contrôleur s'adapte sans réentraînement, et ça débloque enfin la collecte à l'échelle dont le RL avait besoin depuis longtemps. Wandercraft devrait y regarder de près.

BMW Group déploie le robot humanoïde Figure 03 après les tests de la version précédente

BMW Group a annoncé le déploiement de Figure 03, le dernier robot humanoïde de Figure AI, dans son usine de Spartanburg, en Caroline du Sud. Ce déploiement fait suite à un pilote de onze mois avec le modèle précédent, Figure 02, qui a participé à la production de plus de 30 000 véhicules BMW X3 en 2025. Dans cet atelier de carrosserie, Figure 02 insérait des pièces en tôle pour le processus de soudage, une tâche à la fois cadencée et physiquement contraignante. Figure 03 se voit confier une nouvelle mission en logistique : trier des composants arrivant en vrac dans de grands conteneurs, les placer dans des chariots de séquençage, puis les acheminer vers des points de collecte pour une livraison en flux tiré ("just in sequence") aux opérateurs d'assemblage. Le nouveau modèle introduit plusieurs évolutions techniques : mains dotées de capteurs tactiles et de caméras palmaires pour plus de précision, recharge sans fil pour une meilleure disponibilité opérationnelle, composants souples pour la sécurité de coopération homme-robot, et un module audio de communication vocale bidirectionnelle. L'annonce valide un argument central du débat sur les humanoïdes industriels : le passage du laboratoire à la production réelle est possible. Onze mois de fonctionnement en atelier de carrosserie constituent une référence concrète dans un secteur dominé jusqu'ici par des démonstrations contrôlées. Pour les intégrateurs et décideurs industriels, le cas BMW-Figure AI déplace la question de "est-ce que ça marche ?" vers "à quelle cadence et à quel coût peut-on scaler ?". L'usage logistique de séquençage choisi pour Figure 03 est particulièrement significatif : il est répétitif, non structuré (flux de pièces non triées) et à fort impact sur la fluidité de la chaîne d'assemblage. C'est exactement le type de tâche où les robots sur AGV classiques atteignent leurs limites. Cependant, ni BMW ni Figure AI n'ont communiqué de chiffres sur la cadence horaire, le taux d'erreur ou le coût opérationnel, ce qui rend difficile toute comparaison rigoureuse avec des solutions d'automatisation alternatives. Figure AI, fondée par Brett Adcock et basée à San José en Californie, avait initié son partenariat avec BMW comme premier déploiement industriel public à grande échelle, face à des concurrents comme Tesla (Optimus), Boston Dynamics (Atlas), Agility Robotics (Digit) ou encore Physical Intelligence avec son modèle de politique Pi-0. BMW, de son côté, diversifie ses expérimentations robotiques : l'entreprise teste également AEON, le robot humanoïde à roues d'Hexagon AB, dans son usine de Leipzig depuis décembre 2025, avec un déploiement pilote prévu à partir de l'été 2026. Spartanburg reste le site de référence pour la fabrication série, tandis que Leipzig sert de terrain d'essai pour des architectures de mobilité alternatives. Les prochaines étapes pour Figure 03 concerneront la scalabilité du cas d'usage logistique et son extension potentielle à d'autres halls de production BMW en Europe ou en Amérique du Nord.

X Square Robot boucle quatre levées consécutives et atteint 2,8 milliards de dollars de valorisation grâce à ses modèles fondation d'IA physique

X Square Robot, startup pékinoise fondée en 2023 et spécialisée dans l'IA incarnée pour environnements réels, vient de boucler quatre tours de financement consécutifs dont une Série C portant sa valorisation à 2,8 milliards de dollars (20 milliards de yuans). IDG Capital a participé à la Série C, tandis que HongShan et Xiaomi ont soutenu l'entreprise sur plusieurs tours antérieurs. Surtout, Meituan, Alibaba et ByteDance ont chacun conduit un tour précédent, faisant de X Square Robot la seule société d'IA incarnée en Chine à avoir obtenu un lead investment des quatre plus grands groupes tech nationaux. En avril 2026, la société a dévoilé WALL-B, un modèle fondation basé sur son architecture "World Unified Model" (WUM) : contrairement aux approches VLA modulaires qui assemblent des composants vision, langage et action distincts, WALL-B entraîne l'ensemble perception-langage-action-prédiction physique dans un réseau unique. Deux modèles complémentaires ont été mis en open source : WALL-OSS-0.5, qui atteint plus de 80 % de complétion autonome sur 4 des 17 tâches testées en conditions réelles sans fine-tuning post-entraînement, et WALL-WM, un modèle de prédiction monde alignant données langagières, visuelles et gestuelles autour d'événements physiques significatifs. Sur le terrain, X Square Robot a déployé ses robots en partenariat avec 58.com pour un service de nettoyage assisté par IA à Shenzhen et Pékin, les machines opérant aux côtés d'agents humains dans des immeubles résidentiels réels. Depuis mai 2026, un programme "X Family Member" place des robots en foyers volontaires jusqu'à un mois en tant qu'assistants domestiques. La valorisation à 2,8 milliards de dollars positionne X Square Robot parmi les startups d'IA incarnée les mieux capitalisées de Chine, dans une course mondiale où Figure AI, Physical Intelligence et Agility Robotics mobilisent des montants comparables aux États-Unis. L'architecture unifiée de WALL-B constitue un pari architectural distinct des approches modulaires dominantes comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA. Le score de 80 % sur 4 tâches sélectionnées parmi 17 sans post-training est encourageant, mais l'échantillon invite à la prudence : les 13 tâches restantes ne sont pas documentées, ce qui laisse le demo-to-reality gap partiellement ouvert. Les déploiements effectifs chez 58.com et en appartements résidentiels donnent néanmoins plus de crédit à ces métriques que les démonstrations habituelles en laboratoire contrôlé. Fondée en 2023, X Square Robot s'inscrit dans un écosystème chinois de robotique humanoïde incluant Unitree Robotics, Fourier Intelligence et AgiBot, face aux acteurs américains Figure AI (valorisé 2,6 Md$ fin 2024), Boston Dynamics et Physical Intelligence. La présence simultanée de Meituan, Alibaba et ByteDance au capital signale des débouchés ciblés dans la logistique, la livraison et les services à domicile, secteurs que ces groupes cherchent activement à automatiser. La mise en open source de WALL-OSS-0.5 et WALL-WM suit une stratégie classique d'adoption académique et industrielle avant commercialisation. Les fonds levés seront alloués au développement technologique core et à la recherche fondamentale en intelligence incarnée, avec pour horizon déclaré des systèmes robotiques polyvalents capables d'opérer dans des environnements non structurés du quotidien.

Point de vue : comment la perspective influence la sociabilité perçue des robots

Des chercheurs ont publié sur arXiv (référence 2603.28272v2) une étude expérimentale portant sur la perception de la sociabilité des robots de navigation selon le point de vue de l'observateur. L'équipe a conçu un protocole en réalité virtuelle immersive permettant de soumettre des trajectoires robotiques identiques à trois types de perspectives : allocentrique (vue aérienne, type supervision), égocentrique-proximale (première personne, robot proche) et égocentrique-distale (première personne, robot loin). Deux politiques de navigation distinctes ont été testées pour vérifier si les résultats sont généralisables au-delà d'un seul type de trajectoire. Une variable additionnelle a été introduite : la présence ou l'absence d'un geste de hochement de tête du robot au moment du croisement. Le résultat central contredit une hypothèse largement répandue dans la communauté : les trajectoires jugées sociables en vue aérienne sont perçues comme significativement plus dérangeantes lorsqu'on les expérimente en première personne et à proximité immédiate. Ce décalage perceptif a des implications directes pour les équipes qui valident des algorithmes de navigation sociale (SFM, ORCA, politiques VLA embarquées) uniquement via simulation ou supervision vidéo. Les benchmarks actuels, qui s'appuient massivement sur des métriques calculées depuis une vue de dessus, risquent de valider des comportements qui resteraient inconfortables sur le terrain réel. L'étude montre également que la distance de dépassement influence le niveau de perturbation ressenti, mais que des signaux sociaux communicatifs, comme le hochement de tête, compensent partiellement cet effet en améliorant la sociabilité perçue, ce qui ouvre une piste concrète pour les robots humanoïdes ou à tête expressive. Ce travail s'inscrit dans le champ de la navigation socialement consciente (socially aware navigation), actif depuis plus d'une décennie avec des travaux fondateurs sur la proxémique robotique et les espaces personnels. La validation humanoïde en environnement partagé est un enjeu croissant pour des acteurs comme Boston Dynamics, Agility Robotics ou Unitree, dont les robots opèrent déjà dans des entrepôts et espaces semi-publics. Côté européen, des initiatives comme Enchanted Tools (Mirokaï) ou les travaux de l'INRIA sur la navigation sociale font face au même verrou méthodologique pointé ici. La prochaine étape logique serait de valider ces résultats sur du matériel physique en conditions réelles, et d'intégrer des métriques égocentrique dans les pipelines de test standard des politiques de navigation.

AGIBOT produit son 15 000e robot, marquant un cap dans le déploiement de l'IA incarnée

AGIBOT, fondée à Shanghai en 2023, a annoncé la sortie de son 15 000e robot de sa ligne de production, un jalon qui coïncide avec la publication de données de cadence inédites pour le secteur. La trajectoire de montée en volume est frappante : il a fallu environ un an pour passer de 1 000 à 5 000 unités, puis seulement trois mois supplémentaires pour atteindre 10 000, soit une accélération de production de plus de quatre fois par rapport à la phase précédente. L'unité symbolique numéro 15 000 est un AGIBOT G2, manipulateur mobile sur roues doté d'un torse et de deux bras humanoïdes, conçu pour les tâches industrielles. Le G2 est actuellement déployé sur les lignes de production de tablettes du fabricant Longcheer, où il effectue des contrôles qualité en rythme avec les cadences d'usine. Fin juin, AGIBOT a conclu environ 100 heures cumulées de diffusion en direct de ces opérations, avec le robot travaillant en continu aux côtés d'opérateurs humains. Ces chiffres modifient l'étalon de référence dans la course aux humanoïdes industriels. Selon le cabinet d'études Omdia, AGIBOT a terminé 2025 en tête mondiale des expéditions de robots humanoïdes, avec 5 168 unités livrées et 39 % de part de marché mondiale. À titre de comparaison, les concurrents les plus médiatisés, Agility Robotics (Amazon), Boston Dynamics, Figure AI et Humanoid, en sont encore principalement aux phases de pilote ou de trials commerciaux limités. Ce que la progression de cadence d'AGIBOT démontre, c'est que le véritable défi post-démonstration n'est pas le robot lui-même mais l'ensemble de la chaîne : supply chain, processus de fabrication reproductibles, intégration logiciel-matériel, et capacité de déploiement terrain à grande échelle. La différence entre un démonstrateur convaincant et 15 000 unités livrées en milieu réel reste considérable, et AGIBOT semble avoir investi autant dans cet outillage industriel que dans la performance du robot. AGIBOT a été fondée il y a à peine trois ans avec l'ambition de produire un modèle de fondation pour l'IA incarnée, articulé autour d'une architecture propriétaire baptisée "Three Intelligences in One" qui unifie la locomotion, l'interaction et la manipulation dans un système commun. Son portefeuille couvre aujourd'hui les robots humanoïdes, les quadrupèdes, les systèmes de dextérité avancée et les solutions de nettoyage commercial. Le positionnement concurrentiel est clair : quand Figure AI annonce des partenariats avec BMW et que Agility teste ses Digit chez Amazon, AGIBOT mise sur le volume livré comme argument commercial principal. La prochaine étape crédible à surveiller sera la cadence de renouvellement de contrats industriels, et non les seules annonces de production, pour valider que ces robots restent réellement en service, et pas simplement expédiés.

