Actualités robotique — page 70

4 531 articles au fil, du plus récent au plus ancien.

44

3451arXiv cs.RO 

Gouverneur de référence explicite pour manipulateurs robotiques souples et adaptés au contact

Des chercheurs présentent dans un preprint arXiv (2504.09188v2) le Compliant Explicit Reference Governor (CERG), un module logiciel intercalé entre le planificateur de haut niveau et le contrôleur bas niveau d'un bras robotique. Son rôle est de filtrer les références de position et de vitesse pour garantir, formellement, que l'énergie disponible lors d'un contact physique reste sous un seuil de sécurité prédéfini. Le système a été validé en simulation et sur hardware réel, sur des manipulateurs de complexité croissante, bien que le preprint ne précise pas les degrés de liberté (DOF) ni les charges utiles (payload) testés. Ce qui distingue le CERG des approches classiques de contrôle en impédance ou en force, c'est son caractère non pénalisant hors contact : le module ne restreint les performances du bras que lorsqu'un contact est imminent ou actif, laissant la dynamique nominale intacte en mouvement libre. Les garanties sont formelles, pas seulement empiriques, ce qui représente un argument fort pour les intégrateurs de cobots soumis aux exigences de certification ISO/TS 15066. Cela répond directement à un angle mort du secteur : la plupart des systèmes actuels sacrifient vitesse ou précision de façon permanente pour rester sous les seuils de force réglementaires. Le gouverneur de référence est une technique établie en automatique, ici adaptée au cas contact en robotique de manipulation. Le positionnement se fait face aux approches d'impédance variable (travaux de De Luca, Albu-Schäffer) et aux méthodes d'apprentissage par renforcement pour la manipulation en contact. Aucun partenaire industriel ni timeline de transfert n'est mentionné dans le preprint, ce qui situe le CERG au stade de la recherche fondamentale, sans déploiement annoncé.

Recherche❖Paper

1 source

44

3452arXiv cs.RO 

LLMs incarnés : quand une meilleure fidélité d'observation nuit à la résolution de problèmes

Une équipe de chercheurs présente sur arXiv (réf. 2605.20072) une étude empirique sur le comportement des LLM incarnés en robotique. Pour sonder l'effet de la fidélité perceptuelle sur les agents cognitifs, ils ont conçu une série d'expériences autour du "Lockbox", un puzzle mécanique séquentiel aux interdépendances cachées, déployé sur un robot physique. Trois modes d'observation ont été testés : RGB brut, RGB-D (avec profondeur), et observations symboliques ground-truth (état parfaitement connu de l'environnement). Le résultat est contre-intuitif : les agents obtiennent leurs meilleures performances avec le RGB brut et leurs pires avec les observations parfaites. En simulation, les chercheurs ont consolidé ce constat en injectant du bruit artificiel, en inversant aléatoirement les résultats des actions perçues par l'agent. La performance culmine à un taux d'inversion de 40%, avec une multiplication du taux de réussite par 2,85 par rapport à la baseline sans bruit. Ce résultat interroge directement un postulat central de la robotique cognitive : l'idée qu'une perception plus précise améliore mécaniquement la prise de décision. L'analyse des trajectoires d'actions révèle que le gain provient d'une réduction des boucles répétitives : un agent qui perçoit l'état du monde avec précision peut se bloquer dans un raisonnement circulaire, faute de signal lui indiquant de changer de stratégie. Un bruit perceptuel modéré brise ces boucles en forçant l'agent à reconsidérer ses hypothèses. Cette observation soulève une question sérieuse pour les pipelines VLA (Vision-Language-Action) actuels, où la précision des capteurs et la richesse des représentations symboliques sont présentées comme des leviers d'amélioration inconditionnels. Les auteurs tirent une conclusion méthodologique forte : les taux de réussite seuls sont insuffisants pour évaluer les LLM dans des tâches incarnées, car une performance mesurée peut refléter une interaction fortuite entre erreurs perceptuelles et défauts de raisonnement, plutôt qu'une résolution robuste. Cette mise en garde arrive à un moment où Figure, 1X, Agility Robotics et Boston Dynamics intègrent des LLM comme planificateurs de haut niveau dans leurs humanoïdes, souvent évalués sur des benchmarks de tâches simples en environnement contrôlé. L'approche "empirical AI" adoptée ici, qui consiste à varier systématiquement les entrées et mesurer les effets comportementaux, offre un cadre d'évaluation plus rigoureux que les métriques agrégées habituelles.

