Dossier ICRA / IROS / CoRL

Vendredi vidéo : la mise hors service des robots prend un tour amusant

Dans sa sélection hebdomadaire de vidéos, IEEE Spectrum commence par une moquerie de la dernière opération de communication de Figure. Devanthro vend des balles en plastique à 1 000 dollars pièce, livrables avant Noël. Côté recherche, Hybrid Robotics présente Workhorse, un système qui apprend la manipulation du corps entier avec contacts, à partir de vidéos de démonstrations humaines sans robot, en s'appuyant sur une vision RGB égocentrique et la proprioception. Sur un Unitree G1 réel, le robot trie des boîtes avec les mains et un coup de pied, rattrape une boîte lancée, puis renverse une valise et grimpe dessus. Le MIT dévoile SANDO, un système de navigation qui planifie et ajuste en temps réel une trajectoire sans collision parmi des obstacles mobiles, avec des capteurs et un calcul embarqués et des garanties mathématiques de sécurité. À NC State, un robot nageur souple inspiré des comatules (étoiles de mer à plumes) réalise trois modes de nage (verticale type méduse, direction type poisson, réorientation 3D type rotor) avec seulement deux entrées pneumatiques. L'EPFL montre un moteur linéaire en forme de fil. KUKA teste un lavage automobile où des bras robotisés modélisent le véhicule avant de le nettoyer. Sont aussi évoqués Pollen Robotics, RAI Institute, DEEP Robotics, Generalist, General Robotics Lab et Sanctuary AI. L'intérêt tient moins à une annonce isolée qu'à ce que l'ensemble révèle de la maturité du secteur. Workhorse illustre une piste de plus en plus suivie : apprendre à partir de vidéos humaines plutôt que de téléopération coûteuse, ce qui réduirait le coût de collecte de données. Les tâches montrées sont toutefois des démonstrations sur plateforme de recherche, sans taux de réussite publié dans ce résumé. Le cas KUKA est instructif pour les intégrateurs : l'article rapporte que les avis récents sur ce site suggèrent que les robots ne sont pas encore au niveau, ce qui rappelle l'écart entre un concept déployé auprès du public et un service fiable. De même, le commentaire sur Sanctuary AI relève un montage où le clip central démarre alors que la main tient déjà la bande à peler. C'est un rappel utile pour juger des vidéos de préhension : la phase d'accroche est souvent la plus difficile et la moins montrée. Le contexte est celui d'une course humanoïde où la communication spectaculaire de Figure suscite désormais de l'ironie dans la communauté, comme le montre l'initiative de Devanthro. La France est représentée par Pollen Robotics, qui diffuse une vidéo légère de son robot. Le calendrier à venir est chargé : CoRL 2026 se tient du 9 au 12 novembre à Austin, et Humanoids 2026 du 6 au 9 décembre à Santa Clara, deux rendez-vous où seront confrontés résultats académiques et démonstrations industrielles. Les mini-keynotes d'ICRA 2026 sur la manipulation, les humanoïdes et la conception incarnée sont par ailleurs disponibles en ligne pour qui veut suivre les orientations de la recherche.

Simplexity Robotics entraîne un seul robot à servir deux tours CNC avec 600 trajectoires réelles

Simplexity Robotics, une entreprise d'IA embarquée « full-stack », affirme avoir entraîné un seul robot à servir deux tours CNC de manière autonome : chargement des pièces dans les mandrins avec environ 0,5 mm de jeu, puis déchargement après usinage. Feng Zongbao, responsable de l'apprentissage par renforcement, a présenté ces travaux lors d'un Tech Talk à l'IROS 2026 à Pittsburgh le 29 septembre, et Leiphone en a publié une transcription éditée le 8 octobre. L'entraînement s'appuie sur 600 trajectoires réelles. Le système repose sur trois briques : génération d'actions, mémoire et sélection d'actions. SimpleWAM, le modèle d'action-monde maison, apprend à reconstruire images futures, états 3D et séquences d'actions, mais ne produit à l'inférence que des actions à partir des images, de l'état 3D et de la consigne. Les caméras de tête et de poignet sont fusionnées de façon adaptative : 15 réussites en essais nominaux contre 8 pour une base π0.5 en fine-tuning supervisé. DRAM, une mémoire associative récurrente de type règle delta, se greffe sur une politique pré-entraînée gelée et conserve le contexte dans une matrice de taille fixe. DPE note des séquences d'actions candidates avec un évaluateur entraîné séparément, tandis que le générateur reste gelé. Les mesures de force et de couple alimentent à la fois la politique et un contrôleur d'impédance temps réel, qui permet de se rattraper quand une insertion droite est bloquée. Simplexity annonce 100 % de réussite sur l'insertion de précision. Ce chiffre demande de la prudence : il porte sur la seule tâche d'insertion, pas sur le rendement d'une cellule complète, et la présentation ne donne pas le nombre d'essais sous-jacent. La démonstration, projetée à vitesse x5, ne permet pas non plus d'évaluer le temps de cycle réel, décisif pour la rentabilité d'une cellule d'usinage. L'intérêt tient pourtant à la nature du problème. Un jeu de 0,5 mm, des surfaces métalliques réfléchissantes, des pièces proches visuellement et des contacts masqués aux caméras sont exactement les conditions où les démonstrations de laboratoire s'effondrent en atelier. Le recours au retour d'effort comme entrée de la politique, associé à un évaluateur qui corrige les choix sans modifier le modèle de base, illustre une tendance : les politiques vision-langage-action (VLA) seules ne suffisent pas pour l'assemblage de précision, il faut y ajouter mémoire, perception tactile et sélection en ligne. Pour les intégrateurs, la tenue de machines-outils est un cas d'usage concret et massif, où seulement 600 démonstrations réelles suffiraient, ce qui reste à confirmer en production. Simplexity cadre la tâche comme « des robots qui fabriquent des robots », puisque articulations, mandrins et pièces de précision sortent de tours CNC. L'entreprise, âgée de 11 mois selon un article récent de la publication, aurait déjà livré 100 robots sur des lignes de production. La tâche a tourné sur son robot à roues i7 Pro, l'une de ses quatre gammes matérielles aux côtés de la plateforme développeur SimpleClaw. Elle évolue face à des acteurs qui misent sur des modèles généralistes comme π0.5 de Physical Intelligence, base de comparaison ici, et face à des intégrateurs de chargement de machines-outils plus établis. Les suites à surveiller : publication du nombre d'essais, temps de cycle en temps réel, et passage de cette démonstration à des cellules clientes en exploitation.

Galbot et Tsinghua : LATENT remporte un prix à l'IROS pour un coup droit de tennis humanoïde

Une équipe réunissant Galbot, l'université Tsinghua, l'université de Pékin et le Shanghai AI Laboratory a remporté le prix du meilleur article « Entertainment and Amusement » à l'IROS 2026, dont la conférence principale s'est achevée à Pittsburgh le 30 septembre. Le travail, intitulé « Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data » et surnommé LATENT, entraîne un humanoïde à renvoyer des balles de tennis à partir de données volontairement lacunaires : cinq joueurs amateurs ont passé environ cinq heures dans une zone de capture de 3 par 5 mètres, enregistrant des fragments de coups droits, de revers et de déplacements, sans match ni information sur la cible de la balle. Le système entraîne d'abord un tracker de mouvement, puis le compresse en un espace d'actions latent continu, sorte de dictionnaire de mouvements corporels. L'équipe a réduit la confiance accordée au poignet droit, trop bruité après retargeting, et ajouté une contrainte, la Latent Action Barrier, fondée sur la distance de Mahalanobis, qui empêche la politique de sauter entre mouvements sans rapport. En simulation, la politique de coup droit réussit 96,52 % des retours, avec une erreur moyenne d'atterrissage de 1,32 m, contre 41,32 % pour AMP, 63,47 % pour ASE et 71,85 % pour PULSE. Sans la barrière, le succès ne baisse qu'à 93,12 %, mais l'indice de lissage passe de 25,61 à 37,64 et le couple articulaire de 7,40 à 12,53, signe de mouvements plus saccadés. Sur un Unitree G1 réel, sur 20 échanges consécutifs, le coup droit atteint 90,90 % de réussite, le revers 77,78 %, le jeu depuis l'avant-court 88,89 % et depuis le fond 81,82 %, le succès signifiant que la balle retombe dans le camp adverse. Pour les intégrateurs et les décideurs, l'intérêt tient moins au tennis qu'à la méthode : obtenir un comportement dynamique et précis à partir de peu de données humaines, imparfaites et non étiquetées par la tactique, sans script de mouvement à rejouer. L'espace latent traite les clips comme un a priori plutôt qu'une consigne, et l'ablation montre que la contrainte de régularité pèse surtout sur la qualité du geste (couple, fluidité), donc sur l'usure mécanique et la faisabilité sur matériel réel, davantage que sur le seul taux de succès. Il faut toutefois lire ces chiffres avec prudence. Le test réel dépend encore de la capture de mouvement : selon Leiphone, citant les documents du projet, le dispositif compte plus de 50 caméras sur 19 par 15 mètres, et non les caméras embarquées du robot. L'échantillon de 20 échanges est modeste, et l'échange simulé de 25 coups entre deux robots ne provient pas d'un court réel. Le résultat est un retour de balle en laboratoire, pas un match de tennis, et il n'a pas d'application commerciale directe. Le prix s'inscrit dans une série de démonstrations sportives sur le Unitree G1, plateforme de recherche devenue standard, dont un panier de basket présenté par HKUST. Galbot, fabricant chinois, multiplie par ailleurs les annonces : l'ET1, humanoïde bipède dont le prix démarre à 79 000 yuans, avec des compétences par observation sur les gammes supérieures, et le modèle monde-action LDA-1B, dont le framework est ouvert. Les auteurs listent la capture de mouvement comme limite principale et désignent la vision active, c'est-à-dire la perception par les caméras du robot, comme prochaine étape, condition nécessaire pour sortir du laboratoire. Aucun calendrier de déploiement ni pilote industriel n'est annoncé à ce stade.

RoboParty dévoile RP1, un nouveau robot humanoïde pour la recherche open source en robotique

La société chinoise RoboParty a dévoilé RP1, un robot humanoïde bipède présenté comme une plateforme open source « full-stack » destinée à la recherche en robotique, à l'enseignement et au développement d'IA embarquée. Le robot a fait ses débuts publics le 28 septembre lors de l'IROS 2026 (IEEE/RSJ International Conference on Intelligent Robots and Systems), à travers une démonstration interactive baptisée « Kick Me » : les visiteurs pouvaient pousser ou frapper le robot, qui ajustait sa posture pour retrouver l'équilibre au lieu de rejouer des mouvements préprogrammés. La démonstration repose sur PartyOS, la plateforme de R&D ouverte de RoboParty, qui intègre le framework UFO (« A General Unsupervised Reinforcement Learning Framework for Humanoid Control »). Ce dernier entraîne par apprentissage par renforcement non supervisé des politiques de mouvement bas niveau pour les transitions entre compétences, la récupération après perturbation et le relevé après chute. RP1 atteint un couple articulaire crête de 160 Nm et s'appuie sur les modules d'actionneurs maison Romomo, une structure mécanique et un système de contrôle temps réel. L'entreprise ne communique, dans ce qui a été présenté, ni nombre de DOF, ni masse, ni payload, ni prix, ni calendrier de commercialisation. Pour les laboratoires et les intégrateurs, l'enjeu tient moins à la performance brute qu'à l'accès. Une plateforme humanoïde dont le matériel, le contrôle bas niveau, les environnements de simulation, les SDK et les outils d'entraînement seraient réellement ouverts offrirait une base reproductible, là où la plupart des humanoïdes de recherche restent fermés ou n'ouvrent qu'une couche logicielle. La démonstration de robustesse aux poussées illustre aussi l'avancée des politiques de locomotion apprises en simulation puis transférées au robot réel, un sujet où le fossé entre démo et usage réel reste à documenter. Il faut toutefois rester prudent : une démonstration publique de quelques minutes, sans protocole de test, force de poussée mesurée ni taux de réussite, ne prouve pas une fiabilité sur la durée. Surtout, l'ouverture annoncée est progressive : RoboParty indique qu'elle « ouvrira progressivement » ses systèmes de contrôle, ses simulateurs, ses SDK et ses outils d'entraînement. À ce stade, le caractère « full-stack » relève donc d'une feuille de route plutôt que d'un fait livré. RP1 prolonge le projet RPO (ROBOTO ORIGIN), initiative humanoïde open source lancée en janvier 2026, qui a recueilli plus de 2 500 étoiles sur GitHub. RPO a posé la base bipède, Romomo a apporté les actionneurs propriétaires et RP Hand a étendu l'ensemble à la manipulation dextre et à l'interaction homme-robot. PartyOS doit désormais couvrir la locomotion, la perception, la manipulation corps entier et l'intelligence autonome. RoboParty affirme que sa communauté de développeurs dépasse 5 000 personnes, avec une équipe issue notamment de Tsinghua, de Peking University et du Harbin Institute of Technology. Son fondateur, Yi Huang, revendique l'open source intégral comme « direction technique » depuis RPO et veut faire de RP1 une « fondation ouverte » que chacun peut modifier et entraîner. L'entreprise se positionne ainsi face aux plateformes de recherche plus fermées et aux acteurs commerciaux qui privilégient leurs propres piles propriétaires. Les prochains jalons à surveiller sont la publication effective des schémas mécaniques, des actionneurs et du code de contrôle, ainsi que la disponibilité et le prix du robot.

Premier robot humanoïde bipède open source full-stack et hautes performances dévoilé

La société RoboParty, basée à Pittsburgh, a dévoilé le RP1 (ROBOTO 01) lors de l'IROS 2026, qui marquait sa première présentation publique. L'entreprise le décrit comme le premier humanoïde bipède open source « full-stack » à hautes performances. Le seul chiffre technique communiqué est un couple articulaire de pointe pouvant atteindre 160 N·m, obtenu avec des modules d'actionneurs maison baptisés Romomo. Le nombre de DOF, la masse, le payload, l'autonomie et le prix ne sont pas précisés. Sur son stand, RoboParty proposait une démonstration « Kick Me » : les visiteurs poussaient ou frappaient le robot, qui rétablissait son équilibre et savait aussi se relever après une chute. Cette stabilité reposait sur PartyOS, la base de R&D ouverte de l'entreprise, qui intègre le framework UFO. Le public cible est celui des chercheurs, des enseignants, des développeurs et des équipes d'IA incarnée. L'intérêt est surtout stratégique. Le marché de l'humanoïde est dominé par des plateformes fermées (Figure, Tesla, Agility, Unitree sur le matériel, avec des briques logicielles le plus souvent propriétaires), et les laboratoires qui veulent entraîner des politiques de locomotion ou de manipulation dépendent de fournisseurs dont ils ne maîtrisent ni les actionneurs ni le contrôle bas niveau. Une plateforme dont le matériel, les actionneurs et le logiciel sont tous ouverts pourrait abaisser ce coût d'entrée, à condition que les plans, la documentation et l'approvisionnement des pièces soient réellement exploitables. La démonstration de poussées en conditions ouvertes est plus parlante qu'une vidéo scriptée, mais elle reste qualitative : aucune force d'impact, aucune durée de test ni aucun taux de chute n'est fourni. Le communiqué ne dit pas non plus ce qui est effectivement publié en open source pour le RP1, ni sous quelle licence. Le qualificatif « premier » relève donc, à ce stade, de l'argument commercial plus que d'un fait vérifié. Il s'agit d'une annonce accompagnée d'une démonstration sur salon, pas d'un produit livré ni d'un déploiement. RoboParty a commencé par RPO, un projet de robot bipède entièrement open source. L'adoption par la communauté de ce projet lui a permis d'élargir ses compétences aux actionneurs, aux corps de robot, au contrôle du mouvement, à la manipulation dextre et aux logiciels robotiques. Le RP1 en est la suite directe, et son fondateur Yi Huang défend une ligne « full-stack open source » en opposition aux systèmes fermés. Sur ce créneau, l'entreprise croise des initiatives ouvertes ou semi-ouvertes comme Berkeley Humanoid, K-Scale ou les plateformes de Booster et Unitree, très utilisées par les laboratoires, ainsi que l'écosystème de modèles ouverts type GR00T de NVIDIA. Aucune date de commercialisation, aucun tarif ni aucun programme pilote n'ont été annoncés. Les prochains éléments à suivre sont la publication effective des fichiers matériels et du code, des spécifications complètes, un prix, et l'adoption réelle par des laboratoires ou des équipes de développement.

Flexiv présente à l'IROS 2026 ses robots adaptatifs à commande en force

Flexiv, développeur de robotique généraliste, a exposé à l'IROS 2026 (IEEE/RSJ International Conference on Intelligent Robots and Systems), qui s'est achevée hier à Pittsburgh. Le stand 922, au David L. Lawrence Convention Center, proposait des démonstrations en direct où les visiteurs pouvaient interagir avec les robots. L'entreprise met en avant deux briques : un contrôle de force de haute précision et une couche d'intelligence artificielle censée rendre les bras adaptatifs. Le communiqué, dans la version disponible, ne donne ni payload, ni nombre de DOF, ni temps de cycle, ni prix, ni volumes de déploiement. Il ne nomme pas non plus de modèle d'IA ni de client. Le sujet dépasse la simple présence sur un salon. Le contrôle de force est l'un des points durs des tâches de contact comme l'assemblage, le polissage ou l'insertion, où les approches purement pilotées par la vision et la position restent fragiles. Combiner ce contrôle avec des politiques apprises répond à une question que se posent les intégrateurs : ces politiques tiennent-elles hors des démonstrations ? Une démo sur stand reste cependant un format contrôlé. Sans taux de réussite, durée d'essai ni conditions de variabilité, elle montre une capacité sans prouver sa robustesse industrielle. Il s'agit ici d'une démonstration publique, pas d'un déploiement documenté. Flexiv, créée en 2016 et active entre la Silicon Valley et la Chine, s'est fait connaître par ses bras à couple articulaire. Elle s'est ensuite positionnée sur la « robotique adaptative » et l'IA incarnée. Elle affronte les cobots établis comme Universal Robots et Kuka, ainsi que des acteurs du contrôle de force comme Franka Robotics, désormais dans le giron d'Agile Robots en Allemagne. Elle est aussi en concurrence avec les plateformes humanoïdes pilotées par modèles VLA (vision-langage-action). L'enjeu des prochains mois sera d'obtenir des chiffres de production et des pilotes clients vérifiables.