BMW intègre le robot humanoïde Figure 03 dans son usine intelligente aux États-Unis pour la logistique avancée

BMW a déployé le robot humanoïde Figure 03 de Figure AI dans son usine de Spartanburg, en Caroline du Sud, pour automatiser des tâches de séquençage logistique complexes. Ce déploiement fait suite à un pilote de onze mois avec le Figure 02, qui avait contribué à la production de plus de 30 000 BMW X3 en insérant des composants en tôle dans des gabarits de soudure avec haute précision et cadence soutenue. Le Figure 03 prend en charge l'organisation de composants non triés dans des chariots de séquençage avant leur acheminement vers les postes d'assemblage par des systèmes de transport autonomes, selon un mode de fabrication "just-in-sequence" garantissant que les opérateurs reçoivent les bons composants au bon moment. La nouvelle génération introduit plusieurs améliorations matérielles : revêtement extérieur souple pour la sécurité en milieu partagé, charge sans fil pour maximiser le temps de fonctionnement, communication vocale bidirectionnelle, et mains repensées équipées de capteurs tactiles et de caméras palmaires intégrées. En parallèle, BMW expérimente depuis mars 2026 le robot humanoïde AEON de Hexagon dans son usine de Leipzig pour l'assemblage de batteries haute tension et de composants de carrosserie. Le passage du Figure 02 au Figure 03, et surtout l'extension du périmètre d'application de la carrosserie vers la logistique, représente un signal sectoriel significatif : les robots humanoïdes ne sont plus cantonnés aux tâches de soudure répétitives à faible variabilité, mais commencent à opérer dans des environnements moins structurés, où la dextérité fine et la reconnaissance d'objets variés sont requises. Les capteurs tactiles et caméras palmaires du Figure 03 sont directement conçus pour réduire ce gap de manipulation. La durée du déploiement initial, onze mois sous conditions de production réelles avec une contribution mesurable à la sortie de 30 000 véhicules, constitue une donnée plus robuste que les démonstrations en laboratoire qui dominent encore les annonces du secteur. Cela dit, BMW ne communique pas de métriques de cadence ni de taux de disponibilité comparés aux postes humains, ce qui rend l'évaluation économique difficile depuis l'extérieur. BMW positionne explicitement Spartanburg comme son principal site de développement pour l'intégration de la robotique humanoïde, dans le cadre d'une stratégie dite "Physical AI" qui vise à compléter l'automatisation classique plutôt qu'à la remplacer. Figure AI, fondée par Brett Adcock, concurrence sur ce segment Tesla (Optimus), Boston Dynamics (Atlas), Agility Robotics (Digit) et 1X Technologies. L'extension à Leipzig avec AEON de Hexagon, un acteur moins médiatisé que ses concurrents américains, suggère que BMW maintient une stratégie multi-fournisseurs plutôt que de s'engager en exclusivité avec un seul partenaire robotique. Les prochaines étapes annoncées incluent l'évaluation de la polyvalence d'AEON sur plusieurs processus de fabrication à Leipzig, notamment en production de modules énergétiques et d'éléments de carrosserie extérieure, sans calendrier précis communiqué pour un déploiement à grande échelle.

Agility, fabricant du robot Digit, vise 620 millions via une cotation SPAC historique

Agility Robotics s'apprête à entrer en bourse via une fusion SPAC valorisant l'entreprise à 2,5 milliards de dollars, une opération qui devrait lui apporter plus de 620 millions de dollars de financement frais destinés au développement produit, à la recherche et à l'expansion commerciale. Il s'agit de la première introduction en bourse d'une entreprise 100 % dédiée à la robotique humanoïde aux États-Unis, ce qui en fait également le premier benchmark financier audité disponible pour un secteur jusqu'ici opaque. Parallèlement à cette cotation, Agility prépare le lancement commercial de son Digit v5, présenté comme le premier humanoïde "coopérativement sûr" du marché. Digit est déjà déployé dans neuf sites industriels chez des clients majeurs dont Schaeffler, GXO Logistics, Toyota Motor Manufacturing Canada et Mercado Libre, avec plus de 65 000 heures d'opération cumulées à ce jour. L'entreprise annonce par ailleurs plus de 300 millions de dollars de commandes pluriannuelles signées et un pipeline de plus de 30 clients potentiels. Sur le plan technique, Digit v5 intégrera la plateforme de calcul industriel NVIDIA IGX Thor et le logiciel de sécurité Halos Core, et sera évalué dans le cadre du Halos AI Systems Inspection Lab de NVIDIA pour sa conformité aux standards de sécurité industrielle. L'entrée en bourse d'Agility a une portée symbolique et structurelle pour l'ensemble du secteur humanoïde : elle contraint l'entreprise à une transparence financière inédite, permettant aux intégrateurs et décideurs B2B de disposer d'un référentiel réel de coûts, de marges et de rythme de déploiement. Les 65 000 heures opérationnelles revendiquées constituent un argument tangible contre le "demo gap" qui gangrène la crédibilité du secteur, même si Agility ne communique pas de métriques de performance détaillées (cadences de cycle, taux de disponibilité, taux d'erreur) qui permettraient une évaluation indépendante. La stratégie de "data flywheel" -- chaque déploiement générant des données propriétaires qui améliorent perception, mobilité et exécution de tâches -- est le pari central de l'entreprise : transformer l'avance opérationnelle en avantage IA durable, une logique analogue à ce que Tesla a tenté avec Optimus à travers son parc de véhicules. Fondée en 2015 à l'Université de l'Oregon et initialement connue pour ses recherches en locomotion bipède, Agility a opéré un pivot commercial décisif après son rachat partiel par Amazon en 2023, qui lui a fourni un accès aux entrepôts logistiques comme terrain d'expérimentation à grande échelle. La plateforme cloud Agility Arc, qui gère le déploiement, l'orchestration de flotte et la supervision de performance, constitue la couche logicielle différenciante que l'entreprise positionne face à ses concurrents directs : Figure AI (Figure 02, partenariat BMW), Boston Dynamics (Atlas), Tesla (Optimus Gen 2), 1X Technologies et Apptronik. Le marché adressable cible -- manufacturing, distribution et logistique aux États-Unis -- est estimé par Agility elle-même à environ 1 000 milliards de dollars, une projection managériale à prendre avec réserve. Les prochaines étapes seront la finalisation de la cotation SPAC, le lancement commercial de Digit v5 et l'extension du Customer Acceleration Program qui permet aux entreprises de qualifier le robot avant engagement à grande échelle.

RoboAtlas : SLAM actif contextuel

Des chercheurs ont publié le 25 juin 2026 RoboAtlas, un framework de SLAM actif contextuel conçu pour permettre à un robot de naviguer et de cartographier un environnement inconnu tout en accomplissant des tâches sémantiques complexes. Le système s'appuie sur OpenRoboVox, une couche de cartographie 3D sémantique scalable, et pilote un robot quadrupède Unitree Go2 dans des environnements réels dépassant 1 800 m², avec environ 30 000 instances sémantiques cartographiées. Sur le benchmark GOAT-Bench "Val Unseen", RoboAtlas atteint un taux de succès (SR) de 90,6 % avec GPT-4o, soit +17,8 points de pourcentage sur le meilleur baseline précédent. Avec le modèle Qwen2.5-VL-7B, sept fois plus petit, il obtient 88,8 % SR, dépassant tous les baselines GPT-4o du benchmark. En environnement réel, le système affiche un taux de réussite de 100 % sur les tâches testées, ce qui constitue une barre haute pour ce type d'évaluation. Le résultat le plus significatif n'est pas le score absolu, mais ce qu'il révèle sur l'architecture : passer d'un VLM de 7 milliards de paramètres à GPT-4o ne fait gagner que 1,8 point, alors que retirer la couche de cartographie sémantique ferait s'effondrer les performances. Cela contredit la stratégie dominante dans les labs robotiques qui misent sur des modèles fondationnels toujours plus grands comme levier principal de robustesse. Pour un intégrateur ou un décideur B2B, la leçon est concrète : la qualité de la représentation spatiale et sémantique de l'environnement compte davantage que la puissance brute du modèle de raisonnement. RoboAtlas utilise un bandit manchot multi-bras pour arbitrer dynamiquement entre exploration frontière (cartographier l'inconnu) et navigation sémantique guidée (aller vers ce qui est déjà compris), ce qui résout élégamment le dilemme exploration-exploitation en robotique indoor. RoboAtlas s'inscrit dans la lignée des travaux sur le SLAM actif sémantique, un domaine en consolidation rapide depuis que les VLM ont rendu tractable le raisonnement sur scènes complexes. Sur le benchmark GOAT-Bench, les baselines précédents incluaient des approches modulaires classiques et des pipelines end-to-end purs, tous inférieurs de plus de 17 points. Les auteurs n'annoncent pas de déploiement commercial, et les résultats terrain portent sur un seul robot dans un cadre contrôlé : le "100% success rate" mérite d'être pondéré en conséquence. La prochaine étape naturelle est l'extension à des flottes multi-robots et à des environnements dynamiques, où la cohérence de la carte sémantique partagée reste un problème ouvert.

💬 Le score à 90% sur GOAT-Bench, c'est bien. Mais le chiffre qui compte vraiment c'est 1,8 point : l'écart entre un Qwen 7B et GPT-4o dans ce système. C'est la couche de cartographie sémantique qui porte les performances, pas la puissance brute du modèle, et ça contredit frontalement ce que les grands labs s'obstinent à défendre.