Recherche❖Paper

1 source

43

3453arXiv cs.RO 

D-CLING : affinage conditionné par la profondeur pour les modèles fondation de navigation, avec préservation des connaissances antérieures

D-CLING est une méthode de fine-tuning pour les Navigation Foundation Models (NFM) présentée dans un preprint arXiv (2605.19690) par des chercheurs de Toyota Frontier Research Center. Les NFM sont des politiques visuomotrices entraînées sur de larges ensembles de données multi-robots, capables de naviguer dans des environnements variés. Le problème identifié est récurrent dans le déploiement terrain : adapter un NFM à un nouveau contexte par fine-tuning classique dégrade ses capacités, provoquant soit un évitement d'obstacles défaillant, soit une incapacité à atteindre les objectifs fixés. D-CLING s'inspire directement de ControlNet, l'architecture de contrôle conditionné développée pour les modèles de diffusion d'images, en attachant une copie entraînable du backbone pré-entraîné via des connexions résiduelles initialisées à zéro. Ce mécanisme permet au modèle d'acquérir des indices géométriques de profondeur sans écraser le prior pré-entraîné. Les évaluations en navigation réelle montrent une réduction significative des collisions et des interventions humaines sur des trajectoires longue distance. Le problème adressé est central pour la commercialisation des robots mobiles : les NFM généralistes sont puissants mais rarement utilisables sans adaptation sur un site spécifique. Le fine-tuning sur données locales provoque typiquement un phénomène d'érosion du prior, autrement dit l'oubli catastrophique des capacités acquises en pré-entraînement. En isolant l'apprentissage géométrique dans une branche parallèle non destructive, D-CLING préserve la généralisation du modèle de base tout en permettant une adaptation ciblée à la configuration caméra et à la géométrie de l'environnement. L'analyse offline montre que la méthode maintient, voire améliore, la prédiction d'actions au-delà du dataset de fine-tuning, un résultat structurant pour le continual learning en robotique mobile. Pour un intégrateur déployant des AMR avec une configuration optique non standard, cela ouvre une voie d'adaptation sans réentraînement complet du modèle. Toyota Frontier Research Center s'inscrit dans une dynamique plus large : plusieurs équipes industrielles cherchent à capitaliser sur les NFM généralistes issus de travaux de Google DeepMind, Stanford ou Berkeley, plutôt que de repartir de zéro par plateforme. Le transfert méthodologique depuis ControlNet illustre la porosité croissante entre la recherche en génération d'images et la robotique, notamment via les architectures à diffusion. Les concurrents directs incluent les adaptations LoRA appliquées aux politiques robotiques et les approches de domain adaptation sans ré-entraînement. D-CLING reste pour l'instant un preprint, sans benchmark standardisé publié ni déploiement à grande échelle annoncé ; les résultats sont prometteurs, mais la validation sur des environnements industriels diversifiés reste entière.

Recherche❧Opinion

1 source

43

3454arXiv cs.RO 

Au-delà des waypoints : ancrage à double carte de chaleur pour la navigation sémantique multi-plateforme

Des chercheurs ont publié en mai 2026 sur arXiv (arXiv:2605.19420) un framework de navigation sémantique appelé Dual-Heatmap Grounding, conçu pour convertir des instructions multimodales ouvertes (texte et image) en objectifs locaux physiquement atteignables par un robot. Plutôt que de prédire un waypoint déterministe unique, leur système génère deux cartes de chaleur : une affordance heatmap modélisant les régions continues accessibles dans le champ de vision du robot, et une facing heatmap encodant les contraintes d'orientation. Ces sorties denses forment un champ de potentiel sémantique différentiable, directement intégrable aux planificateurs locaux existants sans modification d'architecture. L'approche a été évaluée sur trois morphologies robotiques distinctes : le Jetbot (plateforme à roues), le H1 d'Unitree (humanoïde bipède) et l'Aliengo d'Unitree (quadrupède), via un benchmark de simulation construit par les auteurs avec un pipeline de données synthétiques assisté par des modèles de fondation. Les résultats atteignent le niveau state-of-the-art parmi les modèles comparables à 8 milliards de paramètres. Le problème adressé est souvent sous-estimé dans les déploiements réels : régresser un point unique vers le centre géométrique d'un objet cible positionne fréquemment le robot sur une zone non traversable (le milieu d'une table, le centre d'un obstacle), provoquant des échecs d'exécution en cascade difficiles à diagnostiquer. En prédisant une distribution spatiale sur les zones libres plutôt qu'un point fixe, le framework améliore significativement l'Affordance Rate (AR), soit la proportion de cibles effectivement exécutables par le planificateur aval. Pour les intégrateurs de robots de service, de logistique ou d'assistance, c'est un gain direct sur la fiabilité des tâches de navigation pilotées par langage naturel, sans toucher au reste de la stack. Ce travail s'inscrit dans la dynamique des modèles VLA (Vision-Language-Action), qui couplent compréhension sémantique et action physique dans un pipeline unifié. La régression de waypoints était jusqu'ici un standard de fait dans la navigation indoor, malgré ses limites documentées en environnements encombrés. Les travaux concurrents incluent LM-Nav, NavGPT et OpenFMNav. Il faut noter que le papier reste un preprint non peer-reviewed, et que l'ensemble des validations se limite à la simulation. La prochaine étape attendue est une évaluation sur robots physiques en conditions réelles, qui permettrait de mesurer le sim-to-real gap sur cette représentation par heatmap.