La solution d'OpenSpace Lab pour le concours d'exploration en intérieur IROS 2026

L'équipe OpenSpace Lab a publié sur arXiv (2610.01505) le rapport technique de sa participation au concours Intelligent Information Gathering for Single and Multi-Robot Systems, organisé dans le cadre de l'IROS 2026 (IEEE/RSJ International Conference on Intelligent Robots and Systems). Elle termine 1re de la piste publique mono-robot et 3e des pistes privées mono-robot et multi-robots. Les taux de couverture atteignent 61,04 % sur la piste publique mono-robot, 39,53 % sur la piste privée mono-robot et 39,91 % sur la piste privée multi-robots. Côté architecture, le système mono-robot s'appuie sur des prédictions de complétion de carte issues d'un modèle pré-entraîné pour guider la planification globale vers les zones non explorées. Une stratégie fondée sur le temps restant intègre une contrainte de retour au point de départ (« homing ») dans la décision, afin de concilier couverture et durée d'opération limitée. En multi-robots, la sélection des cibles est pilotée par une fonction d'utilité qui arbitre entre gain d'observation, coût de déplacement et budget, avec partage de la carte et des intentions entre robots pour éviter les recherches redondantes. Il s'agit d'un rapport succinct : un article complet est en préparation et le code, annoncé sur GitHub (OpenSpace-Lab/Indoor-Exploration-IROS2026), ne sera publié qu'après acceptation de ce manuscrit. L'intérêt tient surtout à ce que ces chiffres disent de l'état de l'exploration autonome en intérieur. Une couverture de 61 % en piste publique, qui tombe à environ 40 % sur les pistes privées, montre un écart net de généralisation entre scènes connues et scènes inédites. Elle rappelle que les benchmarks ouverts surestiment la performance réelle, un point à garder en tête pour les intégrateurs qui évaluent des solutions d'inspection, de cartographie ou de patrouille en environnement non structuré. Autre signal : le gain du multi-robots reste minime en piste privée (39,91 % contre 39,53 % en mono-robot, avec des rangs identiques), ce qui suggère que la coordination ne se traduit pas encore par un avantage mesurable sur ce jeu de test. Les résultats concernent par ailleurs un concours, avec des contraintes de temps propres, et non un déploiement industriel. Aucun détail n'est fourni sur la taille des scènes, le nombre de robots ni la comparaison avec les autres équipes. Ces travaux s'inscrivent dans la lignée de l'exploration par frontières, où le robot se dirige vers la limite entre espace connu et inconnu, que les approches récentes enrichissent par de la prédiction de carte apprise pour anticiper la structure des pièces non vues. Les concurrents du concours restent non précisés dans le résumé. Les suites sont connues : un article étendu à soumettre et une publication du code conditionnée à son acceptation, ce qui laisse la reproductibilité en suspens pour l'instant. Pour les acteurs industriels de l'AMR et de l'inspection, la valeur à surveiller sera la robustesse de la complétion de carte hors distribution, et la possibilité de la reproduire.

Sharpa dévoile le robot tactile D01, la main dextérique W02 et le gant haptique AE01 à l'IROS 2026

Sharpa, société spécialisée dans la manipulation dextre et fondée par trois cofondateurs de Hesai, a présenté trois produits le 28 septembre à l'IROS 2026 de Pittsburgh : D01, un robot intégré conçu pour la manipulation fine, W02, une main dextre compacte dotée d'un capteur tactile sur toute sa surface, et AE01, un gant exosquelette haptique destiné à la téléopération et à la collecte de données. D01 associe des mains Sharpa Wave, des bras à sept degrés de liberté (DOF) et une peau électronique répartie sur le corps. La presse chinoise le décrit comme un humanoïde généraliste. Le constructeur annonce un rapport charge utile/poids de bras d'environ 1:1, une vitesse d'effecteur supérieure à 10,5 m/s, une communication à 1 000 Hz, une répétabilité de 0,2 mm et des poignets sphériques à l'échelle humaine. La peau échantillonne à 100 Hz avec une résolution de 0,2 N. W02, qui succède à la W01, compte 21 DOF actifs pour moins de 750 g, soit environ 30 % de moins que la W01 selon Leiphone. Ses capteurs visuo-tactiles de bout de doigt couvrent 5 mN à 30 N avec 1 mm de résolution spatiale. La peau des doigts et de la paume couvre 0,1 à 20 N avec 5 mm de résolution. La main saisit des objets fins comme des baguettes ou des cordons, et son indice de protection est IP54. AE01 utilise 22 encodeurs pour 22 DOF, transmet le mouvement de l'opérateur au robot en temps réel et restitue 256 niveaux de retour vibrotactile par bout de doigt, avec une répétabilité de position inférieure à 1 mm et sans calibrage utilisateur. L'intérêt tient à la cohérence de l'ensemble : Sharpa couvre le corps, la main et l'outil de collecte de démonstrations humaines, or c'est cette dernière brique qui limite aujourd'hui l'entraînement des modèles VLA (vision-langage-action) pour la manipulation fine. Un gant qui résiste aux interférences électromagnétiques, lumineuses, d'humidité et de température vise à sortir la collecte de données du laboratoire, ce qui intéresse directement les intégrateurs qui veulent capturer des gestes en conditions réelles. La peau tactile sur tout le corps répond à une faiblesse connue des humanoïdes, aveugles au contact hors de leurs mains. Il faut toutefois lire ces chiffres avec prudence : il s'agit de spécifications constructeur, sans prix, sans calendrier de livraison ni tests indépendants, et les démonstrations du stand (attrape d'un bâton en chute, réaction aux touchers, préparation de boissons en téléopération via AE01, imitation de la main pour rattraper des jouets) ne disent rien de la fiabilité en cycles longs. Aucune autonomie de D01 n'a été démontrée à cette occasion, et le statut commercial des trois produits reste à confirmer. Sharpa s'appuie sur l'expérience industrielle de ses fondateurs issus de Hesai, spécialiste des lidars. Elle avait déjà présenté son robot North, qui jouait au tennis de table de manière autonome au CES 2026, et a fait tourner une routine de préparation de desserts en 55 étapes dans un magasin de Shanghai, l'un des rares indices d'un usage hors salon. Elle avance sur un terrain de la main dextre déjà occupé par MirrorMe avec la VIVA et par Unitree avec la Dex5-S, tandis que les humanoïdes généralistes de Tesla (Optimus) et de Figure misent aussi sur la dextérité. La suite dépendra de la publication de prix, de volumes et de pilotes clients. Aucun acteur français ou européen n'est cité dans cette annonce.

Raise Robotics discute du passage à l'échelle des robots de terrain à RoboBusiness

Raise Robotics, société de robotique de construction basée à San Francisco, présentera une conférence lors de RoboBusiness 2026, qui se tient les 20 et 21 octobre à Santa Clara, en Californie. Kenrick Tjandra, responsable du déploiement robotique chez Raise, interviendra le premier jour à 13h15 (heure de l'Est) sur le thème « Closing the Capability Gap: A Leadership Framework for Scaling Field Robotics ». Raise détient le record commercial américain de robots autonomes installant des enveloppes de bâtiments en façade de chantiers en cours de construction, via son Autonomous Mobile Fabricator, un système qui fonctionne soit comme véhicule autonome au sol (AGV), soit monté directement sur une nacelle élévatrice Genie. L'entreprise revendique 10 projets menés dans huit États américains, plus de 4 528 heures de fonctionnement robotique cumulées, et zéro incident de sécurité. Tjandra a formalisé cette expérience en un cadre de décision évalué par des pairs via le Project Production Institute en 2026. Il est par ailleurs titulaire d'un M.S. en génie mécanique de Carnegie Mellon, a été intervenant invité à ICRA 2026 et à Stanford, et a conçu le programme de formation des opérateurs adopté par l'International Union of Painters and Allied Trades, aujourd'hui enseigné dans plus de 100 centres aux États-Unis et au Canada. Le message central du talk dépasse le cas Raise et vise les équipes qui tentent de faire passer un robot du prototype de laboratoire à un déploiement terrain généralisé. Selon Tjandra, un robot arrivant chez un client atteint typiquement environ 80% des capacités requises, et combler les 20% restants n'est pas un problème d'ingénierie matérielle mais un arbitrage de leadership : investir dans une correction produit ou construire une discipline opérationnelle chez l'opérateur. Le cadre s'appuie sur deux échecs identifiés : le biais d'échantillonnage, où les trois premiers sites ne représentent pas les trente suivants, et l'empilement de marges, où des tolérances individuellement acceptables (camion, chariot élévateur, palan, porte, sol) se cumulent en série jusqu'à épuiser toute marge de sécurité. Pour les intégrateurs et décideurs industriels, ce cadrage rappelle que le vrai goulot d'étranglement du passage à l'échelle en robotique de terrain se situe rarement dans la fiabilité brute du matériel, mais dans l'allocation des ressources d'ingénierie et la formation des opérateurs, un signal utile face à l'hypothèse répandue que la mise à l'échelle se résout uniquement par de meilleurs capteurs ou algorithmes. Le cadre proposé comprend une taxonomie des ressources, un modèle à trois niveaux pour arbitrer entre correction produit et solution de contournement opérationnelle, ainsi qu'une méthode comparant l'enveloppe de capacité théorique du système à la variance observée sur le terrain, censée anticiper les points de rupture futurs. RoboBusiness 2026, organisé par WTWH Media, reste l'un des rendez-vous majeurs du secteur robotique commercial aux États-Unis, réunissant recherche, tendances industrielles et applications sectorielles en manufacturing, santé, agriculture et logistique. Aucun acteur français ou européen n'est mentionné dans cette annonce, centrée sur le marché nord-américain de la robotique de chantier.

Ce qui se prépare pour #IROS2026

La 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026) se tiendra du 27 septembre au 1er octobre à Pittsburgh, aux États-Unis. Le programme comprend des conférences plénières et des keynotes, des workshops, des tutoriels, des forums, des compétitions et un débat. Les keynotes se dérouleront du 28 au 30 septembre avec une quinzaine d'intervenants confirmés, dont Elena De Momi sur la chirurgie autonome, Genta Suzuki (Fujitsu) sur le système d'exploitation physique Kozuchi Physical OS pour l'IA physique à l'échelle, Al Rizzi sur les capacités robotiques développées au RAI Institute, He Wang sur un possible "moment AlphaGo/ChatGPT" de l'IA incarnée, Yekai Sun sur l'accélération de l'apprentissage via des données multimodales incarnées, Robin Murphy sur la robotique de catastrophe, David Held sur l'adaptation rapide des politiques après déploiement, et Ralph Hollis sur la lévitation de Lorentz pour la manipulation fine. Deux intervenants, Gaurav Bansal et Nancy Pollard, figurent encore avec un titre à confirmer. La conférence prévoit aussi trois panels pléniers (startups et entrepreneuriat le 28, spatial le 29, généralistes contre spécialistes en robotique le 30), trois forums de discussion ouverts (financement public américain, éducation en robotique, sous-investissement présumé dans les fondations de la discipline), ainsi que 44 workshops et tutoriels le 27 septembre et 42 supplémentaires le 1er octobre, soit 86 sessions au total. Ce programme donne une photographie assez nette des priorités actuelles du secteur académique et industriel de la robotique. La récurrence de thèmes comme l'IA physique, les modèles vision-langage-action et les données multimodales incarnées confirme que la course à des systèmes généralistes capables d'apprendre après déploiement, plutôt que des robots figés en usine, structure désormais la recherche autant que l'industrie. Le forum consacré au sous-investissement dans les fondations de la robotique, tout comme le débat plénier sur généralistes contre spécialistes, signale des tensions réelles sur la manière dont capital et effort de recherche devraient être alloués, entre paris sur des plateformes universelles et optimisation de systèmes dédiés à des tâches précises. Pour les intégrateurs et décideurs B2B, ces sessions valent moins comme annonces produit que comme baromètre des orientations que labos et grands groupes jugeront prioritaires dans les 12 à 24 mois à venir. IROS est, avec ICRA, l'une des deux conférences généralistes de référence en robotique, organisée conjointement par l'IEEE et la Robotics Society of Japan, et sert traditionnellement de vitrine à la fois académique et industrielle, avec tours techniques et compétitions en marge du programme scientifique. L'édition 2026 illustre la montée en puissance d'acteurs industriels dans la programmation scientifique, à l'image de Fujitsu ou du RAI Institute aux côtés des laboratoires universitaires habituels. Une session d'initiation à la communication scientifique est prévue le 29 septembre à 11h00 avec Sabine Hauert, Ella Scallan et Evan Ackerman d'IEEE Spectrum, signe de l'attention croissante portée à la médiatisation de la recherche robotique. Aucun acteur français ou européen n'apparaît nommément dans le programme communiqué à ce stade.

Mieux entraîner les VLA : les leçons du défi REAL-I à l'ICRA 2026

La première édition du REAL-I Challenge (Real-world Embodied AI Learning) s'est déroulée lors de la conférence ICRA 2026, en trois étapes : évaluation en simulation, tests sur robot réel, puis une finale sur site disputée sur une même plateforme humanoïde bimanuelle. L'objectif était précis : entraîner des politiques robotiques le plus efficacement possible à partir d'un budget de démonstrations fixe, et non d'un jeu de données illimité. L'article, publié sur arXiv (2609.13679v1), compare les approches de trois équipes finalistes, NUS-CLEAR, RCL-Lab et Deeptouch.ai, qui ont toutes combiné un modèle vision-langage-action (VLA) pré-entraîné à des politiques d'imitation spécifiques à la tâche, en variant la curation des données, l'adaptation par étapes, la sélection des points de contrôle et la conception de l'espace d'action. Les enseignements dépassent le cadre du concours et s'adressent directement aux intégrateurs et aux chercheurs appliqués. Les auteurs identifient trois facteurs opérationnels : la capacité à s'adapter à l'environnement de déploiement sans effacer les compétences acquises en amont, la prise en compte de la qualité des démonstrations à la bonne échelle temporelle, et la correction des erreurs sur les composants du robot momentanément inactifs. Un bras qui dérive alors qu'il n'est pas sollicité peut suffire à faire échouer une tâche entière. Point le plus significatif pour la communauté VLA : les métriques hors ligne de prédiction d'action, standard pour évaluer ces modèles, se révèlent peu fiables pour anticiper le succès réel en boucle fermée sur robot physique, ce qui nuance l'idée qu'un pré-entraînement à grande échelle suffirait à résoudre le transfert vers le monde réel. Ce travail s'inscrit dans un paysage où des modèles généralistes comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure AI servent de socles censés généraliser à de nouvelles tâches avec peu de données ; REAL-I offre un banc d'essai indépendant, sur une plateforme partagée, plutôt que des métriques auto-rapportées par les fabricants. Les auteurs appellent à traiter curation des données, adaptation, évaluation et déploiement comme un seul pipeline plutôt que comme des problèmes séparés, une orientation qui devrait structurer les prochaines éditions du challenge et les benchmarks à venir dans la communauté ICRA.

Le robot humanoïde s'attaque aux barres de singe

Le Robotic Systems Lab de l'ETH Zurich a dévoilé un robot humanoïde traversant des barres de singe: il saute pour s'accrocher à une structure clairsemée, enchaîne les prises une à une, puis atterrit sans chuter, un test de perception fine de géométries en surplomb et de contrôle agile du corps entier. Unitree a publié en open source son modèle de fondation incarné UnifoLM-WLA-1.0, revendiquant des résultats état de l'art parmi les modèles ouverts sur plusieurs benchmarks, un seul réseau coordonnant manipulation de bureau et manipulation mobile corps entier avec généralisation entre tâches et effecteurs. Le centre de recherche CRASAR est revenu sur le 11 septembre 2001, première utilisation documentée de robots en recherche et sauvetage urbains: déployés de l'après midi du 11 septembre au 2 octobre, date de panne du dernier robot disponible, ils n'ont trouvé aucun survivant mais ont localisé des restes humains et aidé à repérer des accès vers sous sols et cages d'escalier. ANYbotics a par ailleurs détaillé la certification de ses robots quadrupèdes pour opérer en atmosphères explosives, une homologation jugée jusque là impossible par des experts du secteur. L'exercice des barres de singe reste un démonstrateur de recherche, loin d'un cas d'usage industriel, mais il montre les progrès de l'intégration perception-contrôle sur des appuis discontinus, verrou encore ouvert pour la locomotion humanoïde hors laboratoire. L'ouverture complète du code d'UnifoLM-WLA-1.0 s'inscrit dans une stratégie chinoise de banalisation des modèles de fondation incarnés de type VLA, qui met la pression sur des modèles propriétaires comme Pi-0, GR00T N2 ou Helix en offrant gratuitement des capacités comparables, un signal à suivre pour tout intégrateur arbitrant entre bâtir et acheter sa pile logicielle. Le retour de CRASAR, vingt cinq ans après les faits, rappelle que la robotique de catastrophe reste bornée par des attentes réalistes, cartographier et localiser plutôt que se substituer aux secouristes, un repère utile face à l'emballement actuel autour des humanoïdes généralistes. ANYbotics illustre à l'inverse un marché B2B mature hors du battage humanoïde, où le robot à pattes prouve une valeur d'usage certifiée en environnement industriel à risque. Le Robotic Systems Lab de l'ETH Zurich, berceau du quadrupède ANYmal dont est issu le spin off suisse ANYbotics, poursuit une lignée de recherche en locomotion agile entamée il y a plus d'une décennie. Unitree se positionne en concurrent direct de Tesla avec Optimus, de Figure avec Figure 03 ou de NVIDIA avec GR00T, sur le terrain des modèles de fondation grand public. Le calendrier du secteur s'intensifie d'ici la fin de l'année, avec le Humanoids Summit à Séoul les 22 et 23 septembre 2026, IROS 2026 à Pittsburgh du 27 septembre au 1er octobre, puis CoRL 2026 à Austin du 9 au 12 novembre, où plusieurs de ces équipes présenteront leurs prochains travaux.