NVIDIA lance Halos, un système de sécurité complet pour la robotique

NVIDIA a lancé Halos for Robotics, un système de sécurité à pile complète pour la robotique industrielle et l'IA physique. Premier intégrateur officiel : Agility Robotics, dont les humanoïdes opèrent en entrepôts et usines pour Amazon, GXO, Schaeffler et Toyota Motor Manufacturing Canada. L'architecture couvre trois couches : la plateforme de calcul NVIDIA IGX Thor avec le Holoscan Sensor Bridge pour la connectivité capteurs en temps réel ; Halos OS incluant Halos Core ; et le Outside-In Safety Blueprint, un programme open source disponible sur GitHub qui pilote le comportement du robot via des caméras externes et des agents IA. NVIDIA revendique 18 600 années-ingénieur de développement sécurité issus de son activité véhicule autonome. L'écosystème associe des partenaires logiciels (QNX, Amazon FreeRTOS, Acontis), fabricants de systèmes embarqués (Advantech, NexCobot), fournisseurs de semi-conducteurs (Infineon, NXP, SICK, STMicroelectronics, Texas Instruments) et organismes de certification (TÜV Rheinland, TÜV SÜD, UL Solutions, exida, SGS, CertX). Halos Core est déjà certifié ISO 26262 par TÜV SÜD. Le système est disponible en early access pour les développeurs enregistrés, en configurations Linux et Linux+QNX. L'enjeu de Halos est de répondre à un problème structurel : l'absence d'architecture de sécurité standardisée pour des robots autonomes opérant aux côtés de travailleurs. Les intégrateurs composaient jusqu'ici avec des solutions hétérogènes, ce qui complexifiait la certification et freinait le passage à l'échelle. En proposant une pile unifiée du silicium à la supervision logicielle, NVIDIA cherche à s'imposer comme substrat commun de la sécurité robotique industrielle. La certification ISO 26262 de Halos Core est un signal concret : NVIDIA transfère une base éprouvée du monde AV vers la robotique, ce qui pourrait raccourcir les cycles de validation pour les intégrateurs et réduire les coûts de certification tiers. NVIDIA construit depuis plusieurs années une position dans la robotique via les plateformes Isaac, Omniverse et les modèles de fondation GR00T N2. Halos complète cette stratégie d'infrastructure : vendre le substrat computationnel et logiciel, pas les robots eux-mêmes. Les concurrents directs incluent FORT Robotics dans les solutions de sécurité embarquée (qui figure d'ailleurs parmi les partenaires Halos), ainsi que les approches propriétaires de Boston Dynamics ou Fanuc. L'annonce reste un early access sans données publiques de déploiement à grande échelle avec Halos effectivement activé. Les prochaines inspections de certification de l'IGX Thor et du Holoscan Sensor Bridge par TÜV Rheinland constitueront le vrai indicateur de maturité opérationnelle du système.

Vidéo : un système robotique atteint 99,5 % de réussite dans le câblage rapide en usine automobile

La société canadienne Sanctuary AI a annoncé avoir atteint un taux de succès supérieur à 99,5 % sur une tâche d'insertion de connecteurs de câbles flexibles pour un équipementier automobile Tier 1 mondial non identifié. L'opération s'est déroulée sur une ligne de production active, avec un temps de cycle de 2,54 secondes validé contre les exigences de cadence du client. La difficulté intrinsèque de cette tâche tient à la nature des câblages souples : ils peuvent se tordre, se déformer et changer de position de façon imprévisible lors du transport sur convoyeur. Le système est piloté par la plateforme "Physical AI" de Sanctuary AI, qui combine perception en temps réel via caméras et capteurs, planification de trajectoire et contrôle adaptatif pour détecter, suivre, aligner et insérer les connecteurs sans arrêt de ligne. Olivia Norton, co-fondatrice et CTO, a résumé l'enjeu : "Manipuler un câble flexible sur une cible en mouvement sur un convoyeur en direct est exactement le type de problème de dextérité à contact riche qui a maintenu ce type de tâches hors de portée de l'automatisation traditionnelle." Ce résultat mérite attention à plusieurs égards. Le contexte est une ligne de production réelle, non un environnement de démonstration contrôlé, ce qui donne davantage de poids au taux annoncé. Le chiffre de 2,54 secondes n'est pas une métrique absolue mais un temps calibré contre les benchmarks opérationnels du client, distinction qu'il faut garder à l'esprit pour ne pas généraliser hors contexte. Pour les intégrateurs et les responsables industriels, l'approche de Sanctuary AI est notable : plutôt que d'attendre la maturité commerciale des humanoïdes, l'entreprise déploie son IA sur des systèmes industriels existants via une architecture agnostique du hardware. Ce positionnement réduit le risque d'adoption, préserve les investissements en infrastructure existants et produit des données de production sur des tâches d'assemblage restées historiquement inaccessibles à l'automatisation classique, notamment dans les industries automobile et électronique où la manipulation de câblages flexibles représente un volume de travail manuel encore considérable. Fondée à Vancouver, Sanctuary AI développe le robot humanoïde Phoenix mais mise d'abord sur la valorisation de son IA sur des plateformes existantes avant le passage à l'échelle des humanoïdes. Elle s'inscrit dans une course qui implique Figure AI (Figure 02), Tesla (Optimus Gen 3), Boston Dynamics (Atlas), 1X Technologies et Agility Robotics (Digit), ainsi que des acteurs de niche comme Enchanted Tools en France sur le segment hospitalier. L'équipementier Tier 1 impliqué n'a pas été nommé publiquement, ce qui limite la vérification indépendante des performances annoncées. Aucun volume de déploiement ni calendrier d'extension n'ont été précisés, des données qui permettraient de mieux qualifier l'ampleur réelle du projet au-delà de cette première validation en conditions de production.

Les robots humanoïdes à l'épreuve des tâches de finition de surface

Dans les applications de traitement de surface, qu'il s'agisse de ponçage, polissage, sablage, meulage, revêtement ou peinture, les conditions de travail sont parmi les plus pénibles de l'industrie manufacturière : exposition aux poussières, vibrations prolongées, postures contraignantes. Depuis l'essor des robots humanoïdes, la question revient régulièrement dans les cercles industriels : ces plateformes bipèdes à mains articulées pourraient-elles automatiser le traitement de grandes pièces, là où un bras fixe ne suffit pas à couvrir toute la surface ? L'analyse systématique des composants d'un humanoïde face aux exigences réelles de ces procédés aboutit à une réponse sans ambiguïté : non. Les jambes, peu efficaces sur les sols plats d'usine et incompatibles avec un câblage nécessaire pour alimenter les outils de process, n'apportent aucune valeur par rapport à des rails au sol ou à une base mobile dédiée. Les mains multi-doigts, coûteuses et conçues pour la manipulation d'objets, offrent une prise insuffisante pour tenir un disque de meulage à haute vitesse : un connecteur direct outil-bras est plus robuste et moins onéreux. Les caméras intégrées dans la tête d'un humanoïde sont trop rapprochées pour une couverture de scène efficace ; des capteurs positionnés dans la cellule ou au plus près de l'outil sont systématiquement plus performants. Seuls les bras doubles présentent un intérêt réel, mais leur espacement optimal sur une grande pièce est fondamentalement différent de la morphologie humanoïde. L'argument économique souvent avancé pour justifier l'humanoïde, celui des économies d'échelle, ne résiste pas à l'examen. Une cellule de traitement de surface bien conçue repose sur des bras industriels polyvalents, des rails, des caméras et des capteurs d'effort, soit des composants déjà produits en grandes séries et bénéficiant pleinement des effets de volume. L'humanoïde n'est pas nécessaire pour accéder à ces économies. Plus fondamentalement, les robots industriels actuels opèrent à des vitesses quatre à cinq fois supérieures aux capacités humaines, avec des forces d'application significativement plus élevées, et leur fiabilité dans des environnements abrasifs et contraignants est éprouvée depuis des décennies. Dans une logique de réduction des temps de cycle et d'amélioration du débit, le robot industriel configuré dans la bonne géométrie spatiale reste la solution dominante, et l'analyse ne relève aucun avantage compensatoire de la morphologie humanoïde dans ces cas d'usage précis. Cette conclusion intervient dans un contexte de forte pression médiatique autour des humanoïdes : Figure, Tesla Optimus, Agility Robotics, Boston Dynamics Atlas ou encore 1X accumulent les démonstrateurs et les levées de fonds, avec le narratif que la forme humaine permettrait de déployer des robots dans n'importe quel environnement conçu pour l'humain, y compris l'usine. Les acteurs traditionnels du robot industriel, FANUC, KUKA, ABB ou Universal Robots, répondent implicitement avec des configurations duales sur base mobile sans prétention bipède. Le vrai terrain de jeu des humanoïdes reste les environnements non structurés, la logistique de dernière rangée ou les tâches générales en entrepôt, là où la polyvalence morphologique compense le déficit de performance brute. Pour les process de surface en milieu manufacturier, le débat semble tranché en faveur des solutions spécialisées, un verdict que les pilotes industriels des prochaines années auront la charge de confirmer ou d'infirmer à l'échelle.

Les prix des robots humanoïdes s'effondrent sous 10 000 RMB avec l'adoption massive

En mai 2026, le secteur de la robotique humanoïde a franchi un seuil que personne n'anticipait un an plus tôt : l'effondrement des prix à grande échelle sur le marché chinois. La start-up Bumi a lancé son robot éponyme à 9 998 RMB (environ 1 250 euros), soit moins de dix mille yuans. Dans le même élan, Unitree Robotics a ramené son modèle R1 à 29 900 RMB et son G1 à 85 000 RMB. Xingchen Intelligence propose son T1 à 89 900 RMB, tandis qu'Ubtech a commercialisé son U1 grand public à 128 000 RMB et écoulé près de 4 000 unités en dix jours de préventes. La rupture de prix est vertigineuse : il y a tout juste un an, l'Unitree H1 en version recherche s'achetait entre 300 000 et 800 000 RMB avec liste d'attente. Sur le marché secondaire, les prototypes d'ingénierie de 2025 s'échangent désormais entre 30 000 et 60 000 RMB, parfois en palettes à 50 000 RMB l'unité, et les tarifs de location journalière ont chuté d'un pic de 10 000 RMB en 2025 à 800 à 1 500 RMB aujourd'hui. Trois mécanismes expliquent cette compression tarifaire. Le premier est l'intégration supply chain : le teardown du G1 d'Unitree révèle que ses actionneurs rotatifs utilisent des moteurs synchrones à aimants permanents issus de la même filière que les véhicules électriques, des réducteurs à base de composants industriels standard, des caméras de profondeur Intel, un lidar DJI et des puces Rockchip. Le bill of materials total atteint 41 600 RMB (dont 27 500 RMB pour les seuls joints), ce qui laisse une marge brute supérieure à 40 % à 85 000 RMB. Le deuxième facteur est la substitution domestique : réducteurs, servosystèmes et contrôleurs, qui représentent plus de 70 % du coût d'un humanoïde, sont désormais produits à 75 à 90 % en Chine. L'Optimus de Tesla, construit sur la chaîne d'approvisionnement américaine, affiche un BOM de 131 000 dollars ; basculer vers des fournisseurs chinois fait tomber ce chiffre à 46 000 dollars, soit un avantage de coût de 3x. Le troisième levier est le déclassement délibéré des spécifications : les modèles sous 100 000 RMB sacrifient la robustesse industrielle extrême, limitent le payload bras unique à environ 2 kg et offrent une autonomie de 1 à 2 heures seulement, ce qui les exclut des lignes en production continue 24/7. Ces compromis sont assumés. L'objectif réel de cette stratégie de prix n'est pas la rentabilité immédiate, mais la constitution d'un pipeline de données d'entraînement à grande échelle. Le principal goulot d'étranglement de l'industrie humanoïde est aujourd'hui le volume de données réelles de haute qualité : seulement environ 500 000 heures sont disponibles au niveau mondial. En inondant le marché de terminaux à bas coût, les constructeurs chinois cherchent à accélérer massivement la collecte nécessaire à l'entraînement de leurs modèles de contrôle, là où leurs concurrents occidentaux comme Boston Dynamics, 1X ou Agility Robotics misent sur des robots industriels à haute spécification et des déploiements plus ciblés. La prochaine étape probable est le développement d'offres de leasing B2B vers les intégrateurs et les entrepôts logistiques, avec partage de données en contrepartie, transformant chaque robot vendu en noeud d'un réseau d'acquisition continu.