IA physique❧Opinion

1 source

42

3455arXiv cs.RO 

Téléopération bilatérale à compliance avec captation de pose et de force à 6-DOF

Une équipe de chercheurs propose, dans un preprint arXiv publié en mai 2026, une architecture de téléopération bilatérale cartésienne construite autour d'un nouvel effecteur terminal bas coût baptisé Delta6. Ce composant compact intègre à la fois la mesure de pose et d'effort sur 6 degrés de liberté (6-DOF) via une conception compliante, et se monte côté opérateur (leader) comme côté robot (follower). La plateforme repose sur le middleware WinGs Operating Studio (WOS), conçu pour être agnostique au matériel, et chaque bras équipé du Delta6 se comporte alors comme un actionneur élastique en série (SEA) 6-DOF complet. Les tests ont été menés sur un tandem Lite6/FR3 cadencé à 150 Hz: le système maintient une stabilité de suivi sous des délais de réseau allant jusqu'à 120 ± 40 ms avec 1 % de perte de paquets, reproduit fidèlement la raideur virtuelle prescrite en contact, et présente une signature énergétique favorable dans des tests de type passivité. L'intérêt technique de l'approche réside dans deux ruptures simultanées. D'abord, les systèmes bilatéraux actuels exigent des capteurs force/couple rigides six axes onéreux (plusieurs milliers d'euros l'unité) et des boucles de contrôle en temps réel à l'échelle du kilohertz; le Delta6 compliante ouvre une voie vers des coûts nettement inférieurs. Ensuite, la décorrélation explicite de trois échelles temporelles, I/O matériel, boucle d'impédance/admittance intermédiaire, messages de téléopération basse cadence, permet de piloter des bras hétérogènes avec la même couche applicative, ce qui est un avantage concret pour les intégrateurs gérant des parcs robotiques multi-constructeurs. Le filtre biquad coupe-bande 6D côté leader limite les oscillations dues aux résonances mécaniques, point souvent négligé dans les démonstrateurs académiques. La téléopération bilatérale connaît un regain d'intérêt fort depuis 2024, portée par la collecte de données haptiques pour l'apprentissage par imitation sur robots humanoïdes. Des acteurs comme Force Dimension (Suisse) ou Haption (France), spécialiste européen des interfaces à retour d'effort, proposent des solutions commerciales mature mais coûteuses et souvent propriétaires. WOS se positionne comme une couche d'abstraction ouverte pouvant faciliter l'intégration sur des bras Franka, UFactory ou autres. Ce travail reste à ce stade un preprint non évalué par les pairs, sans déploiement industriel annoncé; la robustesse en conditions réelles (surfaces inconnues, perturbations dynamiques) reste à valider hors du banc de test contrôlé.

Recherche❖Paper

1 source

42

3456arXiv cs.RO 

Contrôle neuromorphique d'un robot à ailes battantes sur matériel à ressources limitées

Des chercheurs ont présenté un framework de contrôle neuromorphique hiérarchique permettant le vol autonome embarqué d'un micro-robot à ailes battantes inspiré du papillon, pesant moins de 30 grammes. L'architecture déploie deux réseaux de neurones impulsionnels (Spiking Neural Networks, SNNs) directement sur un microcontrôleur ESP32 disponible dans le commerce pour environ 5 dollars : le premier SNN assure l'estimation d'état à partir des retours sensoriels bruts, le second pilote les ailes via modulation d'un Générateur de Patron Central (CPG). Entraîné par imitation learning, le système démontre un suivi stable des angles de tangage et de cap en vol libre non attaché (untethered), sans infrastructure externe. Sur le plan des performances, le contrôleur SNN réduit la latence d'inférence de 36 % (de 1 059 µs à 680 µs) et la consommation de 18 % (de 0,033 W à 0,027 W) par rapport à une baseline réseau de neurones artificiel (ANN) classique. Ce résultat est significatif car il démontre qu'un calcul de type spike-based est viable sans hardware spécialisé (neuromorphic chips type Intel Loihi ou SpiNNaker), en s'appuyant uniquement sur du silicium grand public. Pour les acteurs du secteur des micro-drones et de la robotique embarquée, cela ouvre une voie crédible vers l'autonomie embarquée sur plateformes ultra-contraintes en masse et en énergie (SWaP), un verrou reconnu de la filière. La combinaison estimation d'état + contrôle moteur en un seul pipeline neuromorphique léger, tournant en boucle fermée en temps réel, valide une hypothèse longtemps contestée : les SNNs peuvent rivaliser avec les ANNs sur des tâches de contrôle dynamique à haute fréquence sans sacrifier la précision. Les micro-véhicules à ailes battantes (FWMAVs) sont étudiés depuis une vingtaine d'années pour leur efficacité aérodynamique supérieure aux quadrotors à faible vitesse, mais leur adoption est freinée par la complexité des dynamiques non-linéaires et l'impossibilité historique d'embarquer suffisamment de puissance de calcul. Des projets comme le RoboBee de Harvard ou le DelFly de TU Delft ont établi les bases mécaniques, sans parvenir à la pleine autonomie embarquée. Sur le front concurrent, les approches à base d'ANNs classiques restent dominantes mais se heurtent aux mêmes contraintes énergétiques. Les auteurs revendiquent une première mondiale pour le contrôle neuromorphique entièrement embarqué sur FWMAV en vol autonome, affirmation qui devra être confirmée par pair review complet ; l'article est actuellement un preprint arXiv (2605.19430, mai 2025). Les prochaines étapes attendues concernent la robustesse aux perturbations extérieures et l'extension à des manœuvres 3D plus complexes.