Video Friday : Digit redécore la maison

La sélection hebdomadaire Video Friday d'IEEE Spectrum met en avant plusieurs démonstrations robotiques début septembre 2026. Agility Robotics y montre son humanoïde Digit tractant un canapé, un exercice de force malgré le ton volontairement décalé de la vidéo. Une équipe de recherche présente ReST-RL, une architecture d'apprentissage par renforcement hiérarchique qui découple la locomotion de la stabilisation de charges non fixées, déployée sur l'humanoïde Unitree G1 avec une généralisation sim-to-real en zero-shot face à divers objets et perturbations externes. Des chercheurs du Safe AI Lab de Carnegie Mellon University dévoilent APEX, un système de navigation adaptative du corps entier pour humanoïde. À l'Université de Tokyo, l'humanoïde musculo-squelettique Musashi-W reçoit une peau articulaire à trois couches dotée de 44 capteurs de pression et d'étirement imitant la proprioception humaine. Des chercheurs de North Carolina State University ont conçu des robots souples en forme de goutte, en élastomère à cristaux liquides, activés par lumière infrarouge et capables de sauter en continu. En Chine, à Turpan, où les températures au sol dépassent 50°C l'été, le quadrupède Lynx M20S de DEEP Robotics a participé aux vendanges. Ces contenus illustrent un écart persistant entre démonstration scénarisée et autonomie réelle dans la robotique humanoïde. Les chercheurs de Carnegie Mellon le reconnaissent eux-mêmes : la plupart des mouvements spectaculaires vus en ligne sont chorégraphiés à l'avance, ce qui rend leur système APEX notable par sa capacité d'adaptation non scriptée face aux obstacles. ReST-RL s'attaque à un verrou d'ingénierie concret pour les intégrateurs logistiques, la stabilisation d'une charge non fixée pendant une locomotion bipède dynamique, et sa validation en zero-shot sur du matériel Unitree G1 constitue un signal utile pour qui envisage des humanoïdes en manutention. Une déclaration de Figure, affirmant que déployer un robot dans chaque foyer est avant tout un problème de sécurité et de coût plutôt que de données ou de calcul, va à contre-courant du discours dominant sur la mise à l'échelle des modèles VLA comme solution universelle. Le déploiement du Lynx M20S dans les vignobles de Turpan illustre, lui, un usage agricole concret des quadrupèdes au-delà des démonstrations en intérieur. Ce format hebdomadaire d'IEEE Spectrum agrège depuis plusieurs années les travaux de laboratoires académiques (Carnegie Mellon, North Carolina State, Université de Tokyo) et d'entreprises commerciales (Agility Robotics, Figure, Unitree, LimX Dynamics, DEEP Robotics, RAI Institute). La DARPA y confirme la finale de son Triage Challenge pour novembre 2026, dédié à des scénarios de sauvetage, tandis que son Lift Challenge sur les drones de levage lourd reviendra en 2028. Le calendrier sectoriel s'étoffe par ailleurs : le Humanoids Summit se tiendra à Séoul les 22 et 23 septembre 2026, IROS 2026 à Pittsburgh du 27 septembre au 1er octobre, et CoRL 2026 à Austin du 9 au 12 novembre, autant d'occasions de confronter ces résultats préliminaires à d'autres équipes. Aucun acteur français ou européen ne figure dans cette sélection, dominée par des laboratoires nord-américains et des humanoïdes chinois et américains.

Video Friday : découvrez Microduck

IEEE Spectrum a publié le 28 août 2026 son édition hebdomadaire Video Friday, consacrée notamment à Microduck, un petit robot bipède en forme de canard. Haut de 25 cm pour 780 grammes, il embarque 15 degrés de liberté, une caméra frontale, un lidar 8x8, deux centrales inertielles, des microphones, un haut-parleur, ainsi que des puces NFC, Wi-Fi et Bluetooth. Dès sa sortie de boîte, il marche, s'assoit, s'accroupit, patine, saisit des objets avec son bec articulé et se relève seul après une chute. Pilotable à la manette, via des objets tagués NFC ou par des comportements autonomes programmables, il peut aussi être réuni en groupe pour des courses ou des matchs de football entre plusieurs unités. Le logiciel est intégralement open source, et le robot est en précommande à 399 dollars, livraison annoncée avant Noël 2026. IEEE Spectrum relie, sur un ton ironique, cette sortie au rachat par NVIDIA, pour 12,9 milliards de dollars, de l'entreprise qui avait elle-même acquis la société française Pollen Robotics, sans expliciter de lien produit direct entre les deux opérations. Cette sortie illustre la montée des plateformes bipèdes low-cost et open source, dans la lignée d'Open Duck Mini, qui abaissent la barrière à l'entrée pour la recherche en locomotion et l'enseignement de la robotique, loin des coûts à cinq ou six chiffres des humanoïdes commerciaux. Pour les intégrateurs et chercheurs, un robot à moins de 400 dollars, riche en capteurs et entièrement documenté, ouvre la voie à des usages en essaim, en pédagogie ou en prototypage rapide de comportements. Le rapprochement avec le rachat de Pollen Robotics par NVIDIA, même présenté avec humour, rappelle l'intérêt stratégique croissant des acteurs du calcul et de l'IA pour la propriété intellectuelle robotique européenne. Reste que les spécifications et le prix de Microduck ne sont, à ce stade, que des promesses de précommande : le produit n'a pas encore été livré et ses performances devront être vérifiées à la réception des premières unités. Cette édition de Video Friday rassemble aussi d'autres actualités marquantes : un robot sauteur de 54 grammes surpassant les performances d'un kangourou, publié dans IEEE Transactions on Robotics, le poisson-robot modulaire ScaFi développé par l'université de New York, ou encore une pince de moins de 200 grammes pour cueillir des fraises, montée sur un humanoïde Unitree G1 par la start-up tchèque Sentio Robotix. Le numéro mentionne également Noble Machines, qui revendique le déploiement de son premier robot généraliste chez un client du classement Fortune Global 500 dix-huit mois après son lancement, et LimX Dynamics, qui déploie son humanoïde TRON 2 pour des tâches de pharmacie traditionnelle chinoise. Les prochains rendez-vous du secteur cités incluent le Humanoids Summit de Séoul (22-23 septembre 2026), IROS 2026 à Pittsburgh (27 septembre-1er octobre) et CoRL 2026 à Austin (9-12 novembre).

Video Friday : a-t-on besoin de robots humanoïdes surhumains ?

Unitree a publié une nouvelle vidéo démonstrative où l'un de ses robots humanoïdes ou quadrupèdes exécute des mouvements rapides et acrobatiques, au point que même les rédacteurs d'IEEE Spectrum peinent à identifier un cas d'usage commercial concret, plaisantant sur une hypothétique livraison de colis à haute vitesse par fenêtre du deuxième étage. La société Generalist a dévoilé GEN-1.5, un modèle fondation pour robots capable d'apprentissage "one-shot" et "few-shot" à partir d'un seul exemple de démonstration, sans mise à jour de gradient ni fine-tuning, ce que l'entreprise présente comme une première à cette échelle. L'institut italien IIT a montré BeanBot, un robot sauteur inspiré des haricots sauteurs mexicains, tandis qu'AgileX Robotics a fait défiler des robots batteurs de tambour synchronisés. Une collaboration entre le AIMS Group de la Hong Kong Polytechnic University et le DRAGON Lab de l'Université de Tokyo a produit un cadre d'optimisation de trajectoire par programmation convexe séquentielle pour multirotors omnidirectionnels, sans recours à l'apprentissage. Gravis Robotics a présenté son kit de rétrofit Gravis Rack, qui équipe des engins hydrauliques de chantier existants de caméras, de lidar et de calcul embarqué pour automatiser les cycles de terrassement. Le laboratoire EVARL a démontré un robot bimanuel grandeur nature capable de franchir quatre barres consécutives grâce à une méthode d'apprentissage par renforcement guidée par points de passage (WGRL). Kawasaki a montré une nouvelle approche du soudage robotisé en chantier naval, et Flexiv a présenté des applications agricoles. Trois rendez-vous du secteur sont annoncés : le Humanoids Summit à Séoul les 22 et 23 septembre 2026, IROS 2026 à Pittsburgh du 27 septembre au 1er octobre 2026, et CoRL 2026 à Austin du 9 au 12 novembre 2026. Cette sélection hebdomadaire illustre l'écart persistant entre démonstrations spectaculaires et utilité industrielle réelle, un point que la rédaction elle-même souligne en s'interrogeant sur l'intérêt pratique des humanoïdes domestiques incapables de gérer un simple verre tombé au sol. Les annonces de type GEN-1.5 méritent une lecture prudente : l'entreprise elle-même reconnaît ne pouvoir garantir, "à sa connaissance", l'absence de données de pré-entraînement pertinentes pour les tâches démontrées, ce qui fragilise la portée de la revendication d'apprentissage en un coup. À l'inverse, des produits comme le Gravis Rack ou les cellules de soudage Kawasaki relèvent d'une automatisation industrielle plus mature et déployable, utile aux intégrateurs cherchant à distinguer recherche exploratoire et solutions commercialisables. Video Friday est une rubrique récurrente d'IEEE Spectrum qui agrège chaque semaine des vidéos issues de laboratoires universitaires et d'entreprises du monde entier, avec un ton éditorial volontairement distancié face au marketing du secteur. Le paysage concurrentiel couvre aussi bien les modèles fondation généralistes pour la robotique, dans la lignée de Pi-0, GR00T N2 ou Helix, que des laboratoires académiques comme ceux de Hong Kong et Tokyo, et des fabricants spécialisés comme Unitree, AgileX, Kawasaki, Flexiv ou Gravis Robotics. Les prochains rendez-vous à surveiller pour le secteur restent le Humanoids Summit de Séoul, IROS et CoRL, qui serviront probablement de vitrines pour des versions plus abouties de ces technologies.

Planification de trajectoire consciente du corps par graphe de risque de franchissement pour robots à roues-pattes en terrain complexe

Des chercheurs ont publié le 18 août 2026 sur arXiv (arXiv:2608.16433v1) une méthode baptisée RB-TRG, pour Robot-Body-Aware Traversal Risk Graph, destinée à la planification de trajectoire des robots à roues et pattes (wheeled-legged) en terrain complexe. Elle s'appuie sur les Traversal Risk Graphs (TRG), une représentation compacte du terrain déjà utilisée pour la navigation globale, mais corrige une limite : les coûts natifs des TRG sont calculés sur des voisinages circulaires et des zones de terrain alignées sur les arêtes du graphe, sans tenir compte de l'empreinte orientée réelle du robot ni de ses virages. RB-TRG échantillonne un rectangle orienté représentant le corps du robot le long des arêtes du graphe et des balayages de lacet, pour mesurer la variation longitudinale d'appui, l'inclinaison latérale, les interférences corps-terrain et l'exposition aux zones cartographiées peu fiables. Ces mesures alimentent un coût de transition optimisé par un algorithme A* sur des paires de nœuds ordonnées. Testée sur quatre environnements de terrain scannés et en simulation MuJoCo en boucle fermée, la méthode réduit les trois métriques géométriques de placement du corps et fait passer le taux de réussite de bout en bout de 51,5% à 68,5%, pour un allongement moyen du chemin de seulement 2,3%. Un déploiement sur un robot Go2-W avec pile de navigation LiDAR complète a valu à l'équipe les prix Best Autonomy et Best Mobility aux Legged Robot Challenges de l'IEEE ICRA 2026. Le code est publié sur GitHub sous ZhiqiaoGuo/RB-TRG. Le résultat comble un angle mort connu des planificateurs de navigation terrain-aware : ignorer l'orientation réelle du châssis pendant les virages peut conduire à sous-estimer le risque de perte d'appui partielle, un problème critique pour les intégrateurs déployant des plateformes hybrides roues-pattes en environnement extérieur ou industriel accidenté. Le gain de 17 points de taux de réussite pour un surcoût de trajectoire marginal (2,3%) est significatif car il ne sacrifie pas l'efficacité du chemin pour la sécurité, un compromis souvent difficile à tenir. La validation par une compétition robotique arbitrée (ICRA 2026) plutôt que par de simples métriques internes renforce la crédibilité du résultat face au risque habituel de démonstrations sélectionnées. RB-TRG s'inscrit dans la lignée des travaux sur les TRG pour la navigation globale, qu'il étend sans modifier l'interface de planification existante, facilitant son adoption par des systèmes déjà construits autour de ce formalisme. Le choix du Go2-W, plateforme à roues et pattes d'Unitree couramment utilisée en recherche, en fait un banc d'essai représentatif du segment en forte croissance. La publication du code ouvre la voie à une intégration directe dans d'autres piles de navigation LiDAR pour robots hybrides.

PACE : augmentation physique pour un apprentissage par renforcement coordonné de bout en bout, vers un tennis de table humanoïde polyvalent

Des chercheurs du TRACE Lab de l'université Purdue ont publié PACE, un système d'apprentissage par renforcement qui traduit directement les positions de balle observées en commandes articulaires pour tout le corps, bras et jambes, au tennis de table humanoïde. Un prédicteur léger anticipe la trajectoire future de la balle, tandis qu'un second prédicteur physique fournit, à l'entraînement, des récompenses denses guidant l'exploration. En simulation, sur une plage variée de services, la politique atteint un taux de frappe réussie supérieur ou égal à 96% et un taux de succès supérieur ou égal à 92%. Déployé en zero-shot sur un robot Booster T1 à 23 articulations rotatives, le système produit un jeu de jambes coordonné avec des retours rapides et précis; le code est publié en open source en vue d'ICRA 2026. Ce résultat s'attaque à l'un des écarts les plus tenaces de la robotique humanoïde, celui entre démonstration et réalité: le tennis de table exige perception rapide, locomotion proactive et coordination bras-jambes sous contrainte de timing serré, un registre longtemps hors de portée du contrôle bout-en-bout. Le transfert zero-shot, fonctionnel sans réentraînement spécifique, apporte une preuve concrète que l'approche sim-to-real peut tenir sur des tâches dynamiques rapides, pas seulement sur de la marche ou de la manipulation lente. Pour les équipes de recherche, cela valide l'usage de prédicteurs physiques comme mécanisme de récompense à l'entraînement, une piste transférable à d'autres sports de raquette ou tâches exigeant réactivité et coordination corps entier. Ce travail s'inscrit dans une vague plus large de recherche sur les humanoïdes sportifs, alimentée par des démonstrations de course ou de manipulation dynamique chez Boston Dynamics, Unitree ou Figure, mais rarement documentée avec un tel niveau de détail méthodologique et de code ouvert. Le choix du Booster T1, plateforme chinoise de Booster Robotics, confirme sa place croissante dans la recherche académique en RL humanoïde, aux côtés des Unitree G1 et H1 plus répandus dans les laboratoires occidentaux. Les prochaines étapes attendues, en vue d'ICRA 2026, incluent des échanges plus longs et compétitifs, au-delà du simple retour de service, et des tests face à des adversaires humains réels.