ADAPT : entraînement de politique analytique intégrant les perturbations pour la locomotion humanoïde

Une équipe de chercheurs a publié le 16 juin 2026 sur arXiv (2606.16542) une méthode baptisée ADAPT (Analytical Disturbance-Aware Policy Training), destinée à améliorer la robustesse locomotrice des robots humanoïdes soumis à des perturbations externes. Le système a été validé sur un Unitree G1 dans trois scénarios représentatifs : poussées au niveau du torse, perturbations en posture statique, et charges asymétriques appliquées aux mains. Dans chaque cas, ADAPT surpasse une politique de référence basée uniquement sur la proprioception (capteurs internes articulaires), avec un meilleur suivi de vitesse et une meilleure stabilité, y compris face à des perturbations hors distribution, c'est-à-dire non rencontrées lors de l'entraînement. La méthode n'exige aucun capteur de force/couple externe : elle s'appuie uniquement sur la dynamique interne du robot pour estimer en ligne les résidus de force et de couple appliqués au corps entier. L'intérêt technique d'ADAPT tient à son observateur de perturbations analytique, fondé sur la physique du corps rigide plutôt que sur un réseau de neurones ou une large randomisation de domaine. Les approches existantes présentent chacune un défaut structurel : la randomisation de domaine dégrade la précision, les objectifs de force spécifiques à une tâche limitent la transférabilité, et les estimateurs appris depuis l'historique de mouvement peinent hors distribution. ADAPT contourne ces compromis en fournissant à la politique un signal d'entrée explicite et physiquement fondé sur les forces et couples perturbateurs estimés, ce qui lui permet de se généraliser à des scénarios jamais vus. Un bénéfice secondaire notable : en pénalisant les perturbations inférées au niveau des articulations inférieures, le système favorise une locomotion plus légère, réduisant les impacts au sol, ce qui peut prolonger la durée de vie mécanique et améliorer la discrétion sonore en milieu de travail. Le Unitree G1 est une plateforme humanoïde commerciale abordable, largement utilisée dans la recherche sur la locomotion apprise, ce qui confère à ces résultats une portée pratique directe. Ce travail s'inscrit dans une tendance plus large où les laboratoires cherchent à combler le fossé sim-to-real sans ajouter de capteurs coûteux, une contrainte forte pour les déploiements industriels à grande échelle. Côté concurrence, des approches similaires ont été explorées par des équipes travaillant sur Boston Dynamics Atlas, Agility Robotics Digit et les humanoïdes Figure et 1X, mais souvent avec des capteurs de force dédiés. ADAPT représente une direction sensorless qui, si elle se confirme sur d'autres plateformes, pourrait simplifier l'intégration matérielle. L'article étant un preprint arXiv non encore évalué par les pairs, la reproductibilité reste à confirmer indépendamment, et les conditions exactes des expériences (vitesses testées, amplitude des poussées) ne sont pas précisées dans le résumé disponible.

Atlas de Boston Dynamics montrerait des signes d'intelligence générale pour le travail en usine

Selon un rapport publié par KB Securities, l'humanoïde Atlas de Boston Dynamics franchit un seuil décisif vers le déploiement industriel. L'analyste Kang Sung-jin y documente des progrès significatifs dans ce que le secteur appelle l'«intelligence générale robotique», soit la capacité à s'adapter à des environnements inconnus et à accomplir des tâches variées sans instructions exclusivement préprogrammées. Le facteur technique central : un pipeline d'entraînement accéléré permettant de simuler l'équivalent de millions d'heures de formation robotique en une seule journée, puis de transférer les comportements appris sur le robot physique en environ une heure. Lors de démonstrations récentes, Atlas a déplacé un réfrigérateur de plus de 45 kg alors qu'il avait été entraîné sur des charges de 23 à 32 kg, illustrant une capacité de généralisation au-delà des conditions d'entraînement initiales. La filiale robotique du groupe Hyundai Motor a également montré Atlas exécutant des mouvements de frappe dynamiques nécessitant équilibre, agilité et contrôle moteur précis. Ces avancées reposent sur des partenariats stratégiques avec Google DeepMind, qui contribue son expertise en systèmes d'apprentissage, et Nvidia, qui fournit l'infrastructure de calcul haute performance nécessaire aux simulations à grande échelle. La réduction du «sim-to-real gap», l'écart historiquement problématique entre performances simulées et comportement réel, constitue l'argument technique le plus solide mis en avant par Boston Dynamics. La société l'attribue à une architecture matérielle délibérément simplifiée : Atlas n'utilise que deux types d'actionneurs sur l'ensemble de son corps, avec bras et jambes symétriques. Cette homogénéité facilite la création de simulations fidèles et accélère le transfert des compétences. La suppression des câbles traversant les articulations permet en outre une rotation continue des joints et réduit les exigences de maintenance. Pour les intégrateurs industriels et les décideurs B2B, ces caractéristiques signifient concrètement que les cycles de qualification de nouvelles tâches pourraient passer de plusieurs mois à quelques semaines. KB Securities projette que Boston Dynamics pourrait capturer 15 % du marché mondial des humanoïdes d'ici 2035 et jusqu'à 60 % du segment premium industriel, des estimations ambitieuses à considérer avec précaution sur un marché encore naissant. Boston Dynamics, fondée en 1992 au MIT et acquise par Hyundai Motor Group en 2021 pour 1,1 milliard de dollars, présente avec cet Atlas une rupture architecturale par rapport à ses générations précédentes, entièrement hydrauliques. Sur le terrain concurrentiel, la société fait face à Figure (accords industriels avec BMW et son robot 02), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0, approche VLA), et Agility Robotics (Digit, déployé dans des entrepôts Amazon). En Europe, Enchanted Tools avec son Mirokaï et Wandercraft avec l'Atalante ciblent des niches spécifiques mais restent loin de la polyvalence industrielle visée par Atlas. Les prochains déploiements pilotes annoncés concernent des installations du groupe Hyundai, sans calendrier précis communiqué à ce stade.

Sommet en robotique : un panel fait le point sur la conception des robots humanoïdes

Lors du Robotics Summit & Expo 2026, tenu à Boston au Thomas B. Menino Convention & Exhibition Center devant quelque 3 900 participants, un panel de haut niveau a fait le point sur l'état réel du développement des robots humanoïdes. Alberto Rodriguez, directeur du comportement robot pour Atlas chez Boston Dynamics, y a révélé que l'entreprise a engagé le déploiement de l'ordre de 25 000 humanoïdes Atlas dans des usines, avec un objectif de capacité de production portée à 30 000 unités par an d'ici 2028. Boston Dynamics a conduit une première démonstration en conditions réelles en usine en 2025, architecture entièrement pilotée par les données, puis a présenté Atlas au CES de janvier 2026 pendant une semaine complète. Pour 2026, la société prévoit un retour en usine pour une démonstration plus complète, de bout en bout, connectant le robot au système d'information de l'usine et gérant les exceptions opérationnelles. Du côté d'Agility, dont la marque commerciale s'est récemment stabilisée sous le nom Agility (ex-Agility Robotics), les déploiements du robot Digit avancent avec Amazon, GXO, Schaeffler, Toyota et Mercado Libre, marquant une sortie effective de la phase pilote. Ce que ce panel signale clairement pour les intégrateurs et décideurs industriels, c'est que le vrai verrou n'est plus mécanique ni même algorithmique, mais stratégique. Rodriguez a posé le problème avec précision : sauf pour de rares applications à très grand volume et très stable, presque tous les postes de travail sont des cas uniques. Le défi du passage à l'échelle repose sur trois axes simultanés, hardware, modèles de comportement, et stratégie d'intégration, et l'échec sur l'un suffit à rendre le déploiement économiquement non viable. La décision de Boston Dynamics de commencer par la logistique en manufacturing, un environnement qui exige de la généralité sans imposer encore les contraintes de timing et de sécurité de la ligne d'assemblage, illustre une approche pragmatique et graduée. Ces chiffres de déploiement engagés, 25 000 unités, sont une donnée de marché rare dans un secteur habitué aux annonces sans livraisons. Boston Dynamics, filiale de Hyundai depuis 2021, a traversé une longue période de recherche pure avant de commercialiser Atlas dans sa version électrique présentée en 2024, succédant aux plateformes hydrauliques historiques. Le marché des humanoïdes reste en pleine effervescence : Figure AI avec Figure 03, Tesla avec Optimus Gen 3 sur sa propre ligne de production, Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, et des acteurs émergents comme 1X Technologies ou Apptronik positionnent tous leurs solutions sur des créneaux différents, de l'assemblage léger à la manutention lourde. Côté Europe, Enchanted Tools (France) et Wandercraft restent focalisés sur des niches spécifiques, assistance et rééducation, sans viser encore le marché industriel général. Les prochaines étapes à surveiller : la publication par ASTM International (représenté dans le panel par Aaron Prather) de standards de sécurité pour la cohabitation humains-humanoïdes, et les résultats concrets des déploiements Agility/Amazon, dont les métriques opérationnelles restent pour l'instant non publiques.