Recherche❖Paper

1 source

42

3457arXiv cs.RO 

Modélisation monde-ego pour l'évolution à long horizon dans les tâches hybrides incarnées

Des chercheurs ont publié sur arXiv en mai 2026 (arXiv:2605.19957) un nouveau paradigme appelé World-Ego Modeling, accompagné d'une implémentation concrète, le World-Ego Model (WEM). Le problème ciblé : les world models actuels prédisent l'évolution de la scène et du robot dans un flux unique, confondant deux dynamiques de nature différente, les régularités persistantes de l'environnement d'un côté et la dynamique propre à l'agent conditionnée par ses instructions de l'autre. Ce couplage dégrade les performances sur les tâches hybrides longue horizon, où navigation autonome et manipulation d'objets s'entrelacent. WEM sépare explicitement ces deux composantes via un planificateur implicite dual, couplé à un générateur de diffusion CP-MoE (cascade-parallel mixture-of-experts). Les auteurs publient également HTEWorld, présenté comme le premier benchmark dédié à ce type de tâches, avec 125 000 clips vidéo totalisant plus de 4,5 millions de frames et 300 trajectoires multi-tours représentant plus de 2 000 instructions. WEM atteint l'état de l'art sur HTEWorld et reste compétitif sur les benchmarks de manipulation seule. L'enjeu touche directement les systèmes de manipulation mobile : robots logistiques à bras, humanoïdes polyvalents, AMR avec capacités de saisie. La majorité des world models sont entraînés soit sur de la navigation pure, soit sur de la manipulation fixe, rarement sur des séquences hybrides longues où l'agent doit enchaîner déplacement, identification et manipulation sans intervention humaine. WEM formalise la désambiguation monde-ego et propose trois stratégies de désenchevêtrement (post-, pré- et complet), ouvrant un cadre de comparaison structuré pour les futures architectures VLA ; la création d'HTEWorld comble simultanément un manque concret, l'absence de référence commune pour les tâches hybrides rendant jusqu'ici les comparaisons entre approches difficiles à établir. Ce travail s'inscrit dans l'effervescence autour des world models incarnés, aux côtés de projets comme UniSim (Google DeepMind) ou Genie, et en parallèle des efforts des constructeurs d'humanoïdes comme Figure AI, Agility Robotics et NVIDIA (GR00T N2) sur la planification longue horizon. WEM reste un résultat académique : la validation sur robot réel n'est pas documentée dans l'article, et le code ainsi que les données HTEWorld n'étaient pas encore disponibles à la date de dépôt. Les suites naturelles sont l'évaluation sim-to-real et l'intégration avec des VLA à grande échelle comme pi-0 (Physical Intelligence) ou GR00T N2.

Recherche❧Opinion

1 source

42

3458arXiv cs.RO 

HEX : experts alignés sur les humanoïdes pour la manipulation corps entier multi-plateforme