Vendredi vidéo : un robot humanoïde italien prend vie

Le rendez-vous hebdomadaire Video Friday d'IEEE Spectrum met en avant plusieurs annonces robotiques de la semaine. La startup italienne Generative Bionics dévoile GENE.01, un humanoïde développé en seulement six mois, capable de marcher, percevoir son environnement et interagir grâce à une peau multimodale intégrale détectant le toucher, la proximité, la force et la température. De son côté, Generalist présente GEN-1, un modèle fondationnel pour la robotique conçu pour piloter une large variété d'effecteurs terminaux, des mains à cinq doigts aux outils spécialisés, avec l'ambition de transférer un "sens physique universel" vers de nouvelles configurations de préhension. Un laboratoire de l'AIR Lab a par ailleurs validé en vol une aile volante pliable fabriquée en carton ondulé, assemblée en moins de 15 minutes à partir de trois plaques découpées au laser. Flexion, en partenariat avec Niantic Spatial et NVIDIA, a développé un pipeline permettant de scanner un site de déploiement réel avec du matériel grand public, de le reconstruire en Gaussian splatting photoréaliste, puis d'entraîner des politiques par apprentissage par renforcement massivement parallélisé, transférées ensuite sans réentraînement (zero-shot) sur le robot physique. LimX Dynamics, PNDbotics et EngineAI ont également publié des démonstrations de leurs plateformes humanoïdes, tandis que Wing a communiqué sur son service de livraison par drone pour le South West London Pathology, opérationnel depuis février 2026, acheminant des échantillons médicaux urgents pour le NHS jusqu'à 85 % plus vite que le transport routier. Cette accumulation d'annonces illustre une dynamique importante pour le secteur : la course aux humanoïdes ne se limite plus aux acteurs américains et chinois établis, avec l'émergence rapide d'équipes comme Generative Bionics capables de livrer une plateforme fonctionnelle en six mois. Le pari de Generalist sur un modèle vision-langage-action (VLA) générique, capable de généraliser à travers différents effecteurs, s'inscrit dans le débat central du secteur sur la capacité réelle des modèles fondationnels à passer à l'échelle au-delà des démonstrations contrôlées. La combinaison Gaussian splatting et RL massivement parallèle proposée par Flexion répond directement au problème du sim-to-real, en réduisant le coût de création d'environnements d'entraînement réalistes à partir de sites réels. Ces avancées restent toutefois à nuancer : plusieurs vidéos de la semaine, notamment celle d'un robot manipulant des cônes de glace pour la société Sharpa, sont explicitement présentées comme des productions conceptuelles ne représentant pas le fonctionnement réel en magasin, un rappel que la frontière entre démonstration marketing et déploiement opérationnel reste souvent floue dans la communication du secteur. Ces développements s'inscrivent dans la trajectoire plus large de maturation de la robotique physique amorcée ces dernières années, portée par les progrès des modèles de fondation robotiques (à l'image de Pi-0 ou GR00T) et par la baisse du coût des capteurs et systèmes de perception. Le déploiement du service de drones de Wing pour le NHS marque une étape concrète de passage à l'usage réel dans le secteur médical, au-delà des humanoïdes. Les prochaines échéances du calendrier robotique, dont le Summer School on Multi-Robot Systems fin juillet à Prague, la conférence Actuate en août à San Francisco et IROS 2026 fin septembre à Pittsburgh, devraient permettre de mesurer si ces annonces se traduisent par des déploiements pilotes documentés ou restent au stade de démonstrations vidéo.

Video Friday : une Coupe du Monde pour robots

Pour la première fois, deux équipes complètes de robots humanoïdes se sont affrontées dans un match de football à 11 contre 11 sur du matériel réel, lors de RoboCup 2026 à Incheon, en Corée du Sud, une avancée que les organisateurs présentent comme une étape vers un objectif à long terme de la robotique : battre une équipe humaine championne du monde d'ici 2050. Toujours à Incheon, l'équipe néerlandaise Tech United a affronté IRIS en ligue « mid-size ». Dans un autre registre, des ingénieurs du MIT et de l'EPFL à Lausanne ont présenté un robot capable de nager sous l'eau puis de jaillir hors de l'eau pour poursuivre son vol, en s'inspirant de la mécanique des oiseaux plongeurs, dans l'optique de développer une nouvelle classe de drones aériens-aquatiques. La startup 1X a dévolié pour sa plateforme humanoïde NEO une main à 25 degrés de liberté entièrement actionnés, à commande par tendons, dotée d'un retour tactile riche et présentée comme apte à la manipulation fine et à l'usage d'outils de précision, une annonce à prendre avec prudence tant qu'aucune démonstration indépendante n'a été montrée. Boston Dynamics a fait intervenir son robot Atlas devant 80 000 spectateurs au stade NYNJ, lors du match Brésil-Norvège, pour livrer le ballon du coup d'envoi de la seconde mi-temps. Agility Robotics a de son côté mis en scène Digit à la tenue d'un barbecue pour la fête nationale américaine, argument marketing autour du contrôle de force précis de son bras. Enfin, le laboratoire Generalist a annoncé GEN-1, un modèle d'apprentissage robotique affichant un taux de réussite moyen de 99 % contre 64 % pour les modèles précédents sur des tâches physiques simples, une exécution dite trois fois plus rapide, et un entraînement ne nécessitant qu'une heure de données robotiques par tâche. Ces annonces illustrent la bascule en cours dans le secteur, où le spectacle événementiel (Atlas au coup d'envoi, Digit au grill) coexiste avec des progrès techniques plus substantiels sur la manipulation fine et l'apprentissage généraliste. Le chiffre avancé par Generalist, s'il se confirme sur des tâches diversifiées et hors laboratoire, toucherait directement la question du sim-to-real et de la donnée nécessaire au déploiement commercial des VLA, un point de friction majeur pour les intégrateurs industriels. La main à 25 DoF de 1X s'inscrit dans la course à la dextérité, condition jugée indispensable pour sortir les humanoïdes des tâches de manutention basique vers des usages en logistique fine ou en assemblage. Cette semaine s'inscrit dans une accélération plus large du secteur en 2026, entre compétitions sportives comme vitrines technologiques (RoboCup, dont l'ambition affichée reste un horizon 2050) et rivalité entre acteurs américains (Boston Dynamics, Agility, 1X, Figure, Generalist) sur le terrain de l'humanoïde généraliste. Aucun acteur français ou européen n'apparaît dans cette sélection, un signe de la concentration actuelle de l'innovation humanoïde aux États-Unis et en Asie. Les prochains rendez-vous à suivre incluent IROS 2026 à Pittsburgh fin septembre et le Humanoids Summit de Séoul, où ces annonces devraient être confrontées à des démonstrations en conditions réelles.

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

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

Le talon d'Achille de la vision spatiale de l'IA incarnée enfin résolu : la percée de CMG Lab à IROS 2026

Une équipe de recherche du LionRock AI Lab, rattaché à l'Institut de recherche en technologies avancées de China Merchants Group, publie à IROS 2026 une étude qui documente une fragilité critique des modèles Vision-Language-Action (VLA) : un déplacement de caméra de quelques millimètres seulement peut faire chuter de moitié le taux de réussite d'une tâche. Les chercheurs identifient trois formes d'apprentissage par raccourci. Le "Camera-Base Coupling" survient quand le modèle mémorise la position des objets par rapport à des coordonnées de caméra fixes plutôt que d'apprendre de vraies relations spatiales ; un changement de position de caméra fait chuter le taux de succès de 85% à 43% dans leurs tests. Le "Camera-Object Coupling" désigne une dépendance à des angles de vue spécifiques, le modèle traitant un même objet vu sous un angle différent comme une entité distincte. Le "Object-Position Coupling", le plus insidieux, apparaît même avec des données multi-vues si les relations entre objets restent fixes pendant la collecte : sur une tâche "saisir un stylo et le placer dans son support", le modèle atteint 95% de réussite tant que le support reste à sa position d'entraînement, mais chute à 72% dès que celui-ci est déplacé d'un seul diamètre, preuve que le modèle avait appris une coordonnée précise plutôt que le concept de "placer dans le support". Leur réponse, baptisée Hybrid Dynamic Data Collection (HDDC), introduit une variation contrôlée pendant la collecte de données en déplaçant dynamiquement caméra et objets, pour forcer l'apprentissage de relations spatiales réelles. Cette découverte pointe un obstacle central au déploiement de l'IA incarnée en conditions réelles : les benchmarks VLA actuels affichent des taux de succès supérieurs à 90% en conditions fixes, un chiffre qui ne dit rien de la robustesse face aux variations de position de caméra, d'éclairage ou d'agencement d'objets rencontrées hors laboratoire. En rendant explicite ce fossé entre démonstration et réalité opérationnelle, l'étude invite les intégrateurs et décideurs B2B à relativiser les métriques de succès communiquées par les fournisseurs de robots humanoïdes et de bras manipulateurs, et à exiger des tests en conditions variables avant tout déploiement industriel. L'atout de HDDC est d'être agnostique au modèle : la méthode a été validée sur plusieurs architectures VLA majeures avec une efficacité constante, ce qui en fait un correctif potentiellement générique plutôt qu'un patch propre à un seul système. Le diagnostic du LionRock AI Lab rejoint des constats similaires obtenus par des équipes de recherche conjointes Stanford-Google et Tongji-Fudan, ce qui suggère qu'il s'agit d'un problème systémique affectant l'ensemble du champ des modèles VLA, et non d'une faiblesse isolée à une architecture ou un laboratoire donné. L'article, intitulé "Hybrid Dynamic Data Collection: Breaking VLA Shortcut Learning for Spatial Generalization", ainsi que le code et les ressources associées, sont publiés en accès libre sur arXiv et GitHub, permettant à la communauté robotique de reproduire les tests de fragilité spatiale et d'évaluer HDDC sur leurs propres modèles avant l'intégration en environnement industriel.

Reflets de l'ICRA 2026

Vienne a accueilli du 1er au 5 juin 2026 la conférence IEEE ICRA (International Conference on Robotics & Automation), rassemblant chercheurs et industriels au Messe Wien, également connu sous le nom de VIECON. L'événement s'est ouvert par la deuxième édition du workshop WOROBET (Workshop on Robot Ethics: Ethical, Legal and User Perspectives in Robotics & Automation), consacré aux implications éthiques de l'interaction homme-robot. Yasuhisa Hirata, professeur à l'université de Tohoku, y a présenté sa vision des robots d'assistance physique comme les exosquelettes détachables ou les fauteuils roulants à pédalage, soulignant leur effet sur le sentiment d'efficacité personnelle des utilisateurs. Minoru Asada, de l'université d'Osaka, a proposé une piste plus radicale : doter les robots de signaux de douleur pour qu'ils perçoivent le monde comme les humains. Alan Winfield, professeur d'éthique robotique à UWE Bristol, a défendu une approche opposée, centrée sur le robot comme simple outil, et a détaillé un cadre d'investigation des accidents impliquant des robots sociaux, inspiré des méthodes de l'aviation. Praminda Caleb-Solly, de l'université de Nottingham, a clos la journée par un exercice de red-teaming autour d'un robot d'assistance destiné à un enseignant en convalescence d'AVC à domicile. Sur le salon d'exposition, les robots humanoïdes de taille enfant de Booster Robotics animaient l'entrée du hall en jouant au football, en dansant ou en démontrant des mouvements de kung-fu. Ces débats dépassent le cadre académique : ils posent la question de savoir si l'intelligence robotique nécessite une forme de moralité incarnée, ou si elle doit rester cantonnée à des outils encadrés par la gouvernance humaine. Winfield a notamment averti qu'intégrer une éthique programmée dans les robots risque de déresponsabiliser moralement les ingénieurs, tout en restant vulnérable au piratage malveillant. Pour les décideurs et intégrateurs, le message est clair : la robotique sociale, en particulier dans le soin à domicile, va se heurter à des choix de conception qui touchent directement à l'autonomie des utilisateurs, un enjeu appelé à devenir central à mesure que ces robots se déploient dans le quotidien. Ce workshop, à sa deuxième édition, illustre une prise de conscience croissante au sein de la communauté ICRA que les questions de gouvernance et de responsabilité doivent avancer au même rythme que les capacités techniques. La confrontation entre la vision japonaise, portée par Hirata et Asada, et l'approche britannique de Winfield, reflète des différences culturelles plus larges entre Est et Ouest sur le statut des machines. À mesure que les besoins en robotique de soin s'intensifient avec le vieillissement démographique, ces cadres éthiques et légaux, encore balbutiants, devront rapidement se structurer pour accompagner les déploiements à venir.

Vidéo du vendredi : donnez un coup de main aux robots

La sélection vidéo hebdomadaire d'IEEE Spectrum du 28 juin 2026 regroupe une douzaine de démonstrations robotiques. Agility Robotics y présente son humanoïde Digit naviguant autour d'obstacles au sol : le robot détecte un objet en mouvement, recalcule le placement de chaque pied et maintient sa progression sans perdre l'équilibre, reproduisant les conditions réelles d'un entrepôt. Unitree commercialise son R1 à 4 900 dollars américains, niveau de prix jugé impressionnant pour ses capacités, mais dont le retour sur investissement concret reste à démontrer. Tangent Robotics dévoile une main robotique désincarnée capable de ramper sur une table, tandis que le MIT CSAIL présente "SoftMimic", une approche développée par Pulkit Agrawal, directeur de l'Improbable AI Lab, pour sécuriser les interactions robot-humain. DEEP Robotics montre un robot de lutte contre l'incendie aux comportements particulièrement offensifs. Le DARPA Lift Challenge sera ouvert au public du 6 au 9 août 2026 au National Museum of the US Air Force à Dayton, Ohio. La démonstration de Digit est notable car elle illustre une navigation réactive hors laboratoire : planifier dynamiquement le placement des pas sans interrompre le déplacement est l'un des défis bipèdes les plus difficiles à résoudre en conditions réelles, et la distance entre une démo filmée en couloir stérile et un robot opérationnel sur un vrai sol d'entrepôt reste souvent sous-estimée. Sur le front tarifaire, le R1 à 4 900 dollars abaisse le seuil d'accès à la robotique humanoïde, mais l'absence de cas d'usage validé et de software stack éprouvé laisse ouverte la question du ROI pour les intégrateurs. L'approche SoftMimic répond quant à elle à un besoin identifié par les industriels : les cellules collaboratives exigent des comportements sécurisés au contact humain, pas seulement des cages de sécurité périphériques. Agility Robotics, soutenu par Amazon depuis 2023, est l'un des rares humanoïdes à avoir atteint un déploiement industriel réel, aux côtés du Stretch de Boston Dynamics. Unitree, fabricant chinois connu pour ses quadrupèdes (Go1, Go2, B2) avant de pivoter vers les humanoïdes (H1, G1), applique au R1 la même stratégie de prix agressif qui lui a permis de dominer le marché low-cost des robots à pattes. Rodney Brooks, co-fondateur d'iRobot et inventeur du Roomba, aujourd'hui CTO de Robust.AI, revient dans une interview Forbes sur l'histoire de l'aspirateur autonome et les perspectives de la robotique collaborative industrielle. Harvard SEAS explore par ailleurs l'utilisation de robots guidés par IA pour décoder le comportement et potentiellement le langage des baleines, projet atypique illustrant l'extension du machine learning vers la biologie comportementale. Côté agenda sectoriel, les prochaines échéances incluent RSS 2026 (13-17 juillet, Sydney), Actuate 2026 (18-19 août, San Francisco) et IROS 2026 (27 septembre-1er octobre, Pittsburgh).

Apprentissage du pliage : solution primée au LeHome Challenge 2026 (1re en ligne, 2e hors ligne)

À l'occasion du LeHome Challenge 2026, compétition organisée dans le cadre de la conférence ICRA 2026 et dédiée au pliage bimanuel de vêtements, une solution individuelle a terminé première sur 62 équipes lors de la phase en ligne (simulation) et deuxième lors de la finale en conditions réelles. L'approche repose sur une politique vision-langage-action (VLA) améliorée par une boucle d'apprentissage par renforcement. L'originalité principale : le même réseau de neurones sert à la fois de politique d'action et de fonction de valeur, prédisant simultanément les actions à effectuer, la probabilité de succès, la progression de la tâche et quelques quantités futures pertinentes. Ces prédictions alimentent directement l'estimation de l'avantage (advantage estimation), la détection de défaillances en temps réel et la sélection de candidats lors de l'inférence. La manipulation de textiles déformables reste l'un des problèmes les plus difficiles de la robotique de manipulation, et ce résultat illustre qu'une politique VLA peut être affinée efficacement par renforcement pour des tâches structurées complexes. L'architecture unifiée, dans laquelle une seule tête prédit à la fois l'action et la valeur, réduit le coût d'inférence tout en fournissant un signal intrinsèque pour la détection de pannes, sans nécessiter de module de supervision séparé. L'écart entre la première place en simulation et la deuxième place réelle confirme que le sim-to-real demeure un défi opérationnel non résolu, même avec un pipeline d'alignement caméra dédié et de l'augmentation de données intensive. Le pipeline technique combine plusieurs briques existantes : AWR (Advantage Weighted Regression) et RECAP assemblés pour un VLA à flow-matching, un entraînement distribué asynchrone via HuggingFace Hub, une optimisation des hyperparamètres à l'inférence par Thompson sampling, et une collecte de données humain-dans-la-boucle (HIL) de type DAgger pour le transfert sim-to-real. Le travail se positionne explicitement comme une recette d'ingénierie réutilisable plutôt que comme une avancée algorithmique fondamentale, une distinction rare et honnête dans les publications de compétition. Dans un secteur où les systèmes VLA comme Pi-0 (Physical Intelligence), OpenVLA ou GR00T N2 (NVIDIA) s'imposent pour la manipulation dextre, cette contribution apporte un exemple concret de fine-tuning par renforcement sur des objets déformables, une classe de problèmes encore peu couverte par les benchmarks standards de manipulation.

Vendredi vidéo : les robots ont-ils vraiment besoin de jambes ?