NVIDIA et LG Group construisent une usine IA pour entraîner des robots et alimenter la mobilité du futur

NVIDIA et le groupe sud-coréen LG ont annoncé lors du Computex 2026 un partenariat stratégique multisectoriel visant à construire un écosystème d'intelligence artificielle physique couvrant la robotique industrielle, les robots domestiques, la mobilité autonome et les infrastructures de calcul. La collaboration mobilise plusieurs entités du conglomérat LG : LG Electronics, LG CNS, LG Innotek, LG Uplus et LG Energy Solution, chacune apportant un périmètre spécifique. Concrètement, LG prévoit de déployer NVIDIA Isaac Sim et Isaac Lab dans ses workflows robotique pour entraîner ses robots domestiques en environnements virtuels avant tout déploiement physique, et d'explorer le modèle de fondation GR00T pour renforcer leurs capacités de raisonnement. LG Electronics construit par ailleurs ce qu'il appelle une "data factory pour l'IA physique", utilisant les world models NVIDIA Cosmos pour générer des datasets synthétiques destinés à la robotique et à l'automatisation industrielle. Sur le volet infrastructure, LG Uplus s'engage à construire des centres de données à grande échelle compatibles avec les dernières générations de GPU NVIDIA, LG Electronics travaillera sur des technologies de refroidissement liquide alignées avec la plateforme NVIDIA DSX, et LG Energy Solution évalue des architectures d'alimentation en courant continu 800 volts pour les installations nouvelle génération. L'intérêt de ce partenariat pour les décideurs industriels tient moins à l'annonce elle-même qu'à ce qu'elle révèle sur la maturité du cycle de développement robotique. L'adoption d'Isaac Sim comme environnement d'entraînement primaire signale que le sim-to-real gap, longtemps le principal obstacle au déploiement à grande échelle, est considéré comme suffisamment maîtrisé pour structurer une chaîne industrielle dessus. La création d'une data factory synthétique répond à l'un des goulots d'étranglement les plus critiques du secteur : la rareté des données labellisées de qualité pour entraîner des VLA (Vision-Language-Action models). Pour les intégrateurs et les COO industriels, le message est que les outils de simulation et les modèles de fondation convergent vers une stack unifiée, ce qui devrait réduire les coûts et délais de portage de nouvelles applications robotiques. Il convient toutefois de noter que l'annonce reste au stade de la feuille de route : aucun chiffre de déploiement, aucun timeline de livraison ni prix n'ont été communiqués. Le contexte de ce rapprochement est celui d'une course mondiale à l'IA physique dans laquelle NVIDIA cherche à s'imposer comme couche d'infrastructure universelle face à des concurrents comme Boston Dynamics Atlas (désormais intégré chez Hyundai), Figure AI avec son modèle Helix, ou encore Physical Intelligence (pi-0) côté recherche. LG, de son côté, investit depuis plusieurs années dans la robotique de service avec ses robots CLOi, sans avoir encore atteint une adoption commerciale significative. Le groupe fait aussi face à la pression de concurrents coréens comme Samsung, qui développe ses propres robots domestiques avec Ballie. Les prochaines étapes annoncées incluent l'intégration des technologies NVIDIA DRIVE dans les systèmes ADAS de LG Electronics pour les véhicules définis par logiciel, et le déploiement de la plateforme d'automatisation industrielle de LG CNS enrichie de briques NVIDIA. La concrétisation de ces engagements sur les 12 à 24 prochains mois sera le véritable indicateur de la profondeur du partenariat.

💬 Le truc intéressant, c'est pas le deal NVIDIA-LG, c'est ce qu'il révèle : le sim-to-real gap est maintenant considéré comme suffisamment sous contrôle pour construire une filière industrielle dessus. Isaac Sim comme environnement d'entraînement primaire dans une data factory à l'échelle d'un conglomérat coréen, ça signale un vrai changement de maturité, pas juste un POC de plus. Sur le papier, du moins, parce qu'aucun chiffre ni calendrier n'a filtré.

Évaluation des modèles vision-langage-action (VLA) sur SO-101 : analyse des échecs et de la récupération

Une équipe de chercheurs a publié le 10 juin 2026 (arXiv:2606.08881) un benchmark standardisé pour évaluer des modèles Vision-Language-Action (VLA) sur le robot SO-101, une plateforme manipulatrice à faible coût issue de la communauté open-source. Quatre politiques ont été comparées sur quatre tâches de manipulation représentatives avec des protocoles d'évaluation unifiés : Pi-0.5 (Physical Intelligence), SmolVLA (HuggingFace), Wall-X et ACT (Action Chunking with Transformers, référence en imitation learning). Toutes ont été fine-tunées directement sur le matériel physique à partir de démonstrations télé-opérées en conditions réelles, sans passer par la simulation. Au-delà du simple taux de succès binaire, l'étude introduit une taxonomie structurée des échecs, une décomposition sémantique et d'exécution, ainsi que des métriques de récupération (recovery-aware metrics) pour qualifier la robustesse de chaque architecture. Les résultats confirment que les VLA pré-entraînés sur de larges corpus surpassent globalement la baseline en imitation learning pure, mais cette supériorité reste fortement dépendante de la tâche. Ce point est crucial pour les intégrateurs : l'instabilité d'exécution, et non les erreurs de compréhension sémantique, constitue la source d'échec dominante. La capacité de récupération varie significativement selon les architectures, ce qui suggère que les benchmarks centrés uniquement sur le taux de succès final masquent des différences opérationnelles importantes. Pour un COO industriel, cela signifie que le choix d'un modèle VLA ne peut pas se faire sur des métriques agrégées sans analyser le comportement en cas d'échec partiel. Le SO-101 s'est imposé comme plateforme de référence communautaire grâce à son coût accessible, là où la plupart des évaluations VLA existantes reposent sur des robots industriels onéreux (Franka, UR, Boston Dynamics Spot) ou restent cantonnées à la simulation. Ce travail s'inscrit dans un effort plus large de démocratisation des benchmarks robotiques, face à des acteurs comme Figure AI, Agility Robotics ou 1X Technologies qui évaluent leurs systèmes en environnements propriétaires non reproductibles. Les auteurs positionnent explicitement le SO-101 comme socle pratique pour l'évaluation de l'IA incarnée dans des conditions de déploiement réalistes à faible coût. La prochaine étape naturelle serait d'étendre ce protocole à des scénarios de manipulation plus complexes et à davantage d'architectures VLA émergentes, notamment celles intégrant des retours haptiques.

Vidéo : des robots humanoïdes volent la vedette dans America's Got Talent

Huit robots humanoïdes G1 du fabricant chinois Unitree ont performé en direct sur NBC lors du premier épisode de la saison en cours d'America's Got Talent, diffusé mardi soir aux États-Unis. Aux côtés du danseur Wu Yufei, originaire du Sichuan et connu sous le pseudonyme "Flying Bug", les machines ont exécuté une chorégraphie synchronisée combinant mouvements rythmés et coordination précise avec l'interprète humain. Le numéro a reçu une ovation debout du public en studio et l'approbation unanime des quatre juges, propulsant le duo vers la prochaine étape d'une compétition dotée d'un grand prix d'un million de dollars. Yufei a présenté l'un des robots sous le surnom "Jackie", en référence au kung-fu. Le mode de pilotage des machines pendant la performance (téléopération partielle, séquences préenregistrées ou autonomie hybride) n'a pas été divulgué par l'équipe, un point que les commentateurs spécialisés n'ont pas manqué de relever. La prestation illustre un paradoxe croissant aux États-Unis: l'enthousiasme du grand public pour les humanoïdes chinois se heurte à une pression législative grandissante. Le lendemain même de la diffusion, une proposition de loi bipartisane, le Guard Act, a été déposée au Congrès pour interdire les robots d'origine chinoise jugés risques pour la sécurité nationale. En parallèle, l'American Security Robotics Act avance avec pour objectif d'empêcher les agences fédérales d'acquérir des robots produits par des entreprises chinoises, humanoïdes inclus. Pour les décideurs B2B et les intégrateurs industriels, cette double dynamique crée une incertitude réelle: adopter une technologie qui capte l'adhésion populaire tout en naviguant un risque réglementaire croissant. La visibilité télévisée d'Unitree renforce la crédibilité commerciale de ses machines auprès des acheteurs non spécialisés, un levier marketing qu'aucun salon professionnel ne peut reproduire à cette échelle. Fondée à Hangzhou, Unitree commercialise ses robots à l'international via la plateforme AliExpress d'Alibaba, ciblant les marchés d'Amérique du Nord, d'Europe et du Japon. La société a récemment annoncé un partenariat avec Nvidia pour concevoir un design de référence humanoïde baptisé H2+, dont la disponibilité est prévue pour la fin de l'année. Sur le terrain, les observateurs notent que le déploiement opérationnel des robots chinois à l'étranger se heurte à des obstacles concrets: identification des cas d'usage industriels, collecte de données opérationnelles, et construction de réseaux locaux de maintenance, d'intégration et de calibration. Face à Unitree, le marché des humanoïdes voit s'affronter Figure AI (Figure 02), Tesla (Optimus Gen 2), Boston Dynamics (Atlas électrique), Physical Intelligence (pi0) et Agility Robotics (Digit), tous positionnés sur des verticales industrielles précises. L'apparition télévisée ne règle aucun de ces défis opérationnels, mais marque une étape dans la bataille pour la normalisation culturelle des humanoïdes auprès du grand public américain.

Apprentissage de la représentation du contact pour l'odométrie des jambes

Une équipe de chercheurs a publié sur arXiv (référence 2606.05501) une approche d'apprentissage de représentation auto-supervisée pour la détection de contact dans les robots à pattes, visant à améliorer l'odométrie locomotrice sans recourir à des capteurs de force aux extrémités. Le système repose exclusivement sur les encodeurs articulaires standard, présents sur la quasi-totalité des plateformes commerciales existantes. En modélisant les phases d'appui et de vol (stance et swing) de façon probabiliste, le framework permet d'estimer la vitesse du corps principal à partir de la chaîne cinématique des membres, en s'appuyant sur l'hypothèse classique que la vitesse du pied par rapport au monde est nulle en phase d'appui. Les résultats expérimentaux indiquent des performances supérieures aux méthodes supervisées nécessitant des capteurs additionnels et aux approches probabilistes de référence. Le code est publié en open source. L'enjeu est concret : l'odométrie par jambes est une brique fondamentale pour la navigation autonome des robots quadrupèdes et bipèdes, notamment lorsque le GNSS ou la vision sont dégradés. Or, les capteurs de réaction au sol (GRF sensors) alourdissent les pieds, augmentent la complexité mécanique et sont souvent aveugles aux glissements en contact, ce qui produit des dérives d'estimation même lorsque le pied est techniquement "posé". En éliminant cette dépendance sensorielle, cette approche ouvre la voie à un déploiement sur des plateformes à budget contraint, et surtout améliore la robustesse sur surfaces glissantes ou irrégulières, scénario typique des environnements industriels ou d'inspection. La nature auto-supervisée supprime également le coût d'annotation de données, un frein classique dans les pipelines de locomotion. Le problème de la détection fiable de la phase d'appui est étudié depuis l'essor des robots quadrupèdes comme ANYmal (ANYbotics) et Go1/Go2 (Unitree), ainsi que des bipèdes comme Spot (Boston Dynamics) ou Atlas. La majorité des stacks d'odométrie actuels, y compris ceux utilisés dans des frameworks open source comme Legged Gym ou OCS2, conservent une dépendance aux GRF sensors ou à des heuristiques de seuillage. Cette contribution s'inscrit dans une tendance plus large visant à rendre la locomotion avancée accessible sur des plateformes sans instrumentation de pointe, une direction également explorée par des labos européens comme le DLR ou l'INRIA. La prochaine étape naturelle sera la validation sur plusieurs morphologies de robots et dans des conditions de terrain dégradé, un benchmark que les auteurs n'ont pas encore publié.