Des chercheurs ont publié HEX (Humanoid-Aligned Experts for Cross-Embodiment Whole-Body Manipulation), un cadre de contrôle robotique déposé sur arXiv (arXiv:2604.07993v2) en avril 2026. HEX cible un problème structurel dans le déploiement des humanoïdes bipèdes de grande taille : la majorité des modèles Vision-Language-Action (VLA) existants traitent les membres du robot de façon indépendante, ce qui rend le contrôle à haute dimension (de nombreux degrés de liberté, ou DoF) instable et peu généralisable. Pour y répondre, HEX introduit une représentation d'état universelle alignée sur l'anatomie humanoïde, conçue pour l'apprentissage à grande échelle sur des plateformes hétérogènes. Son prédicteur proprioceptif unifié basé sur un Mixture-of-Experts (MoE) modélise la coordination corps entier et la dynamique temporelle de mouvement à partir de trajectoires issues de multiples morphologies robotiques. Pour l'encodage visuel temporel, HEX utilise des tokens d'historique légers résumant les observations passées sans réencodage redondant des images, puis fusionne indices visuels et langagiers avec la dynamique proprioceptive via un mécanisme de fusion résiduelle à portes et une tête d'action par flow-matching. Ce cadre adresse un goulet d'étranglement réel dans les VLA appliqués aux humanoïdes : le cloisonnement bras/jambes/torse empêche une coordination fluide et pénalise les tâches à réaction rapide ou à horizon long (planification multi-étapes). Les expériences sur tâches de manipulation réelles montrent que HEX atteint des taux de succès et une capacité de généralisation de l'état de l'art, précisément dans ces deux régimes critiques pour un déploiement industriel. La capacité à transférer des politiques entre morphologies hétérogènes (cross-embodiment) réduit également le coût de collecte de données par plateforme, un argument concret pour les intégrateurs. HEX s'inscrit dans une course dense au contrôle humanoïde haute fidélité. Pi0 de Physical Intelligence a popularisé le flow-matching pour la génération d'actions continues ; GR00T N2 de NVIDIA et Helix de Figure AI misent sur l'apprentissage en simulation massive. OpenVLA reste la référence open-source. HEX se distingue par son MoE dédié à la proprioception multi-corps, absent des architectures concurrentes. L'article étant un preprint arXiv révisé (v2), les résultats restent à confirmer par évaluation indépendante ; aucune affiliation institutionnelle ni timeline de déploiement n'est précisée dans le résumé public.

IA physique❧Opinion

1 source

42

3459arXiv cs.RO 

Améliorer automatiquement la physique de simulation des objets articulés

Une thèse publiée sur arXiv en mai 2026 (identifiant 2605.19136) propose une méthode automatisée pour corriger les propriétés physiques des objets articulés destinés aux simulateurs de robotique. L'approche introduit le concept d'"interaction-readiness", qui caractérise la capacité d'un objet à être simulé de façon fiable lors de tâches de manipulation. Le constat de départ est précis : les grands datasets 3D existants, comme PartNet-Mobility ou Objaverse, fournissent des représentations géométriques et cinématiques riches, mais omettent les paramètres physiques indispensables à une simulation stable (masse, friction, amortissement, limites d'articulations), contraignant les équipes à un travail manuel coûteux. La méthode proposée fusionne des informations géométriques, visuelles et sémantiques dans une boucle itérative avec le simulateur, qui affine ces propriétés automatiquement jusqu'à atteindre une cohérence physique suffisante pour des tâches de manipulation. L'enjeu est concret pour les équipes qui entraînent des politiques de contrôle robotique par apprentissage en simulation. Les expériences conduites sur des objets articulés variés montrent que la qualité des assets influe directement sur la stabilité de la simulation, le comportement lors des interactions, et les performances des politiques apprises, validant empiriquement ce que beaucoup d'équipes observaient sans pouvoir le quantifier. Construire manuellement un objet simulation-ready (tiroir, porte, boîte à couvercle) représente un effort d'ingénierie significatif qui freine la diversification des scénarios d'entraînement. Une pipeline automatisée réutilisant des assets géométriques existants pour y injecter des propriétés physiques réalistes pourrait débloquer la mise à l'échelle des données de simulation, un goulot d'étranglement reconnu dans la course aux VLA (Vision-Language-Action models) et aux politiques de manipulation généralistes. Cette problématique s'inscrit dans un effort collectif pour réduire le sim-to-real gap, domaine où NVIDIA (Isaac Lab) et Google DeepMind (MuJoCo) investissent massivement via la domain randomization et la génération procédurale d'environnements. Le cadre d'évaluation proposé, qui décompose l'"interaction-readiness" en composantes mesurables, constitue aussi une contribution méthodologique indépendante, potentiellement utile comme benchmark pour comparer des pipelines de génération d'assets. Aucune affiliation industrielle n'est précisée dans le préprint, et la méthode n'a pas encore été validée à l'échelle industrielle ; les prochaines étapes naturelles iraient vers des applications de bin-picking ou d'assemblage, où les objets articulés restent un défi ouvert pour les intégrateurs.