Dans la compilation robotique hebdomadaire publiée le 13 juin 2026 par IEEE Spectrum, plusieurs démonstrations se distinguent par leur portée industrielle. Sanctuary AI annonce les résultats les plus précis : l'entreprise canadienne revendique un taux de réussite validé de 99,5 % sur une tâche d'insertion de connecteurs filaires en production réelle, avec un temps de cycle de 2,54 secondes, chez un équipementier automobile mondial de rang 1 non nommé. ANYbotics, fabricant suisse de robots quadrupèdes, documente de son côté un déploiement de l'ANYmal dans une cimenterie : une fissure sur le châssis d'un concasseur a été détectée avant qu'elle ne provoque un arrêt de production estimé à 630 000 dollars. Sur le front spatial, JPL-NASA teste ERNEST (Exploration Rover for Navigating Extreme Sloped Terrain) dans le désert du Colorado près de Plaster City (Californie) pour valider un logiciel de navigation autonome longue portée destiné à de futures missions lunaires et martiennes. Genesis présente Eno, décrit comme un "robot agentique" combinant IA et manipulation physique dans un châssis délibérément non humanoïde, construit intégralement par la startup. ABB Robotics annonce une collaboration avec PSYONIC pour intégrer les données tactiles de la prothèse Ability Hand dans son cobot GoFa, afin d'améliorer la préhension d'objets irréguliers ou fragiles. Le résultat de Sanctuary AI sur l'insertion de connecteurs est notable : cette tâche à haute précision, avec contraintes d'orientation et de force, constitue précisément le type d'opération qui résiste à l'automatisation standard et bloque la robotisation de nombreuses lignes d'assemblage automobile. Un taux de 99,5 % avec un cycle inférieur à 3 secondes correspond aux benchmarks exigés en production série, et non en conditions laboratoire. À noter toutefois que la démonstration vidéo reste sélective et qu'aucun chiffre de volume cumulé ni de durée de déploiement n'est communiqué. Le cas ANYbotics illustre la valeur économique directe de l'inspection robotique autonome : la détection préventive d'un défaut mécanique justifie à elle seule plusieurs années de leasing d'un quadrupède. La collaboration ABB-PSYONIC soulève une question plus structurelle : le fait de récupérer des données de préhension humaine via des prothèses portées au quotidien pour entraîner des robots industriels représente une approche originale du sim-to-real qui contourne partiellement la rareté des datasets de manipulation. Sanctuary AI, fondé à Vancouver en 2018, développe Phoenix, un humanoïde à vocation industrielle, mais cette démonstration implique son architecture "Physical AI" sur une plateforme non spécifiée. Genesis est un acteur récent qui positionne explicitement Eno comme un rejet du paradigme anthropomorphe dominant chez Figure, Tesla (Optimus) ou Agility Robotics, pariant sur la performance fonctionnelle plutôt que sur la ressemblance humaine. ANYbotics, spin-off de l'ETH Zurich, concurrence Boston Dynamics Spot et Exodigo sur le marché de l'inspection industrielle. Du côté spatial, GITAI (startup japonaise) prépare une mission de maintenance de satellite en orbite. Les prochaines conférences du secteur incluent RSS 2026 (Sydney, juillet), Actuate 2026 (San Francisco, août) et IROS 2026 (Pittsburgh, octobre), où plusieurs de ces travaux devraient être détaillés.

Estimation d'état proprioceptive invariante pour robots humanoïdes sur sol non inertiel

Des chercheurs proposent sur arXiv (2606.19512) un filtre de Kalman étendu invariant (InEKF) pour estimer en temps réel l'état d'un robot humanoïde se déplaçant sur un sol en mouvement, sans aucun capteur externe. L'approche exploite uniquement les IMU montées aux pieds et la cinématique du robot pour estimer la position et la vitesse de la base dans le référentiel d'un sol non-inertiel, qu'il tangue, oscille ou pivote. Testée sur le robot Digit d'Agility Robotics en station debout avec tangage et oscillation latérale, puis en marche sur un sol en rotation uni-axiale, la méthode affiche une accélération de 96 % du taux de convergence et une réduction de 80 % des erreurs de position face aux InEKF classiques. En déplacement, l'erreur moyenne reste inférieure à 9 cm pour une erreur initiale pouvant atteindre 1 mètre. L'intérêt est immédiat pour tout déploiement hors sol fixe : bateaux, véhicules logistiques, quais portuaires, plateformes vibrantes d'usine. Reposer entièrement sur la proprioception embarquée supprime la dépendance aux systèmes de localisation externe (LIDAR, caméras, motion capture) souvent absents ou peu fiables dans ces contextes. L'analyse formelle d'observabilité démontre les conditions sous lesquelles position et vitesse relatives demeurent estimables malgré l'accélération du sol, ce qui dépasse le simple résultat empirique. Les expériences ont été conduites en conditions physiques réelles plutôt qu'en simulation seule, ce qui renforce la validité des métriques, même si les scénarios restent relativement contrôlés (mono-axial, uni-directionnel). Digit est développé par Agility Robotics, spin-off de l'Oregon State University rachetée par Amazon, qui déploie l'humanoïde dans des entrepôts logistiques. La méthode InEKF pour humanoïdes s'inscrit dans un corpus académique centré sur les groupes de Lie appliqués à l'estimation en robotique de terrain. Dans la course commerciale, Tesla (Optimus), Figure (Figure 03), Boston Dynamics (Atlas) et Unitree (H1, G1) investissent massivement dans la locomotion en milieux variés, mais le sol non-inertiel demeure un angle mort des pipelines de contrôle actuels. Ce preprint est vraisemblablement soumis à IROS 2026 ou ICRA 2027 et ne représente pas encore une capacité déployée en production.

Rapport technique pour le challenge ICRA 2026 GOOSE de segmentation sémantique 2D : utilisation de DINOv3 pour la compréhension robuste des scènes extérieures en robotique de terrain

Une équipe de chercheurs a remporté la première place du GOOSE 2D Fine-Grained Semantic Segmentation Challenge, organisé dans le cadre du Workshop on Field Robotics de la conférence ICRA 2026. Ce défi porte sur la segmentation sémantique dense d'images hors-route selon une taxonomie fine de 64 classes et 11 catégories coarses évaluées. La solution gagnante repose sur deux apports complémentaires : une architecture combinant un backbone DINOv3 ViT-L/16 (auto-supervisé, patch 16x16), un ViT-Adapter, et un décodeur Mask2Former à classification par masques, complétés par une loss auxiliaire sur le token global [CLS] pour la supervision à grain coarse. À l'inférence, les auteurs appliquent une stratégie d'agrégation multi-échelle avec flip horizontal (test-time augmentation) et un ensemble des trois meilleurs checkpoints sélectionnés via les scores Codabench. Le score composite officiel atteint 76,57 %, décomposé en 69,32 % de mIoU fine-classe et 83,81 % de mIoU catégorie, plaçant cette méthode en tête du leaderboard final. Ce résultat est notable pour la robotique de terrain car la segmentation hors-route à grain fin reste un verrou opérationnel majeur : les environnements non structurés (boue, végétation dense, rochers, herbe haute) produisent une variance visuelle que les modèles entraînés sur données urbaines gèrent mal. La combinaison DINOv3 + ViT-Adapter démontre ici que les représentations auto-supervisées issues de grandes masses de données génériques transfèrent efficacement vers des taxonomies spécialisées outdoor avec 64 classes, sans nécessiter de préentraînement spécifique au domaine. Pour les intégrateurs de robots agricoles, militaires ou de search-and-rescue, cela valide une voie d'architecture réplicable avec des backbones publics, sans dépendance à des datasets propriétaires. Le dataset GOOSE (German Outdoor and Open-Source) a été développé pour combler le manque de benchmarks off-road à haute granularité, là où les jeux de données comme Cityscapes ou ADE20K restent centrés sur la ville. ICRA 2026, tenu en mai à Atlanta, concentre cette année plusieurs challenges dédiés au terrain non structuré, signalant une montée en maturité du sous-domaine face à l'essor des robots d'inspection, de déminage et d'agriculture autonome. Les concurrents directs de cette approche incluent des solutions basées sur des backbones InternImage ou SegFormer, mais la combinaison DINOv3 + supervision auxiliaire coarse semble offrir un gain de robustesse mesurable sur les classes rares. Les auteurs n'annoncent pas de déploiement terrain immédiat, mais le rapport technique soumis à ICRA 2026 constitue une base de référence pour les équipes travaillant sur la perception outdoor en conditions réelles.

Au-delà de la dextérité : pourquoi le contact pourrait définir la prochaine ère de la robotique

Lors de l'IEEE International Conference on Robotics and Automation (ICRA 2026) à Vienne, la démonstration ayant le plus mobilisé les visiteurs n'était pas un bras industriel ni un humanoïde en équilibre : c'était une paire de mains robotiques en train de fabriquer un animal en ballon. La société AGILINK y a présenté son système bimain OmniHand 3 Ultra-M réalisant une torsion séquentielle de ballon long format, sans le faire éclater, en gérant en temps réel la déformation de l'objet, la pression interne et la friction de contact. Ce type de tâche, qualifié de "long-horizon contact-rich manipulation", constitue un benchmark reconnu dans la communauté : la légèreté et la déformabilité d'un ballon rendent toute régulation de force particulièrement délicate, et chaque torsion modifie la géométrie et les propriétés mécaniques de l'objet, imposant une adaptation continue du contrôle. Pour entraîner le système, AGILINK a capturé des démonstrations d'artistes professionnels en sculpture sur ballon, les a transposées en politiques de manipulation sur ses mains robotiques, puis a enrichi l'apprentissage par renforcement non seulement avec les séquences réussies, mais aussi avec les interventions correctrices d'opérateurs humains enregistrées chaque fois que l'exécution dérivait vers l'échec. Ce résultat illustre un glissement de paradigme dans la manipulation robotique : après des années centrées sur la dextérité au sens cinématique (nombre de degrés de liberté, précision de positionnement), le vrai verrou se situerait désormais dans la gestion du contact lui-même. La capacité à maintenir une interaction stable avec un objet dont les propriétés évoluent en continu, ce qu'AGILINK désigne par "contact intelligence", reste hors de portée de la plupart des systèmes commerciaux actuels. Pour les intégrateurs industriels et les équipes R&D en manipulation, ce démo signale que les progrès en sensing visuotactile et en politiques d'apprentissage par imitation commencent à produire des résultats reproductibles sur des tâches à la limite du geste humain. La prudence s'impose toutefois : ICRA 2026 est un cadre contrôlé, et les vidéos présentées sélectionnent les exécutions réussies sans données publiées sur le taux de succès systématique ni sur les conditions de répétabilité en dehors du laboratoire. AGILINK, spécialisée dans la manipulation dextre, développe depuis plusieurs années la plateforme OmniHand en combinant sensing visuotactile, contrôle en force et politique bimanuelle. Son positionnement la place en concurrence directe avec Shadow Robot au Royaume-Uni, Dexterous Robotics, et les divisions R&D en main robotique d'ABB et FANUC, ainsi qu'avec des groupes académiques de Stanford et du MIT travaillant sur des architectures similaires. À noter que l'article source est un contenu sponsorisé par AGILINK publié dans le cadre de la couverture ICRA 2026, ce qui en limite l'indépendance éditoriale. Les prochaines étapes annoncées portent sur des extensions vers des tâches industrielles à contact riche, sans qu'un calendrier de déploiement commercial ni des volumes de production aient été précisés.

TARS présente son IA incarnée à la conférence de robotique ICRA 2026

L'article source est très tronqué (il s'arrête à "[…]" après la démo sign-language), ce qui limite fortement la précision possible sur les métriques techniques. Voici ce que l'on peut écrire de factuel : --- La startup TARS a effectué les débuts internationaux de sa plateforme DexHand lors de l'ICRA 2026, la conférence annuelle de l'IEEE sur la robotique, tenue début juin 2026. Le Dr Ding, co-fondateur et directeur scientifique de l'entreprise, y a prononcé le discours d'ouverture en séance plénière. La démonstration publique de la DexHand a consisté à reproduire les 26 gestes de l'alphabet américain en langue des signes, une séquence qui a attiré l'attention de chercheurs et d'industriels présents sur le salon. La maîtrise de la manipulation dextre reste l'un des verrous les plus structurants de la robotique humanoïde et collaborative : reproduire fidèlement la gamme de gestes de la main humaine en temps réel constitue un indicateur crédible de maturité mécanique et de contrôle. Une présence en keynote plénière à l'ICRA, forum de référence académique et industriel, signale que TARS cherche à positionner sa DexHand comme plateforme de recherche autant que produit commercial, un positionnement qui peut accélérer l'adoption dans les labos et chez les intégrateurs. TARS opère dans un segment très disputé dominé par Shadow Robot (UK, racheté par Sanctuary AI), Inspire Robots (Chine), et les mains d'Agility ou de Figure embarquées dans leurs humanoïdes. Sans métriques publiées sur le nombre de degrés de liberté, le payload ou la latence de contrôle, il est prématuré de situer la DexHand dans ce classement. La suite de l'article source étant indisponible, les détails de déploiement et la roadmap commerciale restent à confirmer.

Daimon Robotics et Galbot lancent RobOmni pour évaluer la perception tactile et la manipulation dextérique

Daimon Robotics, entreprise de Hong Kong spécialisée dans la perception tactile et la manipulation dextre, a présenté RobOmni lors de l'ICRA 2026, en partenariat avec Galbot. Il s'agit du premier benchmark d'évaluation omni-modal intégrant la perception tactile pour les interactions physiques en robotique. La plateforme, construite sur NVIDIA Isaac Sim, standardise l'évaluation de tâches de manipulation au contact : saisie d'objets, insertion de précision, assemblage de composants et placement. RobOmni capture simultanément plusieurs flux de données, capteurs tactiles haute résolution au bout des doigts, vision RGB montée au poignet, état de la pince, trajectoires TCP et observations de caméras externes, pour évaluer les systèmes robotiques selon cinq dimensions : taux de succès, efficacité de manipulation, capacité de manipulation dextre, événements d'échec (glissement, coinçage, collision, nouvelle tentative) et robustesse de généralisation. Ce lancement répond à un manque structurel dans l'industrie : l'absence de cadre standardisé pour mesurer l'apport réel du sens tactile par rapport à la perception purement visuelle. Sans benchmark unifié, il est impossible de comparer les systèmes, de quantifier les progrès ou d'identifier quelles données tactiles améliorent concrètement les tâches réelles. Pour les intégrateurs industriels et les décideurs B2B qui évaluent des bras manipulateurs pour des lignes d'assemblage ou de service, ce vide est critique : une manipulation fiable dans des environnements non structurés requiert de détecter le glissement, la déformation du contact ou la rigidité d'un matériau lors d'un emboîtement, autant de signaux que la vision seule ne peut pas capturer. RobOmni propose de quantifier systématiquement cet apport, ce qui permettrait notamment de comparer des architectures VLA (Vision-Language-Action) avec et sans retour tactile sur des tâches identiques. Daimon Robotics a développé ses propres capteurs tactiles basés sur la vision, capables de mesurer non seulement la force de contact mais aussi la déformation, le glissement, les propriétés de matériau, la texture et la dureté, à haute fréquence et haute résolution. Galbot, partenaire du projet, apporte son expertise en robotique mobile et manipulation. Si aucune métrique de performance comparative ni timeline de déploiement commercial ne sont encore publiées, ce lancement reste à ce stade une annonce de framework de recherche, pas un produit expédié, le positionnement à l'ICRA 2026 signale une ambition de standardisation sectorielle. Les concurrents dans l'espace des benchmarks robotiques, notamment Google DeepMind (RoboVerse) et Meta (PARTNR), n'intègrent pas la modalité tactile comme dimension centrale d'évaluation. RobOmni comble potentiellement ce vide, à condition que la communauté adopte le framework comme référence commune.

AGIBOT organise le World Challenge 2026 pour évaluer les modèles d'IA sur des tâches réelles

AGIBOT Innovation Technology, également connue sous le nom de Zhiyuan Robotics, a organisé la AGIBOT World Challenge 2026 en marge de l'ICRA 2026 à Vienne, réunissant 526 équipes de recherche et d'entreprises issues de 27 pays autour de deux pistes compétitives en IA incarnée : "Reasoning to Action" (R2A) et "World Model" (WM). La finale hors ligne s'est déroulée sur le robot humanoïde AGIBOT G2, avec des évaluations standardisées via les benchmarks EWMBench et Genie Sim 3.0. Dans la piste R2A, qui élargit l'évaluation de la simple exécution motrice à la compréhension d'environnement et à la planification de tâches, c'est l'équipe PrismBot de vivo qui a remporté le championnat avec 43,47 points, devant RP-VLA de Shanghai RoboParty (35,66 points) et GreenVLA de la Russie (33,19 points). Dans la piste WM, NeoVerse-ABot, équipe conjointe de l'Institut d'Automatisation de l'Académie des Sciences de Chine et du laboratoire Amap CV, a décroché la première place. Plus de 100 équipes ont dépassé le score de référence officiel, avec des participants issus de la Tsinghua University, de l'USTC, de l'UC San Diego, d'Alibaba et du Sber Robotics Center russe. La signification industrielle de cet événement tient moins aux classements qu'au format d'évaluation lui-même : l'abandon progressif des scores de simulation au profit de tests en boucle fermée sur robots réels, avec des métriques reproductibles et standardisées. Pour les intégrateurs et les décideurs B2B, c'est un signal que le secteur commence à construire des référentiels comparables entre systèmes -- un prérequis pour toute contractualisation sérieuse. La piste "World Model", centrée sur la prédiction de changements physiques et la modélisation d'interactions à partir d'entrées sensorielles, teste directement la capacité des VLA (Vision-Language-Action models) à généraliser hors distribution, y compris le transfert zéro-shot et l'adaptation aux perturbations. Le benchmark supermarché co-développé avec Dexmal va plus loin en intégrant des interactions physiques non idéales -- chutes d'objets, échecs de préhension -- et impose la navigation autonome, le picking et le placement sous contraintes réelles (hauteurs de rayonnage variables, placement aléatoire des articles), contrôlés via API distante. C'est une démarche de validation orientée déploiement, pas de démonstration. AGIBOT, fondée à Shanghai, s'est imposée comme l'un des acteurs centraux de l'écosystème robotique humanoïde chinois, aux côtés d'Unitree, de Fourier Intelligence et de l'initiative GR00T de NVIDIA. Son dataset open-source AGIBOT WORLD, utilisé pour entraîner les modèles de la piste WM, constitue un levier de standardisation communautaire similaire à ce qu'Open X-Embodiment représente côté américain. La compétition s'appuie sur Genie Sim 3.0 pour l'évaluation de capacités couvrant la compréhension du langage, le raisonnement spatial et les compétences atomiques de manipulation. Dans la course mondiale à la robotique humanoïde commerciale -- où Boston Dynamics, Figure AI, Agility Robotics et 1X Technologies avancent leurs propres plateformes -- AGIBOT positionne le G2 comme un banc d'essai de référence pour la communauté académique et industrielle, avec une stratégie d'écosystème ouverte qui rappelle davantage un hub de recherche qu'une pure offre produit.