Generalist lève 400 millions de dollars pour développer ses modèles d'IA généralistes

Generalist AI Inc. a annoncé une levée de fonds de 400 millions de dollars, portant son financement total à plus de 500 millions depuis sa création en 2024. Le tour a été mené par Radical Ventures, avec de nouveaux entrants incluant 8VC, Union Square Ventures, Hanabi Capital et Norwest, auxquels s'ajoutent les investisseurs historiques NVentures (NVIDIA), Boldstart Ventures, Spark Capital et Bezos Expeditions. Parmi les investisseurs individuels figurent Fei-Fei Li, Eric Yuan (PDG de Zoom), Bin Lin et Naval Ravikant. Basée à San Mateo, en Californie, la startup développe des modèles fondamentaux destinés à des robots généralistes, capables d'opérer sur différentes architectures matérielles. En novembre 2025, elle avait lancé GEN-0, présenté comme le premier modèle à appliquer les lois de mise à l'échelle (scaling laws) à la robotique physique. En avril 2026, elle a publié GEN-1, avec des métriques communiquées par la société elle-même: taux de succès moyen de 99 % sur des tâches où les modèles précédents atteignaient 64 %, vitesse d'exécution environ trois fois supérieure sur des manipulations dextères, et seulement une heure de données robotiques nécessaires par compétence apprise. Ces chiffres, s'ils se confirment en conditions industrielles réelles, représenteraient un changement structurel pour la commercialisation de la robotique généraliste. Le principal verrou du secteur reste logiciel: la plupart des intégrateurs investissent encore des semaines de collecte de données pour chaque nouvelle tâche. Un modèle nécessitant une heure de données par compétence transformerait radicalement l'économie du déploiement. Cela dit, les métriques publiées proviennent exclusivement des communications internes de Generalist AI, sans validation indépendante ni précision sur les conditions de benchmark ou la nature des tâches testées. Le concept de "data flywheel", selon lequel les déploiements chez des clients industriels génèrent les données qui alimentent le modèle suivant, est éprouvé dans le logiciel; sa transposition à la robotique physique, avec ses contraintes de sécurité et de variabilité du monde réel, reste à démontrer à l'échelle. Generalist AI a été fondée en 2024 par Pete Florence (CEO), Andy Zeng (Chief Scientist) et Andrew Barry (CTO), trois chercheurs issus des milieux académiques et industriels de la robotique. La startup s'inscrit dans un marché en forte compétition: Physical Intelligence avec son modèle Pi-0, Figure AI avec le Figure 03, Boston Dynamics, Apptronik et 1X Technologies ciblent tous le même segment des modèles d'IA généralistes pour robots physiques. En Europe, Enchanted Tools et Wandercraft progressent sur des verticales plus ciblées. Avec cette levée, Generalist AI prévoit d'accélérer le développement de modèles de nouvelle génération, d'étendre son infrastructure d'entraînement et de renforcer son moteur de collecte de données physiques. La prochaine étape observable sera la documentation de déploiements industriels concrets chez des clients identifiés, seul critère qui permettra de distinguer les performances en laboratoire de la viabilité commerciale annoncée.

💬 500 millions en deux ans, c'est du sérieux. Ce qui m'intéresse vraiment, c'est pas le chèque, c'est cette histoire d'une heure de données par compétence apprise (contre des semaines pour les intégrateurs actuels). Si ça tient en conditions industrielles, tu changes complètement l'économie du déploiement robotique, mais tous les chiffres sortent de chez eux sans validation externe, donc faut voir les premiers clients réels avant de s'emballer.

Feuille de route mondiale des technologies robotiques

Henrik I. Christensen, professeur d'informatique à l'Université de Californie San Diego, a publié un document de positionnement de 52 pages intitulé "Global Robotics Technology Roadmap", couvrant la trajectoire mondiale de la robotique sur la décennie 2025-2035. Ce rapport de référence agrège des données issues des principales conférences du secteur (ICRA, IROS, RSS, CoRL, NeurIPS, ICML) ainsi que des statistiques industrielles collectées lors de visites directes dans des laboratoires de recherche sur trois continents. Les chiffres clés sont les suivants : le marché mondial de la robotique a atteint 53,2 milliards de dollars en 2024, avec une trajectoire projetée à 178,7 milliards en 2033. L'Asie domine le déploiement industriel avec 74 % des installations mondiales en 2024, dont 54 % pour la Chine seule. Le segment humanoïde, valorisé à 370 millions de dollars en 2025, est projeté à 6,5 milliards en 2030, avec des OEM chinois et des entreprises technologiques américaines en course pour la montée en production. Sur le plan algorithmique, le roadmap identifie les modèles Vision-Language-Action (VLA) comme le développement le plus structurant de la période, car ils permettent pour la première fois une généralisation cross-embodiment: un même modèle peut en principe piloter des morphologies robotiques différentes sans réentraînement complet. Du côté matériaux, les mécanismes souples à base d'élastomères à cristaux liquides (LCE), de polymères électroactifs (EAP) et d'hydrogels auto-cicatrisants sont signalés comme vecteurs de convergence entre systèmes industriels rigides et dispositifs médicaux bio-compatibles. Le document pointe également l'asymétrie réglementaire comme variable géopolitique critique: l'EU AI Act, premier cadre légal complet pour les systèmes d'IA à haut risque, est déjà en train de remodeler la conception des robots humanoïdes à l'échelle mondiale, y compris chez des acteurs non européens. Le rapport s'inscrit dans un effort de cartographie stratégique à destination des décideurs politiques, des agences de recherche et des directeurs R&D industriels. L'Europe y est positionnée comme leader en régulation de sécurité et en cobots collaboratifs, les États-Unis en autonomie propulsée par l'IA et en robotique de défense, tandis que l'Asie, pilotée par la Chine, écrase le reste du monde sur le volume de déploiement. Le document couvre des secteurs allant de la logistique à l'agriculture en passant par la construction et le minier, et formule des priorités de recherche différenciées par région. Aucun pilote ni timeline de déploiement concret n'est annoncé: il s'agit d'un document de prospective et d'orientation, pas d'un engagement industriel. Sa valeur tient à la synthèse structurée qu'il offre aux intégrateurs et stratèges qui naviguent dans un écosystème fragmenté entre acteurs américains (Boston Dynamics, Figure, Agility), chinois (Unitree, Fourier) et européens comme Wandercraft ou Enchanted Tools.

Transfert de style de mouvement humain pour le contrôle physique de robots humanoïdes

Un groupe de chercheurs présente dans un preprint arXiv (2606.03536, soumis le 3 juin 2026) un framework de transfert de style de mouvement pour robots humanoïdes. Le système prend en entrée un court clip humain illustrant un style moteur désiré (rythme de marche, balancement des bras, posture) et un mouvement cible distinct, puis génère un mouvement corps entier stylisé adapté au robot. Le modèle central est un modèle de diffusion latente multi-condition, sensible à la physique, fusionnant conditions de style, de contenu et de trajectoire. La guidance classifier-free permet d'ajuster l'intensité du style sans réentraîner le modèle. Les références générées sont ensuite converties pour le robot Unitree G1 et exécutées par une politique de suivi corps entier entraînée via une stratégie "cluster-and-distill". Sur 125 essais sur robot réel, la méthode atteint un taux de réussite de 96,0 %, avec moins d'artefacts de contact et de jitter que les baselines orientées animation. Ce résultat remet en question le paradigme dominant où chaque comportement expressif d'un humanoïde est soit capturé en démonstration directe, soit scripté manuellement, deux approches coûteuses et non réutilisables entre contenus de mouvement différents. En permettant à un court clip humain de servir de source de style transférable sur des contenus arbitraires, le framework ouvre la voie à une personnalisation motrice procédurale. L'écart simulation-hardware est adressé directement par des régularisations de cohérence de contact et de lissage temporel imposées lors de l'entraînement, un point de friction récurrent dans la chaîne génération-contrôle. Un taux de 96 % sur 125 essais réels représente un résultat solide pour de la recherche académique dans ce domaine, où beaucoup de travaux restent confinés à la simulation. Le Unitree G1 (environ 16 000 dollars) s'est imposé ces 18 derniers mois comme la plateforme de référence pour la recherche humanoïde académique. Ces travaux s'inscrivent dans la tendance des modèles de diffusion appliqués à la génération de mouvement (MDM, MotionDiffuse), prolongée ici jusqu'au contrôle physique sur hardware réel. Dans la course à l'expression motrice des humanoïdes, Boston Dynamics (Atlas), Figure et 1X investissent massivement côté imitation learning et VLA end-to-end, tandis que ce preprint se positionne sur la génération procédurale contrôlée, approche complémentaire. Du côté européen, Wandercraft et Enchanted Tools (France, robot Mirokaï) travaillent sur des problématiques d'expression motrice proches, sur des architectures distinctes. La suite logique serait l'intégration de ce framework dans des pipelines de téléopération ou d'interfaces humain-robot en conditions industrielles réelles.