Recherche❖Paper

1 source

42

3460arXiv cs.RO 

COMPASS : planification de la manipulation en espace confiné par perception active

Des chercheurs ont publié COMPASS (Confined-space Manipulation Planning with Active Sensing Strategy), un framework multi-étapes destiné à résoudre la manipulation robotique en environnements confinés et encombrés. La méthode repose sur trois composants enchaînés : un scan de proximité dit "near-field awareness" qui construit une carte locale de collision avant tout mouvement, une fonction d'utilité multi-objectifs qui sélectionne des points de vue à la fois informatifs et compatibles avec les poses de saisie ultérieures, et un optimiseur de manipulation contraint qui génère des configurations de préhension respectant les obstacles détectés. Les auteurs proposent également un benchmark structuré en quatre niveaux de difficulté croissante pour évaluer les méthodes d'exploration et de manipulation en espace restreint. En simulation, COMPASS affiche un gain de 24,25 points de pourcentage sur le taux de succès de manipulation par rapport aux méthodes d'exploration conçues pour d'autres types de robots ou n'optimisant que le gain d'information. Des expériences en conditions réelles confirment la faisabilité de l'approche. Ce résultat est significatif parce qu'il adresse directement l'un des angles morts du champ NBV (Next Best View) : les stratégies d'exploration existantes maximisent la couverture informationnelle sans tenir compte de la faisabilité de la manipulation qui suit. En couplant explicitement exploration et planification de saisie dans une même fonction d'utilité, COMPASS réduit l'écart entre "voir la scène" et "agir dessus". Pour un intégrateur industriel, cela signifie une réduction du nombre de cycles d'observation improductifs avant une prise, ce qui devient critique dans des applications comme la désassembly, le picking en bacs profonds, ou la maintenance en espaces contraints. La validation sim-to-real, même partielle, réduit le scepticisme habituel sur le transfert des méthodes d'exploration en laboratoire vers des contextes terrain. Le problème de la manipulation en espace confiné est étudié depuis plusieurs années dans la communauté planification-perception, mais reste ouvert faute de benchmarks standardisés et de méthodes intégrant les deux dimensions simultanément. COMPASS s'inscrit dans un mouvement plus large qui voit des frameworks comme Active Neural Mapping ou des planificateurs basés sur l'échantillonnage (RRT, STOMP) être revisités pour intégrer des contraintes de manipulation dès la phase d'exploration. Aucune entreprise n'est associée à cette publication académique (arXiv:2509.14787), et aucune timeline de commercialisation n'est mentionnée. Les prochaines étapes naturelles seraient d'étendre le benchmark à des objets déformables ou à des scènes dynamiques, et de tester la robustesse face à des capteurs de profondeur bruités, condition sine qua non pour un déploiement industriel.

Recherche❖Paper

1 source

42

3461arXiv cs.RO 

Learn2Decompose : décomposition de problèmes pour planifier efficacement la manipulation séquentielle de multiples objets

Des chercheurs ont publié sur arXiv (identifiant 2408.06843, cinquième révision soumise en 2025) une méthode baptisée Learn2Decompose, conçue pour réduire les temps de planification dans des tâches de manipulation séquentielle d'objets multiples en environnements dynamiques. L'approche s'appuie sur trois composantes distinctes : la décomposition d'objectifs (goal decomposition), qui découpe le problème global en séquences de sous-objectifs intermédiaires que le robot doit atteindre successivement ; l'apprentissage de distance computationnelle, qui prédit la complexité de planification entre deux états pour identifier le sous-objectif le plus proche après une perturbation de la scène ; et la réduction de l'ensemble d'objets actifs (object reduction), qui limite le nombre d'objets considérés à chaque étape de replanification. La méthode est évaluée sur trois benchmarks de manipulation robotique, sans que les gains chiffrés exacts soient communiqués dans le résumé public du papier. L'enjeu est direct : les solveurs classiques de TAMP (Task And Motion Planning) souffrent d'une complexité exponentielle à mesure que l'horizon de planification s'allonge et que le nombre d'objets augmente. En environnement industriel réel, entrepôt, ligne d'assemblage, cellule de picking, cette explosion combinatoire rend les approches TAMP difficiles à déployer sans contraintes fortes sur la taille des scènes. En apprenant des décompositions depuis des démonstrations humaines plutôt qu'en énumérant l'espace de plans, Learn2Decompose introduit un biais inductif qui réduit l'espace de recherche sans abandonner les garanties formelles du planificateur sous-jacent. L'idée de prédire une "distance computationnelle" entre états comme proxy du coût de replanning est méthodologiquement notable : elle permet au système de se reconfigurer dynamiquement après une perturbation, sans relancer une planification globale depuis zéro. Le TAMP est un domaine classique de la robotique, avec des travaux fondateurs au MIT, à Stanford et à CMU depuis les années 2010. La tension entre robustesse des planificateurs symboliques et leur passage à l'échelle reste un problème ouvert. Deux familles de réponses s'affrontent : les approches entièrement apprenantes comme les VLA (vision-language-action models) ou les diffusion policies telles que Pi-0 de Physical Intelligence, qui évitent le planificateur formel mais peinent sur les tâches longue-durée avec de nombreux objets ; et les approches hybrides comme Learn2Decompose, qui conservent le planificateur mais l'accélèrent par apprentissage automatique. Des acteurs comme Intrinsic (spin-off Google X) ou des équipes académiques comme celles derrière PDDLStream investissent dans des directions similaires. La cinquième révision du papier indique un cycle de peer review itératif ; les résultats quantitatifs complets et les comparaisons systématiques avec d'autres accélérateurs TAMP méritent consultation dans le manuscrit intégral.