GENISOM AI dévoile ses plateformes robotiques déployables à l'ICRA 2026

GENISOM AI, entreprise robotique pékinoise fondée en décembre 2023, a présenté à l'ICRA 2026 à Vienne ses plateformes quadrupèdes M1 et L1, revendiquant plus de 10 000 unités produites et livrées depuis sa création. Le quadrupède industriel M1 supporte un payload continu de 30 kg, un ratio payload-to-weight proche de 1:1, une protection IP67 et une autonomie annoncée jusqu'à cinq heures selon les conditions d'utilisation. L'actionneur propriétaire P85MAX-S, conçu en interne, délivre 180 N·m de couple de pointe dans un boîtier de 86 mm de diamètre pour environ 1 kg. La variante M1 Ultra intègre une couche de perception baptisée Omni-Panorama, basée sur la fusion temporelle BEV (bird's eye view) et des réseaux d'occupance issus du secteur automobile autonome, avec une couverture spatiale 3D annoncée à 720 degrés. La plateforme éducative L1 EDU, équipée d'un NVIDIA Jetson Orin NX, d'un lidar Livox Mid-360, de caméras de profondeur RealSense, d'un module GNSS et d'une connectivité 5G, a permis à une équipe de l'Université de Manchester de remporter la première place au challenge quadrupède de l'IROS 2025. Revendiquer 10 000 unités livrées en moins de trois ans représente un signal fort dans un marché où la majorité des acteurs restent en phase pilote ou de démonstration, à condition que ce chiffre corresponde à des déploiements clients réels et non à des systèmes de validation interne, une distinction que la communication de GENISOM AI ne précise pas explicitement. Si ce volume est avéré, il suggère que le fossé entre démonstration et production de masse peut se combler rapidement dans la robotique quadrupède. L'internalisation de la conception des actionneurs suit la logique d'intégration verticale adoptée par Boston Dynamics et Unitree sur leurs composants critiques, conférant un contrôle direct sur la performance mécanique et la chaîne d'approvisionnement. L'adoption de techniques de perception BEV, venues de l'automobile autonome, dans un robot terrestre mobile est également un signe de transfert technologique: ces architectures bénéficient d'une base d'entraînement massive accumulée dans l'industrie du véhicule autonome, ce qui peut accélérer la robustesse des politiques de navigation en environnement non structuré. GENISOM AI s'inscrit dans la vague de constructeurs quadrupèdes chinois cherchant à s'imposer sur les marchés industriels internationaux, aux côtés d'Unitree et de Deep Robotics, face à Boston Dynamics qui occupe le segment premium avec Spot. La société cible des verticales à cycle d'achat court: sécurité, inspection, éducation et intervention d'urgence, domaines où les quadrupèdes démontrent une valeur opérationnelle claire face aux AMR conventionnels. Sur le plan logiciel, la plateforme de simulation MATRiX, ouverte en open source et couplant le moteur physique MuJoCo au rendu Unreal Engine 5, ainsi que le pipeline Real2Sim2Real, qui convertit des environnements réels capturés par caméras grand public en données d'entraînement exploitables, visent à créer un écosystème de développeurs autour des plateformes GENISOM. La présence à l'ICRA, forum académique et industriel de référence, signale une ambition d'expansion vers les marchés européens et nord-américains, sans calendrier précis annoncé.

Video Friday : ce robot court dans les escaliers sans tomber

La sélection vidéo hebdomadaire d'IEEE Spectrum de début juin 2026 réunit plusieurs démonstrations robotiques aux profils contrastés. DEEP Robotics publie une vidéo d'un humanoïde récupérant son équilibre sur un escalier dans une séquence que les éditeurs du magazine jugent eux-mêmes impressionnante, tout en soulignant l'incertitude sur sa reproductibilité. La startup Generative Bionics annonce que GENE01, sa première plateforme humanoïde, est passée de la conception au lancement en production en série en seulement trois mois, avec deux configurations interchangeables de membres inférieurs et une couche baptisée "Physical AI" couvrant le contrôle moteur et la modélisation monde-action, sans qu'aucune métrique de charge utile, de degrés de liberté ni de temps de cycle n'accompagne l'annonce. IHMC Robotics présente Alex, son premier humanoïde entièrement développé en interne, qui a effectué ses premiers pas en extérieur sans attache lors d'une démonstration dans le Maryland. Flexiv Robotics dévoile le MICO, un système bimanuel compact sur la plateforme Enlight, orienté collaboration en espace de travail industriel partagé. À l'occasion de l'ICRA 2026, des chercheurs publient CCRobot-S dans IEEE Transactions on Robotics : une équipe de robots grimpeurs câbles reconfigurables capables d'inspecter et d'entretenir en opération parallèle les haubans de ponts à grande portée. Boston Dynamics contribue avec deux vidéos, l'une sur des pieds interchangeables pour Atlas, l'autre montrant le robot apprendre à jouer au football. La revendication la plus saillante de cette sélection est le délai de trois mois de Generative Bionics entre conception et production en série. Si elle se confirme, elle signalerait une compression radicale des cycles de développement matériel dans la robotique humanoïde, un secteur qui exige habituellement plusieurs années d'itération. L'absence de spécifications techniques rend l'évaluation indépendante impossible à ce stade : l'annonce ressemble davantage à une opération de visibilité qu'à une divulgation produit. Les essais en extérieur d'IHMC avec Alex sont une contribution plus modeste mais techniquement crédible : sortir du laboratoire vers un environnement non structuré reste l'un des tests les plus rigoureux de la robustesse locomotrice, et l'un des plus rares à être documentés publiquement, adressant directement le demo-to-reality gap qui frappe de nombreuses démonstrations du secteur. CCRobot-S illustre une autre dynamique, celle des applications robotiques collaboratives à vocation industrielle précise, portées par des contraintes de sécurité et de régulation réelles dans le domaine des infrastructures. Le paysage concurrentiel des humanoïdes reste dense. Figure AI a livré le Figure 03, Tesla teste l'Optimus Gen 3 en production, le modèle VLA pi0 de Physical Intelligence structure plusieurs pilotes commerciaux, et le Digit d'Agility Robotics est déployé dans des entrepôts Amazon. L'Atlas de Boston Dynamics, malgré ses qualités mécaniques, n'a pas encore établi de trajectoire commerciale clairement définie, et les vidéos football semblent davantage viser la notoriété grand public que l'intégration industrielle. IHMC Robotics, laboratoire affilié à Florida International University, a historiquement alimenté l'écosystème en infrastructures et en talents plutôt qu'en produits commerciaux directs. Generative Bionics est un nom nouveau dans le secteur et mérite un suivi si de prochaines publications techniques viennent étayer la revendication des trois mois. Aucun acteur européen n'apparaît directement dans cette sélection, bien qu'Enchanted Tools, Wandercraft et Pollen Robotics restent actifs sur leurs segments respectifs.

Un nouveau robot humanoïde apporte perception avancée et manipulation aux robots industriels

VinRobotics, filiale robotique du conglomérat vietnamien Vingroup, a présenté le VR-H3 simultanément à l'ICRA 2026 de Vienne et au COMPUTEX Taipei 2026 fin mai. Ce robot humanoïde de troisième génération embarque plus de 31 actionneurs assurant la coordination corps entier, deux ordinateurs de bord pour le traitement local des données sensorielles, et une capacité de charge utile annoncée entre 6 et 8 kilogrammes. Il est conçu pour la manutention, l'assemblage et la navigation en environnement industriel dynamique. Lors de la démonstration à l'ICRA, VinRobotics a illustré une téléopération via casque de réalité virtuelle couplé à une capture de mouvement intégrée, sans équipement de tracking externe. La même semaine, VinDynamics, autre filiale de Vingroup, dévoilait Dyno, un premier humanoïde dédié à la sécurité, la surveillance urbaine et l'assistance domestique, déjà testé comme guide autonome au Vinpearl Safari Phu Quoc en dialogue multilingue avec les visiteurs. VinRobotics revendique un développement 100 % interne : architecture mécanique, infrastructure temps réel, architecture électrique et électronique, gestion de batterie et framework IA corps entier. Ce double lancement positionne Vingroup comme le premier acteur vietnamien à présenter plusieurs plateformes humanoïdes simultanément dans des conférences de rang mondial. L'intégration verticale revendiquée, si elle est confirmée, confère un avantage potentiel sur la maîtrise des coûts et les cycles d'itération, un levier que cherchent précisément les intégrateurs industriels soumis à des délais d'approvisionnement longs sur les actionneurs. La charge utile de 6 à 8 kg reste cependant modeste face aux références actuelles du secteur (Tesla Optimus Gen 3 annonce 20 kg, Figure 02 vise des tâches similaires avec un payload supérieur). Les vidéos publiées montrent des démonstrations en conditions contrôlées : aucun chiffre de temps de cycle, de taux de succès en tâche répétitive ou de volume de déploiement n'est communiqué, ce qui situe le VR-H3 clairement au stade prototype démontré, pas produit expédié. Vingroup, groupe diversifié dont la capitalisation dépasse 10 milliards de dollars et qui couvre l'automobile (VinFast), l'immobilier et la technologie, a structuré depuis 2023 une branche robotique active avec VinRobotics et VinDynamics. Le contexte global est celui d'une course humanoïde intense : en Chine, Unitree, Agibot et XPENG Robotics produisent déjà à petite série ; aux États-Unis, Agility Robotics déploie Digit chez Amazon ; en Europe, 1X Technologies et Enchanted Tools (Mirokaï) avancent sur des niches de service. Le Vietnam, qui cherche à monter en gamme dans la chaîne de valeur manufacturière, mise sur la robotique comme vitrine technologique nationale. Les prochaines étapes pour VinRobotics restent floues : aucun pilote industriel signé ni timeline de commercialisation n'a été annoncé à l'issue des deux événements.

Dyno, le premier robot humanoïde du Vietnam, cible la sécurité et les tâches domestiques

VinDynamics, filiale robotique du conglomérat vietnamien Vingroup (connu pour VinFast dans l'automobile et VinAI dans l'intelligence artificielle), a présenté Dyno lors de l'ICRA 2026 à Vienne et du Computex Taipei 2026, marquant l'entrée officielle du Vietnam dans la course aux humanoïdes. Le robot est conçu pour deux segments initiaux: la sécurité et la surveillance dans les espaces urbains et commerciaux, et l'assistance domestique. Un déploiement pilote a déjà eu lieu à Vinpearl Safari Phu Quoc, en conditions extérieures, où Dyno a opéré comme guide multilingue autonome, capable d'interaction en langage naturel et de perception environnementale en temps réel. Sur le plan des composants, VinDynamics expose également l'actionneur VDM 80, un joint compact de moins d'un kilogramme, tournant jusqu'à 235 rpm sous 48V, compatible CAN FD, RS485 et EtherCAT, avec une durée de vie annoncée supérieure à 10 000 heures. La main robotique associée intègre 11 articulations mobiles et 6 degrés de liberté activement contrôlés, avec capteurs de force intégrés. Les spécifications globales du robot (payload, nombre total de DOF, autonomie énergétique) n'ont pas encore été publiées. Ce lancement positionne VinDynamics comme le premier acteur sud-est-asiatique à entrer publiquement dans le segment humanoïde full-body, dans un marché jusqu'ici dominé par des entreprises américaines et chinoises. La stratégie modulaire est notable: en exposant séparément l'actionneur, la main et la plateforme d'entraînement IA, l'entreprise signale une ambition B2B de fournisseur de composants en plus du robot complet, une approche similaire à celle adoptée par des acteurs comme Robosense ou Fourier Intelligence. Le déploiement à Vinpearl constitue une preuve d'exploitation réelle en environnement non contrôlé, ce qui le distingue d'une simple démonstration de laboratoire. Cela dit, l'absence de métriques précises sur les performances du robot principal (vitesse de marche, charge utile, taux de succès sur les tâches de manipulation) rend difficile toute comparaison directe avec les plateformes concurrentes. Dyno reste à ce stade une annonce structurée autour d'un pilote et d'une roadmap de composants, pas encore un produit commercialement disponible. Vingroup est l'un des plus grands conglomérats privés d'Asie du Sud-Est, avec des investissements massifs en R&D technologique depuis 2019 via VinAI Research. VinDynamics s'inscrit dans cette diversification vers la robotique physique. Sur le marché humanoïde global, les concurrents directs incluent Figure (Figure 02 déployé chez BMW), Tesla (Optimus Gen 3 en production), Boston Dynamics (Atlas en phase commerciale), Agility Robotics (Digit chez Amazon), ainsi que les acteurs chinois Unitree, Fourier et AgiBot. La présentation à l'ICRA 2026 est une démarche de légitimation académique et industrielle internationale. Les prochaines étapes annoncées incluent des déploiements commerciaux supplémentaires, sans calendrier précis communiqué.

Entraînement de robots par LLM : génération automatisée de données via l'augmentation de démonstrations

Des chercheurs de Carnegie Mellon University ont publié LLM Trainer (arXiv:2509.20070v2), un pipeline entièrement automatisé capable de transformer une poignée de démonstrations humaines, aussi peu qu'une seule, en un large jeu de données pour l'apprentissage par imitation robotique. Le système décompose la génération de nouvelles démonstrations en deux étapes : une annotation hors-ligne qui extrait des keyframes, des objets saillants et des relations pose-objet à partir des trajectoires originales, puis un retargeting de keyposes en ligne qui adapte ces keyframes à un nouvel environnement à partir d'une simple observation initiale. Le pipeline déforme ensuite géométriquement la trajectoire originale pour en produire une nouvelle, l'exécute sur le robot, et ne conserve les données que si l'exécution est concluante. Pour optimiser la qualité des annotations, réutilisables d'une scène à l'autre, l'équipe intègre un mécanisme de Thompson sampling qui améliore significativement le taux de succès. Les validations ont été conduites sur un bras Franka Emika Panda. L'enjeu est structurant pour l'imitation learning en robotique industrielle : le goulot d'étranglement reste la collecte coûteuse de démonstrations humaines. LLM Trainer propose de contourner ce problème en mobilisant la connaissance du monde embarquée dans les LLMs pour générer des variantes de scènes plausibles sans intervention humaine supplémentaire. Les résultats montrent que la méthode d'annotation LLM surpasse systématiquement des baselines conçues par des experts humains. L'approche d'ensemble, combinant un plan feed-forward LLM optimisé et un contrôleur par imitation en feedback, ouvre une piste vers des politiques plus robustes à la variabilité des environnements réels, ce qui intéresse directement les intégrateurs confrontés à des lignes de production hétérogènes. Ce travail s'inscrit dans une tendance forte en manipulation robotique : réduire la dépendance aux données humaines via l'augmentation synthétique, après des approches comme RoboAgent, DemoAugment ou les pipelines sim-to-real de Google DeepMind. Carnegie Mellon reste un acteur central de cet espace, aux côtés de Stanford (Mobile ALOHA), Berkeley (RoboVerse) et du MIT. Pour l'heure, LLM Trainer est uniquement validé sur un seul modèle de bras dans des conditions de laboratoire, ce qui laisse ouverte la question du passage à l'échelle vers des robots humanoïdes ou des environnements moins structurés. La version v2 publiée sur arXiv suggère des révisions post-soumission, probablement en vue d'une conférence comme CoRL 2025 ou ICRA 2026.

Robot omnidirectionnel : une démonstration extrême en vidéo

La sélection hebdomadaire de l'IEEE Spectrum met en avant cette semaine un robot multi-pattes baptisé Argus, dont le nombre de membres indéfini lui confère une mobilité omnidirectionnelle poussée à l'extrême, aux antipodes des architectures bipèdes ou quadrupèdes standards. Parmi les autres démonstrations notables, Noble Machines présente Moby, un robot mobile manipulateur capable de déplacer des charges progressives jusqu'à 50,3 livres (environ 22,8 kg) tout en maintenant équilibre et mobilité dans des espaces non structurés. L'Université du Texas, en collaboration avec Sony Group Corporation, dévoile la main ARISTO (Anthropomorphic, Robotic, Integrated-Sensing, Tendon-Operated), un bras de recherche conçu spécifiquement pour manipuler des objets petits, minces et fragiles. Le Robotics and AI Institute publie une vidéo d'AthenaZero, qui jongle à mains nues grâce à un retour visuel embarqué, enchaînant plusieurs patterns incluant cascade, demi-douche, tennis et shower. Figure montre une démonstration de longévité sur tâche répétitive avec un humanoïde bipède, mais sans mécanisme de récupération d'erreur visible. Astribot propose un bras robotique sans base locomotrice au prix affiché de 13 000 dollars. L'initiative Eco-Score for Robots (Robotics EcoLabel) propose enfin un cadre d'évaluation environnementale des systèmes robotiques, inspiré des étiquettes éco-énergétiques grand public. Ces démonstrations révèlent une fracture persistante entre ce que les robots réalisent en conditions contrôlées et ce qu'ils livrent dans des environnements industriels réels. Moby se distingue précisément parce qu'il traite des charges croissantes dans des espaces non structurés: c'est le type de preuve dont ont besoin les intégrateurs et les COO pour envisager un déploiement concret, là où la plupart des vidéos concurrentes restent cantonnées au laboratoire. La main ARISTO pointe vers un verrou majeur de l'automatisation: la manipulation fine d'objets fragiles reste non résolue pour l'assemblage électronique ou pharmaceutique, et le co-développement Sony-UT signale que des industriels de premier rang misent sur la recherche académique pour le débloquer. La remarque de l'auteur sur Figure est éditoriale mais significative: un humanoïde qui tient sur une tâche répétitive sans récupération d'erreur prouve l'endurance mécanique, pas la robustesse opérationnelle. AthenaZero illustre par ailleurs que les mains multi-doigts commencent à rivaliser avec des end-effectors dédiés pour des tâches dynamiques, ce qui ouvre la voie à des manipulateurs généraux moins spécialisés. La rubrique Video Friday de l'IEEE Spectrum fonctionne comme un baromètre hebdomadaire, agrégant sans filtre commercial des travaux de laboratoires universitaires, startups et grandes entreprises. Le contexte événementiel est dense: ICRA 2026 se tient du 1er au 5 juin à Vienne, RSS 2026 du 13 au 17 juillet à Sydney, et Actuate 2026 les 18 et 19 août à San Francisco, conférences où plusieurs de ces travaux seront vraisemblablement soumis à peer review. En termes de positionnement concurrentiel, Noble Machines s'attaque au segment AMR avec manipulation lourde, face à Boston Dynamics (Stretch) et Agility Robotics (Digit), tandis qu'Astribot cible les cas d'usage desktop à bas coût en concurrence directe avec Franka Robotics et Universal Robots. L'initiative EcoLabel, orientée vers les appels d'offres robotiques européens, s'inscrit dans les contraintes ESG croissantes pesant sur les intégrateurs du Vieux Continent.