Stardust Intelligence lève plus d'un milliard de yuans en série B, sa valorisation dépasse 10 milliards

Astribot (星尘智能), startup shenzhenoise spécialisée dans les humanoïdes à transmission par câble, a bouclé une série B représentant plus d'un milliard de yuans (environ 125 millions d'euros) en trois tours sur trois mois. Sa valorisation dépasse désormais 10 milliards de yuans, la hissant au rang de licorne shenzhenoise de l'embodied intelligence. Le tour réunit des fonds régionaux (Liangxi Tech Innovation Fund géré par Bohua Capital, Yangzhou Longtou Xinli), l'industriel ThinkTech (中科创达), GUOKE Investment, et confirme le réinvestissement d'actionnaires historiques liés à Tencent, Alibaba et ByteDance. Sur le plan commercial, Astribot signe une commande de l'ordre du millier d'unités avec ThinkTech pour des applications industrielles et de services, avec expansion à l'export, ainsi que la co-construction d'un centre d'application de 100 millions de yuans avec la zone de développement économique de Jiangdu pour l'hôtellerie et le tourisme culturel. La gamme T1, lancée à 89 900 yuans (environ 11 500 euros), exécute des tâches en séquence continue : cuisson, service en bar, tri de pièces automobiles, manipulation chimique. Des livraisons à l'échelle du millier d'unités ont démarré fin 2025. Ce qui distingue Astribot sur le plan technique, c'est son choix de la transmission tendineuse par câble (rope-driven), imitant la biomécanique musculaire humaine : moteurs déportés, câbles tractant les articulations, avec un couplage rigide-souple qui préserve la rigidité opérationnelle tout en absorbant les chocs. L'entreprise revendique être la première au monde à avoir industrialisé cette approche en production de masse pour des humanoïdes IA. Pour les intégrateurs, cela signifie un meilleur rapport charge utile/masse, moins de backlash mécanique, et des données de force proprioceptives de haute qualité transmises fidèlement au modèle, un avantage critique pour l'apprentissage de la physique réelle. L'intelligence embarquée repose sur DuoCore, une architecture bicéphale rapide/lente inspirée du double système cognitif humain, structurellement convergente avec l'architecture Helix de Figure dévoilée quasi simultanément, ce qui constitue une validation indépendante de cette direction. Le système rapide gère la compliance articulaire et l'évitement d'obstacles en temps réel ; le système lent planifie les tâches longues et coordonne les deux bras. Le modèle de fondation VLA maison, Lumo, entraîné par pré-entraînement puis alignement sur robot physique, affiche une généralisation à des objets inconnus et des environnements non vus. DuoCore est déjà déployé en conditions réelles dans la distribution au détail dans six villes chinoises, ce qui constitue un déploiement opérationnel, pas une démonstration en laboratoire. Astribot a été fondée en 2022 par Lai Jie, qui cumule 17 ans d'expérience en IA et robotique : il a été le premier employé et architecte du laboratoire de robotique de Tencent, puis directeur de l'équipe robot Xiaodu chez Baidu. Sa philosophie "Design for AI" consiste à concevoir d'abord un corps adapté à l'apprentissage par un grand modèle, puis à y adjoindre l'algorithme, structurant ainsi toute l'architecture produit. L'entreprise s'inscrit dans un secteur très concurrentiel face à Unitree (G1, H1), Figure (02, Helix), Boston Dynamics (Atlas électrique), Agility Robotics (Digit), et côté chinois, Fourier Intelligence et Galbot. Sa différenciation repose sur la transmission câblée et une stratégie de données axée sur l'efficacité plutôt que le volume brut. Les prochaines étapes annoncées incluent l'internationalisation des commandes ThinkTech et l'intégration de capacités de modèle du monde (world model) dans les futures versions de Lumo.

Suivi corporel intégral contraint pour robots humanoïdes

Des chercheurs ont publié sur arXiv (2606.00374) un framework de contrôle baptisé ConstrainedMimic, conçu pour imposer des contraintes de sécurité en temps réel sur des robots humanoïdes pilotés par apprentissage par renforcement. La démonstration s'appuie sur un Unitree G1 simulé : le système fait tourner la politique de suivi de mouvement whole-body à 300-500 Hz, indifféremment sur CPU, GPU ou TPU, tout en garantissant simultanément l'évitement de collisions (auto-collisions et obstacles externes), le respect des butées articulaires et la stabilité du centre de masse. Les expériences couvrent le suivi de mouvements cinématiques référencés et la téléopération. Le code sera libéré à la publication. L'enjeu sous-jacent est structurant pour l'industrialisation des humanoïdes : les politiques RL apprennent des comportements agiles mais ne savent pas, par défaut, respecter des contraintes ajoutées après entraînement, ce qui bloque le déploiement dans des environnements où les exigences de sécurité évoluent (cellule de travail reconfigurée, proximité opérateur, certification CE). ConstrainedMimic répond à ce problème en combinant deux outils de contrôle classiques, le contrôle en espace opérationnel (OSC) et les control barrier functions (CBF), pour projeter la commande du réseau de neurones dans un espace faisable respectant les contraintes actives. La méthode est entièrement différentiable et n'altère la politique que le strict minimum lorsqu'une contrainte entre en jeu, ce qui la distingue des approches d'override brutales. C'est un pas vers la séparation propre entre performance et sécurité dans les pipelines RL pour humanoïdes. Le sujet s'inscrit dans une course active à la robustesse des politiques whole-body : Figure (Figure 02/03), Boston Dynamics (Atlas), Agility Robotics (Digit) et Unitree investissent massivement en RL locomotion, mais la question des garanties formelles reste un angle mort industriel. Les CBF sont bien établies en robotique mobile (AMR, véhicules autonomes) mais leur intégration dans des politiques RL pour humanoïdes à haute dimension cinématique est encore exploratoire. À noter : l'évaluation reste entièrement en simulation, ce qui laisse ouverte la question du sim-to-real gap sur les contraintes dynamiques, un point que les auteurs n'adressent pas dans cet abstract. La publication du code facilitera la reproductibilité et pourrait accélérer l'adoption dans des labos comme le DLR, l'INRIA ou des intégrateurs industriels européens travaillant sur la certification de robots collaboratifs.

Doubao payant fin juin, incendie chez SK Hynix, Unitree obtient son IPO : Wang Xingxing vaudrait plus de 14 milliards de yuans

Le 1er juin 2026, la commission d'examen des introductions en bourse de la Bourse de Shanghai a approuvé le dossier d'IPO de Unitree Robotics sur le marché STAR, le segment technologique de la place boursière chinoise. Le fabricant de robots prévoit de lever 4,202 milliards de yuans (environ 575 millions d'euros) répartis sur quatre axes : recherche sur les modèles d'IA embarquée, développement du corps robotique, nouveaux produits humanoïdes et construction d'une usine de fabrication dédiée. Le même jour, lors du GTC Taipei, Jensen Huang, PDG de NVIDIA, a annoncé le H2+, un robot humanoïde présenté comme architecture de référence développée conjointement avec Unitree et désigné sous l'appellation Isaac GR00T System. La plateforme mesure 1,8 mètre pour 68 kilogrammes, embarque 31 degrés de liberté (DOF) sur le corps principal et 25 DOF par main. Huang a déclaré l'intégration système finalisée. Sur le front financier, Alphabet a confirmé une levée de 80 milliards de dollars incluant un placement privé de 10 milliards de dollars souscrit par Berkshire Hathaway à 351,81 dollars l'action de classe A, explicitement destinés à étendre les capacités d'infrastructure IA face à une demande jugée supérieure à l'offre existante. OpenAI a par ailleurs officialisé le même jour son entrée dans la robotique, en se concentrant à court terme sur les robots d'assistance. Pour les intégrateurs et décideurs industriels, la conjonction de l'IPO de Unitree et du partenariat NVIDIA marque un passage vers une commercialisation plus structurée des humanoïdes. Les 575 millions d'euros levés dépassent la quasi-totalité des tours de table récents des fabricants occidentaux hors Tesla, offrant à Unitree un capital de montée en cadence inédit dans le secteur. Le H2+ positionné comme architecture de référence ouverte change la logique d'intégration : NVIDIA apporte la stack logicielle Isaac GR00T et le simulateur Omniverse pour le sim-to-real, Unitree fournit le corps mécanique validé, réduisant le coût d'entrée pour tout OEM souhaitant déployer des humanoïdes sans construire l'ensemble de la chaîne. Les 25 DOF par main ciblent la manipulation fine en assemblage et en logistique pick-and-place, non la manutention de charges lourdes. Ces métriques restent celles d'une annonce de conférence : l'écart entre démonstration et déploiement productif sur des cycles de travail réels demeure à quantifier indépendamment. Unitree s'est imposé sur le marché des quadrupèdes avec les séries Go1, Go2 et B2 avant de lancer les humanoïdes H1 puis G1, construisant une réputation de rapport performance-prix difficile à ignorer. Son fondateur Wang Xingxing voit sa fortune estimée à plus de 14 milliards de yuans après la validation du dossier. NVIDIA avait posé les bases de sa stratégie robotique avec Isaac GR00T, présenté au GTC 2024 comme modèle de fondation pour humanoïdes, et Omniverse pour la simulation; le H2+ est le premier résultat hardware public de cette architecture. Les concurrents directs en Occident incluent Figure AI, Tesla avec Optimus, Boston Dynamics avec Atlas et Physical Intelligence avec son modèle Pi-0; en Chine, Fourier Intelligence et UBTECH couvrent des segments comparables. L'entrée simultanée d'OpenAI dans la robotique pourrait redistribuer les équilibres dans la couche logicielle, chaque acteur hardware cherchant à s'associer au modèle fondation le plus performant. Zhipu AI, spécialiste chinois des grands modèles de langage, a également annoncé le 1er juin son intention de s'introduire sur le marché STAR, signal supplémentaire d'un afflux de capitaux publics vers l'ensemble de la chaîne IA-robotique en Chine.

NVIDIA dévoile une plateforme complète pour robots humanoïdes, robotaxis et usines intelligentes

Lors du GTC Taipei, NVIDIA a dévoilé une plateforme full-stack destinée aux robots humanoïdes, aux véhicules autonomes et à l'automatisation industrielle. Le cœur de l'annonce est Cosmos 3, un omnimodèle fondational open-source construit sur une architecture mixture-of-transformers, capable de traiter simultanément texte, images, vidéo, son et commandes d'action dans un seul système. Il se décline en Cosmos 3 Super, orienté haute précision pour la robotique et les véhicules autonomes, et Cosmos 3 Nano, optimisé pour l'inférence rapide. NVIDIA lance également l'Isaac GR00T Reference Humanoid Robot, un design de référence intégrant le robot Unitree H2 Plus, les mains articulées Sharpa, le calculateur embarqué Jetson Thor et la pile logicielle GR00T, adopté par Ai2, ETH Zurich, Stanford Robotics Center et UC San Diego. La collaboration avec TSMC porte les bibliothèques CUDA-X dans la fab pour la lithographie computationnelle, la simulation de transistors et l'inspection de plaquettes à l'échelle nanométrique. Alpamayo 2 Super, un modèle de raisonnement à 32 milliards de paramètres, cible quant à lui les applications robotaxi. La cohérence verticale de la plateforme est sa principale valeur ajoutée : NVIDIA prétend désormais couvrir l'intégralité de la chaîne de valeur de l'IA physique, de la génération de données synthétiques à la simulation, jusqu'au déploiement en production. Pour les équipes R&D en robotique humanoïde, GR00T Reference Robot réduit potentiellement plusieurs mois d'intégration hardware/software. Cosmos 3 s'attaque par ailleurs au sim-to-real gap en proposant un world model capable de générer des environnements d'entraînement réalistes, l'un des verrous structurels du secteur. Cela dit, les benchmarks avancés ("meilleur modèle ouvert" sur plusieurs évaluations) émanent de NVIDIA lui-même sans validation tierce, ce qui invite à une lecture prudente. L'intégration dans la fab TSMC est plus tangible : des gains d'efficacité mesurables dans la détection de défauts nanométriques signalent une adoption industrielle réelle, pas seulement un proof-of-concept. NVIDIA construit ce positionnement depuis plusieurs années via Isaac Sim, Omniverse et la famille GR00T N2 présentée en 2025. Sur le marché des humanoïdes, les concurrents directs incluent Figure (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0), Boston Dynamics (Atlas) et Agility Robotics (Digit). Le choix du robot Unitree H2 Plus, acteur chinois concurrent sur le segment humanoïde, comme base matérielle du design de référence NVIDIA est notable. En Europe, Enchanted Tools (Miroki, France) et Wandercraft pourraient tirer parti de Cosmos 3 pour la génération de données d'entraînement, même si aucun partenariat public n'a été annoncé. Les prochaines étapes incluent l'accès des institutions de recherche à GR00T Reference Robot et la disponibilité de Cosmos 3 via NVIDIA NGC ; aucune tarification ni date de commercialisation n'a été communiquée pour l'ensemble de la plateforme.