Recherche❖Paper

1 source

42

3462arXiv cs.RO 

Localisation SLAM multi-session par texture au sol en environnements peu dynamiques

Des chercheurs ont publié sur arXiv (identifiant 2605.19701) une étude portant sur le SLAM multi-session par texture de sol dans des environnements à faible dynamique de changement. Le SLAM (Simultaneous Localization and Mapping) basé sur la texture du sol utilise uniquement les patterns visuels du plancher comme repère cartographique, sans marqueurs physiques ni infrastructure dédiée. L'article évalue trois techniques pour améliorer la précision d'estimation de trajectoire dans des environnements où le sol évolue lentement entre sessions : usure de surface, phénomènes météorologiques, variations saisonnières. Parmi ces approches, l'utilisation de la divergence de Kullback-Leibler (KLD), une mesure de dissimilarité entre distributions de probabilité, comme score de similarité et comme biais influençant la confiance dans la détection de bouclage de trajectoire (loop closure), s'est révélée la plus performante. L'équipe met également à disposition un dataset public contenant des images multi-sessions de sol avec variations entre sessions et des données de pose haute précision pour évaluation comparative. La gestion multi-session est un prérequis opérationnel souvent sous-estimé dans les déploiements longue durée de robots mobiles autonomes (AMR) en environnements peu texturés : entrepôts à sols lisses, couloirs hospitaliers, zones de production industrielle. Un robot contraint de reconstruire intégralement sa carte après chaque redémarrage, maintenance ou changement saisonnier génère des interruptions de service et des coûts opérationnels qui compromettent la viabilité à l'échelle. La capacité à détecter des correspondances fiables entre sessions malgré une évolution lente du terrain constitue un pas concret vers des systèmes SLAM "lifelong" exploitables en production, et la KLD semble offrir ici un avantage mesurable sur les métriques de similarité classiques. Le SLAM par texture de sol s'est développé comme alternative aux systèmes LiDAR et aux réseaux de marqueurs au sol dans des contextes où l'infrastructure est coûteuse ou non autorisée, mais les travaux antérieurs restaient limités aux opérations mono-session. Les systèmes AMR commerciaux de référence, notamment ceux d'Exotec pour la logistique française ou les plateformes de navigation d'entrepôt fondées sur LiDAR 2D, s'appuient encore sur des capteurs actifs ou des repères fixes. Cette publication s'inscrit dans l'effort croissant de la communauté SLAM pour traiter les environnements "low-dynamic", zone intermédiaire entre statique et hautement dynamique qui représente pourtant la majorité des déploiements industriels réels. Le dataset public est la contribution la plus directement réutilisable, ouvrant la voie à un benchmark standardisé entre méthodes concurrentes.

Recherche❖Paper

1 source

42

3463arXiv cs.RO 

Optimisation du débit de communication adaptatif pour la téléopération XR sans fil de robots humanoïdes en transfert simulation-réel

Une équipe publie sur arXiv (identifiant 2605.19293, mai 2026) un framework pour optimiser le taux de communication lors de la téléopération sans fil de robots humanoïdes en réalité étendue (XR). Le système enchaîne quatre modules : échantillonnage, transmission, interpolation et reconstruction des trajectoires motrices. L'objectif est de minimiser la consommation d'énergie radio tout en maintenant la précision de reconstruction, via un contrôle du taux d'échantillonnage par dimension (dimension-wise sampling-rate control). Collecter du feedback physique en temps réel étant coûteux à grande échelle, les auteurs entraînent en simulateur et corrigent le décalage sim-to-real via un algorithme PPO (proximal policy optimization) enrichi d'une pondération par ratio de densité et d'une régularisation par région de confiance (trust-region). Le tout repose sur une caractérisation théorique PAC-Bayes qui formalise les effets du biais d'encodeur, de la déviation en échantillons finis et de l'estimation du ratio de densité. Les expériences s'appuient sur un dataset public de téléopération humanoïde, testées sur différents canaux sans fil et profils de trajectoires dynamiques. La téléopération XR est aujourd'hui le principal vecteur de collecte de démonstrations humanoïdes, données indispensables à l'entraînement des politiques VLA et de diffusion. L'overhead radio des transmissions haute fréquence constitue un frein réel à la scalabilité de ces pipelines. En réduisant la consommation énergétique du lien sans fil sans dégrader la qualité des trajectoires reconstruites, ce travail adresse un problème opérationnel concret : déployer des cellules de téléopération en grand nombre dans des environnements à bande passante contrainte, entrepôts ou ateliers de production. La caractérisation PAC-Bayes représente une première formalisation théorique de l'adaptation sim-to-real appliquée spécifiquement à la couche communication, offrant aux équipes une base pour calibrer ces systèmes à l'échelle. La collecte de démonstrations est devenue l'enjeu stratégique central de la robotique humanoïde depuis 2024-2025. Physical Intelligence (pi0), Figure, Unitree et leurs concurrents investissent massivement dans des setups de téléopération, casques VR, exosquelettes et Apple Vision Pro inclus, pour alimenter leurs modèles VLA. L'adaptation sim-to-real reste un verrou ouvert que traitent aussi des équipes chez DeepMind, Stanford (Mobile ALOHA) et Carnegie Mellon. Ce papier est une contribution algorithmique et théorique sur couche communication, ni un produit ni un déploiement : les résultats sont validés sur dataset public, sans partenariat industriel annoncé. La prochaine étape logique serait une intégration dans un pipeline de collecte existant chez un fabricant d'humanoïdes, pour mesurer les gains réels en conditions opérationnelles.