Atlas affronte un réfrigérateur

La semaine robotique a été dominée par une vidéo de Boston Dynamics montrant Atlas déplacer un mini-réfrigérateur, quelques mois seulement après le dévoilement public de la plateforme. La démonstration ne se limite pas à un exercice de force brute : le robot mobilise l'intégralité de son corps pour gérer la masse et l'inertie de l'objet, en compensant dynamiquement avec son buste et ses membres inférieurs plutôt qu'en s'appuyant uniquement sur ses préhenseurs. C'est le contrôle corps-entier (whole-body control) couplé à de l'apprentissage par renforcement qui permet à Atlas de maintenir l'équilibre avec une amplitude de mouvement décrite comme suprahumaine. La même séquence vidéo révèle à 4 min 10 un comportement inattendu dont la nature précise n'est pas détaillée dans le communiqué, signe que la plateforme continue de surprendre ses propres ingénieurs. En parallèle, Unitree a publié une vidéo de son G1 commandé en temps réel par voix, enregistrée en une seule prise avec son audio d'origine. Dusty Robotics a officiellement retraité son FieldPrinter 1, remplacé par le FieldPrinter 2, plus rapide et plus compact, après avoir imprimé des millions de pieds carrés de gabarits sur des milliers de chantiers de construction. DEEP Robotics présente le Lynx S10, un robot tout-terrain de moins de 20 kg ciblant l'industrie. JSK Robotics Laboratory soumet à l'ICRA 2026 ses travaux sur WiXus, un robot hybride roues-jambes affranchissant les membres de leur rôle locomoteur grâce à un support corporel externe. La progression d'Atlas illustre un saut qualitatif dans la capacité des humanoïdes à opérer en environnement industriel non structuré. Le whole-body control sur un objet lourd et asymétrique comme un réfrigérateur est un test pratique bien plus représentatif que les démonstrations gymniques habituelles : il exige une modélisation en ligne de la masse portée, une compensation dynamique en temps réel, et une tolérance aux perturbations imprévues. Que Boston Dynamics s'appuie sur l'apprentissage par renforcement plutôt que sur une planification de mouvement entièrement analytique confirme une tendance de fond : les pipelines RL et sim-to-real arrivent progressivement à maturité pour des tâches de manutention réelle. Il convient néanmoins de préciser qu'il s'agit d'une démonstration contrôlée, pas d'un bilan de déploiement en production, ce que le communiqué ne distingue pas clairement. Boston Dynamics a lancé la version électrique d'Atlas en avril 2024, succédant à la plateforme hydraulique qui avait fait la notoriété de la société depuis sa fondation en 1992, spin-off du MIT. Depuis son acquisition par Hyundai en 2021, l'entreprise affiche une orientation commerciale plus explicite, ciblant en priorité l'automobile et la logistique lourde. Sur le terrain concurrentiel, Unitree positionne le G1 comme solution d'entrée de gamme à partir de 16 000 dollars, Figure AI prépare le déploiement de Figure 02 chez BMW, et Tesla pousse Optimus vers une production en série. Le SpikerBot de Backyard Brains, kit à 219 dollars déjà financé sur Kickstarter, occupe un créneau radicalement différent, celui de la robotique éducative à programmation neuronale directe, rappelant que l'innovation sectorielle ne se joue pas uniquement dans les entrepôts.

NORM-Nav : navigation de robot mobile sans apprentissage préalable, guidée par contraintes comportementales en langage naturel

NORM-Nav est un framework zero-shot présenté en mai 2026 dans un preprint arXiv (2605.16979) pour la navigation de robots mobiles en environnements humains. Le système associe un grand modèle de langage (LLM) à une perception temps réel par fusion vision-LiDAR: l'opérateur formule des règles comportementales en langage naturel, le LLM les parse en contraintes structurées, et celles-ci sont encodées sous forme de costmaps multi-couches couvrant quatre dimensions (géométrique, sémantique, directionnel, vitesse), directement compatibles avec les planificateurs grid-based standards comme ceux utilisés sous ROS. Des expériences en simulation et en environnement réel indiquent une amélioration des taux de succès de tâche et des trajectoires statistiquement plus proches des références humaines par rapport aux baselines testées, sans réentraînement du planificateur de base. L'enjeu concret est le suivant: les costmaps conventionnels traitent la navigation comme un problème géométrique pur, produisant des trajectoires techniquement valides mais socialement inadaptées, frôlement de passants, ignorance des sens de circulation, vitesse inappropriée en zone dense. Pour un intégrateur déployant des AMR en environnement hospitalier, en entrepôt partagé ou en espace public, cette limite est un frein réel à l'acceptation opérationnelle. NORM-Nav adresse ce verrou en mode zero-shot, sans données de démonstration spécifiques à l'environnement cible, ce qui simplifie le pipeline de déploiement. La compatibilité native avec les planificateurs standard constitue l'argument industriel clé: pas de refonte architecturale, pas de rupture avec la stack ROS existante. La navigation socialement consciente (social navigation) est un chantier actif depuis une décennie, porté par des travaux comme CADRL, SARL ou ORCA, et plus récemment par des approches LLM comme NavGPT ou LM-Nav. NORM-Nav s'inscrit dans cette tendance mais mise sur l'intégration costmap plutôt que sur un planificateur de bout en bout, choix conservateur et pragmatique pour l'industrie. Le preprint ne cite ni partenaires industriels ni timeline de commercialisation, le positionnant clairement comme contribution académique à ce stade. Une soumission en conférence (IROS 2026 ou CoRL 2026) est vraisemblable. Sur le terrain concurrent, Boston Dynamics (Spot en environnements mixtes), les acteurs AMR comme Exotec, et plusieurs projets académiques franco-européens travaillent sur la cohabitation robots-humains, bien qu'aucun n'utilise exactement cette approche de grounding linguistique sur couches costmap.

Deep Robotics lance un robot hybride roues-pattes pour l'inspection industrielle et les interventions d'urgence

Deep Robotics, entreprise chinoise spécialisée en robotique mobile fondée en 2018 à Hangzhou, a annoncé le Lynx M20S, robot hybride à roues et pattes de nouvelle génération. Successeur direct du Lynx M20, ce modèle cible l'inspection industrielle en milieux contraints et les interventions d'urgence sur terrain accidenté. Selon le communiqué de lancement, les améliorations portent sur trois axes : capacité de charge utile (payload), niveau de protection mécanique et environnementale (indice IP non précisé dans l'annonce), et vitesse de déplacement. Les chiffres exacts de ces paramètres n'ont pas été publiés au moment du lancement, ce qui limite l'évaluation indépendante des performances annoncées. L'architecture roues-pattes répond à une contrainte réelle des déploiements industriels : naviguer efficacement sur sol plat (où les pattes seules sont lentes et énergivores) tout en franchissant obstacles et escaliers inaccessibles aux AMR classiques. Pour un intégrateur ou un COO industriel, ce type de plateforme réduit le besoin de préparer l'environnement (ramps, marquages au sol), ce qui abaisse les coûts d'intégration. Le positionnement sur l'urgence (emergency response) suggère également une résistance renforcée aux conditions extrêmes, bien que les certifications correspondantes ne soient pas encore confirmées publiquement. Deep Robotics a commercialisé le Lynx M20 dans plusieurs applications d'inspection pétrolière, minière et de centrales électriques, notamment en Chine et au Moyen-Orient. Sur ce segment hybride, les concurrents directs incluent ANYbotics (ANYmal D, basé en Suisse) et Boston Dynamics (Spot), ainsi que Unitree avec le B2-W. Les prochaines étapes attendues sont la publication de fiches techniques complètes et l'annonce de pilotes industriels, probablement à l'occasion de foires sectorielles comme CIROS ou IROS 2026.

VP-VLA : le prompting visuel comme interface pour les modèles vision-langage-action

Publiée en mars 2026 sur arXiv (référence 2603.22003v3), VP-VLA est une architecture à deux systèmes qui dissocie raisonnement de haut niveau et exécution motrice dans les modèles Vision-Language-Action. Le problème adressé est structurel : les VLA actuels effectuent un unique passage en avant (forward pass) censé gérer simultanément l'interprétation d'instructions, l'ancrage spatial et le contrôle moteur de bas niveau, ce qui dégrade la précision spatiale et la robustesse hors distribution. VP-VLA sépare ces responsabilités via une interface de prompts visuels : un "Planificateur Système 2" décompose les instructions en sous-tâches et localise objets et positions cibles, puis rend ces ancres spatiales directement dans l'espace RGB natif sous forme de réticules et boîtes englobantes. Un "Contrôleur Système 1", entraîné avec un objectif auxiliaire d'ancrage visuel, génère ensuite les trajectoires de bas niveau à partir de ces prompts. En simulation et en environnement réel, VP-VLA surpasse les baselines end-to-end QwenOFT (basé sur les modèles Qwen d'Alibaba) et GR00T-N1.6 (NVIDIA), les deux références industrielles les plus avancées du moment. L'intérêt architectural tient à l'évitement du mismatch de modalité que créent les représentations intermédiaires denses -- masques d'affordance, cartes de contrôle spécialisées -- qui obligent les modèles à jongler entre espaces de représentation hétérogènes. En substituant des annotations légères directement dans l'espace RGB natif, VP-VLA maintient une cohérence de modalité tout au long du pipeline. Pour les intégrateurs industriels et les équipes de déploiement robotique, cela se traduit concrètement par une meilleure robustesse aux configurations non vues à l'entraînement et une précision spatiale accrue sur les tâches de manipulation. La séparation explicite planification/exécution faciliterait aussi la mise à jour ou le remplacement indépendant de chaque composant, un avantage non négligeable en contexte de déploiement itératif. VP-VLA s'inscrit dans un mouvement plus large de déconstruction des VLA monolithiques, après RT-2, OpenVLA, et les architectures GR00T de NVIDIA. La publication en version v3 indique des révisions successives, signe probable d'une soumission à une conférence de premier rang (IROS 2026, CoRL 2026 ou RSS 2026). Le choix de GR00T-N1.6 et QwenOFT comme baselines positionne explicitement VP-VLA face aux approches portées par des acteurs industriels majeurs. Aucun déploiement physique industriel ni partenariat de production n'est annoncé à ce stade : les expériences réelles restent en environnement de laboratoire. La page projet ouverte (visualprompt-vla.github.io) laisse présager une publication du code, ce qui favoriserait une adoption rapide et une validation indépendante par la communauté robotique.

Video Friday : l'IA confère aux mains robotiques une dextérité humaine

Cette semaine dans la sphère robotique, l'annonce la plus médiatisée émane de Genesis AI, qui présente GENE-26.5, décrit par la société comme "le premier cerveau IA à conférer aux robots des capacités de manipulation physique au niveau humain." Les démonstrations vidéo montrent un système cuisant un repas complet, cassant un oeuf d'une seule main, conduisant des expériences de laboratoire, réalisant du câblage de harnais électrique et jouant du piano. Aucun détail technique sur le matériel robotique utilisé, les taux de succès, ou les conditions d'environnement contrôlées n'est communiqué, ce qui invite à la prudence avant de valider ces affirmations. En parallèle, le Robotics and AI Institute publie une démonstration du quadrupède Spot de Boston Dynamics piloté par un réseau de neurones entraîné par apprentissage par renforcement combiné à une distillation multi-expert: le robot s'accroupit, saute, escalade des caisses et franchit des vides. Du côté de la NASA, les ingénieurs du Jet Propulsion Laboratory ont passé la barrière du son avec des pales de rotor de prochaine génération pour hélicoptère martien, atteignant Mach 1 dans une chambre simulant l'atmosphère de Mars, dont la densité représente environ 1 % de celle de la Terre. Jim Fan, qui dirige le groupe de recherche en autonomie incarnée chez Nvidia, affirme pour sa part que la robotique entre dans sa "phase finale" et que le plan de jeu est déjà écrit. Les affirmations de Genesis AI sur la manipulation humanoïde méritent d'être contextualisées: le secteur est parsemé d'annonces de "dextérité humaine" qui peinent à se vérifier hors conditions contrôlées. L'absence de métriques objectives, taux de succès, nombre de tentatives, variété des objets manipulés, est un signal d'alerte classique dans les communications de ce type, et le demo-to-reality gap reste la question centrale pour tout décideur B2B qui évalue ces systèmes. La prouesse NASA sur les rotors martiens est, en revanche, une avancée mesurable: franchir Mach 1 dans une atmosphère aussi ténue implique des vitesses de rotation extrêmes et des matériaux composites capables de résister à des charges aérodynamiques inédites, ouvrant la voie à des hélicoptères plus capables pour de futures missions. Quant à Atlas, le discours officiel de Boston Dynamics sur l'équilibre entre objectifs commerciaux et recherche fondamentale traduit la pression croissante que subissent les constructeurs de plateformes humanoïdes pour démontrer une rentabilité tangible après des années d'investissement massif. Genesis AI est peu connue du grand public; sa mise en avant via TechCrunch suggère une stratégie de visibilité plutôt qu'un lancement produit au sens strict. Dans l'écosystème concurrent, Physical Intelligence avec Pi-0, Figure Robotics avec le Figure 03, Agility Robotics et 1X mènent des efforts comparables sur la manipulation généraliste, tandis que Nvidia prépare le terrain pour GR00T N2 et les prochains modèles de foundation pour corps physiques. Le thème de l'Open Duck Mini, version open-source des droids BDX de Disney publiée par la communauté, rappelle que l'innovation en robotique ne se limite pas aux acteurs industriels. La communauté se retrouvera à ICRA 2026 du 1er au 5 juin à Vienne, puis à RSS 2026 du 13 au 17 juillet à Sydney, deux rendez-vous où ces avancées seront soumises à une évaluation scientifique rigoureuse, loin des vidéos de démonstration soigneusement sélectionnées.

💬 Genesis AI sort le grand jeu avec GENE-26.5, mais zéro métrique, zéro taux de réussite, ça reste une démo marketing jusqu'à preuve du contraire. Ce qui me retient vraiment dans cette actu, c'est la prouesse NASA sur les rotors martiens: Mach 1 dans 1% de densité atmosphérique, ça c'est de la physique vérifiable, pas du storytelling. Jim Fan parle de "phase finale" pour la robotique, bon, sur le papier c'est enthousiasmant, reste à voir ce que ça donne à ICRA en juin face aux pairs.

SynapX lance SYNData : un système de collecte de données multimodal pour l'ère de l'IA incarnée

SynapX a lancé SYNData, un système de collecte de données multimodales dédié à la manipulation dextre pour l'IA incarnée (embodied AI). La plateforme combine trois modules matériels : un casque Ego équipé de quatre caméras, des bracelets EMG (électromyographie) et un gant exosquelette bionique. Ensemble, ils capturent simultanément la vision à la première personne, la pose des mains, l'état de contact de la paume entière avec distribution des forces, et les signaux bioélectriques musculaires, y compris en cas d'occlusion visuelle. La brique centrale est le mécanisme Bio2Robot : un modèle IA qui transforme les signaux biologiques humains en données directement exploitables pour l'entraînement robotique, sans contraindre le comportement naturel de l'opérateur. Fondée en janvier 2026, SynapX a participé à l'AGIBOT World Challenge (track Reasoning to Action) à ICRA 2026 seulement trois semaines après sa création officielle, décrochant la 2e place mondiale et la 1re place en Chine. Le vrai goulot d'étranglement de l'IA incarnée n'est plus l'architecture des modèles ni le matériel, mais la disponibilité de données d'interaction physique de haute qualité à grande échelle. SYNData cible ce problème en capturant les gestes humains sans les modifier, là où la télé-opération classique introduit des artefacts comportementaux. La capture simultanée de la distribution des forces sur toute la paume et des signaux EMG constitue une modalité que peu de systèmes commerciaux ou open-source proposent aujourd'hui. Le résultat obtenu à ICRA 2026, même pour une entreprise de trois semaines, valide une cohérence technique sur benchmark standardisé, même si les conditions précises du challenge ne sont pas détaillées publiquement. Le marché de la collecte de données pour la robotique manipulatrice est dominé par des pipelines propriétaires : Physical Intelligence (Pi-0), Figure AI et Agility Robotics collectent leurs datasets via télé-opération directe. SynapX se distingue par une approche biosignale potentiellement plus scalable en environnement industriel réel. La société n'a pour l'instant communiqué ni sur ses clients, ni sur ses tarifs, ni sur un calendrier de déploiement commercial. Les prochaines étapes attendues sont la constitution d'un dataset propriétaire de grande envergure et, probablement, une commercialisation du système de collecte auprès de laboratoires de robotique et d'intégrateurs industriels.