💬 NVIDIA ne vend plus du silicium, il vend une plateforme verticale, de la simulation jusqu'au robot en prod. Le détail qui m'a accroché : le choix d'Unitree, concurrent chinois direct, comme base matérielle du robot de référence GR00T. C'est soit du pragmatisme pur, soit une façon de dire que l'avantage NVIDIA est dans le software, pas le hardware.

Les 10 actualités robotique incontournables de mai 2026

Mai 2026 a concentré plusieurs avancées concrètes dans la robotique, mises en lumière lors du Robotics Summit & Expo de Boston qui a réuni des milliers de professionnels du secteur. Genesis AI a dévoilé GENE-26.5, un modèle d'IA qu'elle présente comme atteignant des "capacités de manipulation physique au niveau humain", une affirmation à relativiser en l'absence de benchmarks indépendants publiés. Dans le domaine des humanoïdes, 1X Technologies a lancé la production en série de son robot NEO dans une nouvelle usine à Hayward, en Californie, conçu pour fonctionner en dessous du niveau sonore d'un réfrigérateur moderne dans des espaces domestiques. La startup londonienne Humanoid a formalisé un partenariat avec Bosch et Schaeffler pour industrialiser sa production, après un proof of concept conjoint validé en mars 2026. Du côté des capteurs, Ouster a annoncé la famille REV8, basée sur sa puce L4 Ouster Silicon, avec une portée et une résolution doublées par rapport à la génération précédente, et un lidar couleur natif breveté. Automated Tire est sortie de la discrétion avec SmartBay, une plateforme robotique autonome pour le changement de pneus et l'inspection de véhicules, promettant de réduire le temps de service de moitié, soit environ 30 minutes par intervention. Ces actualités illustrent une bifurcation nette dans le secteur: d'un côté, des acteurs humanoïdes comme 1X passent de la démonstration à la production réelle, signal que le "reality gap" se réduit pour certains challengers; de l'autre, des verticaux industriels précis comme la maintenance automobile ou la manipulation dextère cherchent à démontrer un ROI mesurable à court terme. Le partenariat Humanoid-Bosch-Schaeffler est particulièrement notable car il intègre deux équipementiers automobiles de premier plan dans la chaîne d'approvisionnement des humanoïdes, anticipant un marché commercial proche. Hugging Face a également lancé une boîte à outils agentique pour son robot desktop open-source Reachy Mini, permettant de créer des applications fonctionnelles en moins d'une heure sans écrire de code, ce qui signale une démocratisation de la programmation robotique au-delà des équipes d'ingénieurs spécialisés. Le contexte est celui d'une course à la commercialisation qui s'accélère, avec Figure (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (pi0), Boston Dynamics et NVIDIA (GR00T N2) en embuscade sur le même marché des humanoïdes polyvalents. Pour structurer les comparaisons, le Fraunhofer IPA a publié un benchmark standardisé pour évaluer objectivement ces plateformes, une initiative qui faisait défaut jusqu'ici. Les RBR50 Innovation Awards 2026, qui fêtent leur 15e édition, ont dressé un panorama des leaders actuels, reflétant la diversité des approches: AMR, cobots, architectures VLA (Vision-Language-Action). Les prochains trimestres seront déterminants: les premiers bilans chiffrés des déploiements chez 1X et Humanoid constitueront des tests de réalité cruciaux avant d'éventuels nouveaux tours de financement.

Le robot humanoïde de NVIDIA embarque 2 070 téraflops de puissance « cérébrale » pour apprendre dans le monde réel

NVIDIA a dévoilé le 1er juin 2026, au GTC Taipei, l'Isaac GR00T Reference Humanoid Robot, un design de référence humanoïde open source associant le corps du Unitree H2 (1,80 m, 68 kg, 31 degrés de liberté) aux mains tactiles cinq doigts Sharpa Wave (44 DOF supplémentaires), soit 75 DOF au total. L'intelligence embarquée repose sur le module Jetson AGX Thor T5000, équipé d'un GPU Blackwell délivrant 2 070 téraflops en précision FP4, d'un CPU Arm 14 cœurs et de 128 Go de mémoire unifiée pour le traitement sensoriel en temps réel. Le robot supporte 120 N.m de couple aux bras, 360 N.m aux jambes et une charge utile de 15 kg, avec perception stéréo en tête, caméras montées aux poignets et centrale inertielle. La pile logicielle Isaac GR00T couvre tout le cycle de développement: Isaac Teleop pour la collecte de démonstrations humaines, Isaac Sim et Isaac Lab pour la simulation et l'entraînement, Isaac ROS pour le déploiement sur robot physique. Quatre institutions ont déjà rejoint l'initiative: Ai2, l'ETH Zurich, le Stanford Robotics Center et le laboratoire Advanced Robotics and Controls de l'UC San Diego. La compatibilité avec l'Unitree G1, très répandu en recherche, est également confirmée. La fragmentation du développement humanoïde constitue aujourd'hui l'un des freins majeurs à la recherche: hardware, environnements de simulation, modèles de fondation et middleware proviennent de sources hétérogènes, multipliant les frictions d'intégration. En proposant une pile unifiée et documentée, NVIDIA cherche à compresser le délai entre une nouvelle politique de contrôle et son test sur robot physique. Les 2 070 téraflops FP4 embarqués ne visent pas uniquement l'inférence: la puissance disponible cible l'apprentissage par renforcement en ligne et la collecte de données en situation réelle, deux leviers critiques pour combler le sim-to-real gap qui limite encore la majorité des VLA (Vision-Language-Action models). Steve Cousins, directeur exécutif du Stanford Robotics Center, a résumé la logique: "La robotique avance plus vite quand les chercheurs peuvent construire sur des plateformes ouvertes, partager du code et tester sur de vraies machines." NVIDIA avait posé les premières briques d'Isaac GR00T au GTC 2024 avec des modèles de fondation pour l'imitation et le transfert sim-to-real; l'annonce de Taipei franchit une étape différente avec un design de référence hardware-software complet. NVIDIA ne fabrique pas de robots mais joue explicitement la carte du fournisseur de plateforme, fournissant calcul, modèles et outils à l'ensemble de l'écosystème humanoïde: Figure (02), Tesla (Optimus Gen 3), Physical Intelligence (pi0), Boston Dynamics (Atlas Electric), et les acteurs européens comme Wandercraft ou Enchanted Tools, qui pourraient bénéficier de cette pile ouverte pour accélérer leur R&D. Le risque principal de cette stratégie est que les grands constructeurs, Tesla et Figure en tête, développent des piles entièrement propriétaires, réduisant la surface d'adoption. Les prochaines étapes documentées se limitent aux déploiements dans les quatre institutions partenaires, sans calendrier de commercialisation industrielle annoncé à ce stade.

Hyundai présente les compétences footballistiques du robot humanoïde Atlas dans une série sur le thème de la Coupe du Monde

A l'approche du Mondial FIFA 2026, Hyundai Motor a lancé "School of Football", une campagne publicitaire mondiale mettant en scène Atlas, le robot humanoïde de Boston Dynamics. Développée sous le label marketing "Next Starts Now", la série de films narratifs suit Atlas dans un apprentissage progressif du football : travail de pied, passes, tirs. Le clou de la démonstration est le "Ghost Rabona", un tir en croix de jambes dont la complexité biomécanique exige un équilibre dynamique dans des positions asymétriques, une coordination multi-membres, une adaptation en temps réel au transfert de poids et un contrôle moteur fin sous contraintes physiques. Hyundai insiste sur un point : toutes les séquences ont été tournées sans recours à la CGI, avec la version électrique de nouvelle génération d'Atlas. Pour exécuter le Ghost Rabona, le robot analyse des données de motion capture humaine, les injecte dans un environnement de simulation physique, puis affine ses performances par apprentissage par renforcement (essais-erreurs itératifs jusqu'à stabilisation). La campagne ne publie aucune spécification technique nouvelle, ni payload, ni degré de liberté (DOF), ni temps de cycle, ni tarif. Il s'agit avant tout d'une opération de communication grand public, et il faut la lire comme telle. Ce qui reste pertinent pour un intégrateur ou un ingénieur : l'absence de CGI constitue une preuve partielle de robustesse mécanique et de contrôle en monde réel, et le choix du football comme terrain de démonstration est délibérément difficile, car le sport impose des contacts, des déséquilibres et une variabilité de surface que les démos en laboratoire évitent. La capacité démontrée à enchaîner apprentissage par simulation et exécution physique sans retouche numérique confirme que la chaîne sim-to-real fonctionne sur des mouvements non triviaux, même si le contexte de prise de vue reste contrôlé et sélectif. Boston Dynamics a été acquis par Hyundai en 2021 pour environ 880 millions de dollars, et la version électrique d'Atlas a été présentée en avril 2024, remplaçant le modèle hydraulique. La stratégie de Hyundai consiste à utiliser la notoriété du Mondial pour ancrer Atlas dans l'imaginaire collectif avant toute mise en marché industrielle concrète, un positionnement qui tranche avec celui des concurrents directs : Figure (en cours de déploiement chez BMW avec le modèle Figure 02), Tesla (Optimus Gen 2 testé en usine à Fremont), Agility Robotics (Digit en production chez Amazon), et Unitree (G1 et H1 déjà disponibles à la vente). Aucun déploiement commercial d'Atlas n'a été annoncé à ce stade. Hyundai prévoit de diffuser des contenus making-of dans les semaines à venir, focalisés sur le pipeline de développement et d'entraînement du robot.