💬 Le vrai problème des robots manipulateurs, c'est pas les modèles, c'est les données. SynapX a compris ça : capter les gestes humains sans les contraindre, là où la télé-opération classique introduit des artefacts que les modèles apprennent ensuite à reproduire (y compris les mauvais). La 2e place mondiale à ICRA trois semaines après la création, c'est flatteur, mais le vrai test c'est un dataset à grande échelle en conditions industrielles réelles.

SynapX lance SYNData : un système multimodal de collecte de données pour l'ère de l'IA incarnée

SynapX, une startup fondée en janvier 2026, a annoncé le lancement de SYNData, un système de collecte de données multimodale conçu pour l'apprentissage de la manipulation dextre en robotique incarnée. Le système repose sur trois modules matériels distincts : un casque Ego à quatre caméras pour la vision première personne, des bracelets EMG (électromyographie) pour capter les signaux bioélectriques musculaires, et un exosquelette-gant bionique pour enregistrer la pose de la main, l'état de contact sur toute la paume et la distribution des forces. L'architecture permet la collecte simultanée de ces modalités, y compris en conditions d'occlusion visuelle partielle. Trois semaines seulement après sa création et sa première participation en compétition, SynapX a terminé 2e au classement mondial et 1er en Chine dans la piste "Reasoning to Action" de l'AGIBOT World Challenge, organisé dans le cadre de l'ICRA 2026. L'enjeu central que SYNData prétend résoudre est le goulot d'étranglement de la donnée physique à l'échelle. Dans le développement des modèles vision-langage-action (VLA) pour la manipulation robotique, la collecte de données haute qualité demeure le facteur limitant, davantage que l'architecture des modèles ou la maturité du hardware. Le mécanisme propriétaire Bio2Robot transforme les signaux biologiques humains en données directement exploitables par des modèles de robot, avec l'objectif déclaré de ne pas perturber le comportement naturel de l'opérateur lors de la capture. Si cette promesse tient à l'échelle, cela représenterait un avantage opérationnel significatif pour les intégrateurs cherchant à industrialiser la démonstration humaine sans pipeline de labellisation coûteux. Le contexte concurrentiel est dense : des acteurs comme Physical Intelligence avec son modèle Pi-0, NVIDIA avec GR00T N2, ou encore Agibot et 1X Technologies investissent massivement dans des pipelines de données pour la manipulation généraliste. En Chine, l'écosystème est particulièrement actif, porté par des programmes de soutien public et une communauté robotique illustrée par l'AGIBOT World Challenge lui-même. SynapX se positionne en amont de la chaîne de valeur, comme fournisseur d'infrastructure de collecte plutôt que fabricant de robot. La robustesse du classement ICRA reste à confirmer en conditions de déploiement industriel réelles, le gap entre performance en compétition et application terrain demeurant un défi structurel du secteur.

💬 Le vrai goulot en robotique, c'est pas l'archi du modèle, c'est la donnée physique à l'échelle, et SynapX l'a compris avant beaucoup. Se positionner comme fournisseur d'infra de capture plutôt que fabricant de robot, c'est malin : tu fournis à tout l'écosystème sans te battre contre Physical Intelligence ou NVIDIA sur le hardware. Trois semaines d'existence, 2e mondial à l'ICRA, bon, reste à voir si les EMG et l'exo tiennent hors compétition.

DM³-Nav : navigation sémantique décentralisée multi-agents, multimodale et multi-objets

DM³-Nav (Decentralized Multi-Agent Multimodal Multi-Object Navigation) est un système de navigation sémantique multi-robots présenté dans un preprint arXiv déposé en avril 2026. L'architecture repose sur une décentralisation intégrale : aucun coordinateur central, aucune carte globale agrégée, aucun état partagé à l'exécution. Les robots se coordonnent exclusivement via une communication ad hoc par paires, en échangeant cartes locales, état des missions et intentions de navigation, sans synchronisation globale. Un mécanisme implicite d'allocation de tâches combine la diffusion d'intentions et une sélection de frontières pondérée par la distance pour réduire les explorations redondantes. Le système a été évalué sur les scènes HM3DSem via les benchmarks HM3Dv0.2 et GOAT-Bench, puis validé en environnement de bureau réel avec deux robots mobiles fonctionnant entièrement sur calcul et capteurs embarqués, sans infrastructure réseau centrale. Sur le plan des résultats, DM³-Nav égale ou dépasse les baselines centralisées et à carte partagée tout en supprimant le point de défaillance unique (SPOF) inhérent aux architectures à coordinateur. Pour un intégrateur de flotte AMR ou un opérateur industriel, l'implication concrète est directe : une panne réseau ou serveur ne paralyse plus la flotte entière. La spécification d'objectifs en vocabulaire ouvert et multimodale (texte et image sans réentraînement) élargit le périmètre des missions reconfigurables sans reprogrammation. La validation sur GOAT-Bench, conçu pour les missions multi-objets en intérieurs réalistes, renforce la crédibilité de l'approche au-delà du simulateur. La navigation sémantique multi-agents était jusqu'ici dominée par les approches centralisées à carte commune, portées par des travaux de CMU, Meta AI Research (Habitat-challenge) et Georgia Tech. DM³-Nav s'inscrit dans une tendance vers la décentralisation, dictée par les contraintes de passage à l'échelle en entrepôt, hôpital ou site industriel où la connectivité est intermittente. Il faut toutefois relativiser : le papier est un preprint non encore révisé par les pairs, et la validation terrain se limite à deux robots dans un seul bureau, écart significatif avec les 80 scènes simulées HM3DSem. Les suites probables passent par une soumission en conférence (IROS 2026 ou ICRA 2027) et une extension à des flottes plus importantes pour confirmer la tenue à l'échelle.

CorridorVLA : contraintes spatiales explicites pour les têtes d'action génératives via des ancres éparses

Une équipe de chercheurs propose CorridorVLA (arXiv 2504.21241), une méthode visant à améliorer la précision des modèles Vision-Langage-Action (VLA) en robotique de manipulation. Le principe : prédire des ancres spatiales éparses exprimées comme des variations incrémentales de position (delta-positions), qui définissent une zone de tolérance explicite, un "couloir", dans l'objectif d'entraînement de la tête d'action générative. Les trajectoires sortant de ce couloir reçoivent des gradients correctifs ; les petits écarts liés au bruit d'exécution ou aux contacts restent tolérés. Sur le benchmark LIBERO-Plus, CorridorVLA améliore le taux de succès de 3,4 % à 12,4 % selon les configurations testées : appliqué à GR00T de NVIDIA, le variant GR00T-Corr atteint 83,21 % de taux de succès absolu, contre moins de 71 % pour la baseline ; appliqué à SmolVLA de HuggingFace, les gains sont comparables. Le code est publié sur GitHub (corridorVLA). Ce travail touche à un problème structurel des VLA actuels : la guidance spatiale y est injectée implicitement via des représentations latentes, ce qui rend les trajectoires générées difficiles à auditer ou à contraindre géométriquement. C'est l'une des causes principales pour lesquelles les VLA peinent au passage sim-to-real en manipulation précise. En rendant ces contraintes explicites et interprétables, CorridorVLA offre un levier concret aux intégrateurs robotiques : comprendre et potentiellement déboguer pourquoi une trajectoire est corrigée. La tête d'action par flow-matching, technique de modélisation générative continue, bénéficie ainsi d'un signal de supervision géométrique direct, sans recourir à des démonstrations denses ni à une supervision pixel à pixel. Ce résultat s'inscrit dans une tendance qui cherche à structurer l'espace de sortie des VLA plutôt qu'à augmenter la puissance brute du backbone multimodal. LIBERO-Plus est une extension plus exigeante de LIBERO, suite standard d'évaluation en manipulation tabletop. GR00T, annoncé par NVIDIA en 2024 comme modèle fondation pour robots humanoïdes, et SmolVLA, publié par HuggingFace en 2025 comme alternative compacte et accessible, constituent les deux familles de baselines retenues, ce qui renforce la portée des résultats. Pi-0 de Physical Intelligence et OpenVLA restent les principaux concurrents directs dans ce segment des VLA généralistes. Ce travail demeure un preprint non évalué par les pairs, sans déploiement sur robot physique annoncé ; les prochaines étapes probables incluent une validation sur manipulateurs réels (type Franka ou UR) et une soumission à CoRL ou IROS 2025.

💬 Ce qui m'intéresse là-dedans, c'est pas les +12% sur LIBERO-Plus, c'est que CorridorVLA rend enfin les trajectoires VLA auditables. En manipulation précise, l'opacité des sorties génératives, c'est le vrai mur sim-to-real depuis le début. Code open-source, SmolVLA embarqué, reste à voir si ça tient sur un vrai Franka.

Apprentissage de politique par phases pour la conduite de skateboard par des robots quadrupèdes via modulation linéaire par caractéristiques

Des chercheurs ont publié sur arXiv (2602.09370v2) un cadre d'apprentissage par renforcement baptisé PAPL (Phase-Aware Policy Learning), conçu pour permettre à des robots quadrupèdes de se déplacer sur une planche de skateboard. Le défi central est la nature cyclique et multi-phasée de l'activité : pousser, glisser et freiner mobilisent des objectifs de contrôle distincts et des interactions fortement dépendantes de la perception. Pour y répondre, PAPL intègre des couches FiLM (Feature-wise Linear Modulation) conditionnées par phase dans les réseaux acteur et critique de l'agent, permettant à une politique unifiée de capturer les comportements propres à chaque phase tout en partageant la connaissance générale du robot entre elles. Les évaluations en simulation valident la précision du suivi de commande, des études d'ablation quantifient la contribution de chaque composant, et les auteurs comparent l'efficacité locomotrice à des baselines pattes seules et pattes-roues. Un transfert sim-to-real est également démontré sur plateforme physique, bien que l'abstract ne précise pas le modèle de robot utilisé ni les métriques de performance obtenues. L'intérêt principal de cette approche tient à sa capacité à gérer des comportements multi-modaux au sein d'une politique unique, sans multiplier les modules spécialisés par phase. Utiliser un skateboard comme vecteur de locomotion est économique en énergie et compact, ce qui ouvre des perspectives concrètes dans des environnements industriels ou logistiques où les robots doivent couvrir de longues distances sans recharger. La démonstration du transfert simulation-réel est l'élément le plus scruté par la communauté robotique : le sim-to-real gap reste l'obstacle central à la généralisation des politiques apprises par renforcement, et chaque validation hardware crédibilise un cadre. À noter toutefois que l'abstract ne fournit aucune métrique chiffrée précise (vitesse, taux de succès, distance), ce qui limite l'évaluation indépendante des performances avant lecture du papier complet. PAPL s'inscrit dans un courant de recherche plus large visant à doter les robots à pattes de modes de mobilité hybrides ou étendus. Les couches FiLM, initialement développées pour le raisonnement visuel conditionné en apprentissage automatique, trouvent ici une application originale dans le contrôle moteur cyclique. Sur le plan concurrentiel, les plateformes pattes-roues comme l'ANYmal WE d'ANYbotics ou les variantes hybrides de Unitree explorent une voie différente : l'intégration des roues y est mécanique, non comportementale. L'approche PAPL est donc structurellement distincte et potentiellement complémentaire à ces architectures. Ce travail reste à ce stade un preprint arXiv sans déploiement commercial annoncé ; les suites logiques seraient une validation sur plateforme standardisée et une soumission en conférence majeure comme ICRA ou IROS 2026.

Contrôle en régime périodique permanent de la rotation d'un mouchoir par un poignet anti-parallélogramme à tendons

Des chercheurs ont présenté un poignet robotique dextre capable de faire tournoyer un foulard souple avec une précision comparable aux performances de magie acrobatique chinoise traditionnelle. Le système, soumis à l'ICRA 2026, repose sur une structure dite anti-parallélogramme parallèle à transmission par tendons, offrant une rotation omnidirectionnelle de 90 degrés avec une inertie réduite et un découplage des axes roulis-tangage. Le contrôle est organisé en deux niveaux hiérarchiques : un niveau haut pour la stratégie périodique, un niveau bas pour le suivi en temps réel. Pour modéliser le comportement du foulard, les auteurs ont développé un modèle particule-ressort à usage de commande, permettant d'évaluer les stratégies avant déploiement matériel. Les expériences sur prototype aboutissent à un taux de dépliage du foulard d'environ 99 % et une erreur de suivi d'extrémité de doigt de 2,88 mm en RMSE durant la phase de rotation haute dynamique. Ce résultat s'attaque à un problème longtemps considéré comme hors de portée des systèmes de manipulation robotique : le contrôle d'objets souples à contacts frictionnels avec contraintes aux bords, sous dynamique non linéaire et régime périodique. L'atteinte d'un état stationnaire stable à partir du repos ("rest-to-steady-state") pour un objet aussi peu rigide qu'un tissu représente un verrou technique significatif. Le fait que ce soit réalisable avec un actionnement par tendons légers, sans capteurs inertiels complexes embarqués sur le poignet, démontre l'intérêt d'une co-conception mécanique et algorithmique orientée tâche. Pour les concepteurs de main robotique ou les équipes travaillant sur la manipulation textile (industrie du vêtement, logistique souple), c'est une validation de l'approche modèle de contrôle + architecture mécanique dédiée plutôt que l'apprentissage bout-en-bout seul. Le travail s'inscrit dans un courant de recherche actif sur la manipulation d'objets déformables, où des équipes comme Biorobotics Lab à l'EPFL, le Manipulation Lab de Carnegie Mellon ou le groupe de Pieter Abbeel à Berkeley ont posé les bases théoriques. La spécificité ici est le choix d'une tâche hautement symbolique et physiquement exigeante comme banc d'essai de validation. La transmission par tendons est une architecture partagée par plusieurs mains robotiques commerciales ou semi-commerciales (Allegro Hand, LEAP Hand), ce qui facilite potentiellement la transférabilité du poignet. Les prochaines étapes naturelles seraient l'intégration avec un bras complet humanoïde et l'extension à d'autres objets souples, tissus industriels ou câbles, dans des contextes de production automatisée.

Digit apprend le soulevé de terre

Agility Robotics a publié cette semaine une démonstration de son robot humanoïde Digit soulevant une charge de 29,5 kg (65 livres) en deadlift complet, soit l'une des charges utiles les plus élevées jamais documentées pour ce châssis. L'entraînement de la politique de contrôle a été réalisé entièrement en simulation, en intégrant l'objet cible dans la boucle d'apprentissage afin de modéliser la distribution des charges, les forces de préhension et les variations du centre de masse de Digit lors du lever. La politique résultante se transfère au robot réel avec un équilibre dynamique maintenu tout au long du mouvement, sans ajustement manuel post-simulation. En parallèle, MagicLab Robotics a déployé un essaim mixte de chiens-robots et d'humanoïdes lors de la cérémonie d'ouverture du Jiangsu Super League, dans un environnement extérieur ouvert, revendiquant la coordination simultanée d'une flotte multi-catégories en conditions réelles. L'équipe de Harvard a présenté ses RAnts, un essaim de micro-robots fourmis sans contrôle centralisé capable de creuser et de construire des structures en ajustant deux paramètres seulement : la force de coopération et le taux de dépôt de matériau. Michigan Robotics a quant à elle montré un actionneur à microcombustion de 8 millimètres de diamètre capable de propulser des gouttelettes d'eau en 3 millisecondes, remettant en question l'hypothèse selon laquelle les actionneurs souples sont intrinsèquement lents. Gatlin Robotics a annoncé son premier contrat commercial sous modèle Robot-as-a-Service (RaaS), sans préciser le secteur d'activité ni le client. Le cas de Digit en deadlift est notable pour ce qu'il valide méthodologiquement : la capacité de transférer des politiques sim-to-real pour des tâches à forte sollicitation mécanique, où la coordination corps entier et la robustesse des actionneurs sont critiques. C'est un résultat concret pour les intégrateurs industriels qui évaluent les humanoïdes pour la manutention lourde, un segment jusqu'ici dominé par les bras industriels fixes. Le déploiement de MagicLab au Jiangsu Super League est présenté comme une preuve de maturité des systèmes multi-agents à l'échelle, mais il s'agit d'un spectacle chorégraphié : la coordination en environnement non structuré, avec aléas, reste à démontrer dans un contexte opérationnel. L'actionneur de Michigan Robotics remet en cause un a priori du secteur : que la souplesse implique lenteur. Un actionneur de 8 mm capable d'impulsions de 3 ms ouvre des perspectives pour la chirurgie robotique, la micro-assemblage ou les prothèses. Les RAnts de Harvard illustrent l'intérêt des architectures décentralisées pour la robotique collective en environnements dégradés, avec des applications potentielles dans la construction autonome ou la démantèlement de structures. Agility Robotics, rachetée par Agility en 2023 après une première commercialisation limitée de Digit chez Amazon, intensifie ses démonstrations de capacités en charge lourde pour se différencier face à Figure (Figure 03), Apptronik (Apollo) et Boston Dynamics (Atlas électrique). MagicLab est un acteur chinois encore peu documenté en dehors de l'Asie, positionnant ses systèmes multi-agents comme une alternative aux approches humanoïdes pures. LimX Dynamics, également présent cette semaine avec son robot TRON 1 pour la photographie autonome en terrains complexes, confirme la diversification des cas d'usage des robots quadrupèdes en Chine. Les prochaines grandes échéances du secteur sont ICRA 2026 à Vienne du 1er au 5 juin, puis RSS 2026 à Sydney en juillet, où plusieurs de ces travaux devraient être présentés dans leur version complète avec données et protocoles.