Recherche❖Paper

1 source

42

3464arXiv cs.RO 

Regroupement d'actions implicites pour un contrôle continu fluide

Une équipe de chercheurs a publié sur arXiv (2605.19592) un nouveau cadre d'apprentissage par renforcement baptisé Dual-Window Smoothing (DWS), destiné à produire des signaux de contrôle continus sans les oscillations haute fréquence typiques des politiques RL. Ces instabilités constituent un frein majeur au déploiement physique. Les méthodes d'action chunking explicite existantes, qui prédisent des trajectoires sur un horizon fixe, atténuent le problème mais font croître la dimension de sortie de la politique proportionnellement à la longueur de l'horizon, générant des difficultés d'optimisation et une incompatibilité avec l'interaction pas-à-pas standard du RL. DWS propose une architecture duale : une fenêtre d'exécution qui garantit la fluidité physique via modulation déterministe, et une fenêtre de valeur qui aligne les cibles de temporal-difference sur l'horizon pour corriger le biais du critique induit par l'exécution en boucle ouverte. Un régulariseur temporel léger basé sur les différences d'actions au premier ordre complète le dispositif. Sur le DeepMind Control Suite et des tâches industrielles de gestion de l'énergie, DWS dépasse les baselines état de l'art ; sur des scénarios de conduite autonome vision, il affiche un taux de succès de 100 % avec une réduction mesurable du jitter. L'enjeu dépasse le cadre académique : la fluidité du signal de contrôle est l'un des verrous critiques pour le déploiement industriel d'agents RL, qu'il s'agisse de bras manipulateurs, de véhicules autonomes ou d'humanoïdes. Le fait que DWS n'élargisse pas l'espace d'action le rend directement compatible avec les pipelines RL standards, sans refonte d'architecture. La correction du biais du critique via la fenêtre de valeur adresse un problème rarement traité explicitement : l'inadéquation entre exécution multi-pas en boucle ouverte et estimations de valeur pas-à-pas. Le taux de 100 % en conduite vision mérite toutefois une lecture critique, les conditions exactes du benchmark ne sont pas détaillées dans l'abstract, et les résultats sur des suites plus larges (Control Suite, gestion d'énergie) constituent une validation plus solide. L'action chunking pour le lissage temporal est issu des travaux récents sur les politiques de diffusion et l'imitation learning, notamment ACT et Diffusion Policy, où prédire des séquences d'actions plutôt que des actions individuelles réduit la variance comportementale. DWS transpose cette logique au RL pur, un transfert non trivial compte tenu des contraintes TD inhérentes à l'interaction pas-à-pas. Les concurrents directs incluent les méthodes de temporal abstraction hiérarchiques (option-critic, HRL) et les filtres de lissage post-hoc. Aucune timeline de déploiement hardware n'est mentionnée dans ce preprint, mais les expériences sur la gestion industrielle de l'énergie suggèrent une orientation vers des applications réelles. Les prochaines étapes naturelles incluent une validation sur robots physiques, où la réduction du jitter se traduit directement en durée de vie mécanique et en sécurité opérateur.

Recherche❖Paper

1 source

42

3465arXiv cs.RO 

RoVLA : des contraintes de cohérence multiple pour des modèles vision-langage-action (VLA) robustes

Une équipe du HCPLab de l'Université Sun Yat-sen (SYSU, Chine) a déposé fin mai 2026 sur arXiv (réf. 2605.19678) RoVLA, un cadre d'entraînement pour renforcer la robustesse des modèles Vision-Language-Action (VLA). Ces modèles, qui couplent perception visuelle, compréhension du langage et génération d'actions pour la manipulation robotique, sont reconnus pour leur fragilité face aux variations d'instructions ou aux perturbations visuelles. RoVLA introduit trois contraintes de cohérence appliquées lors de l'entraînement end-to-end : la cohérence instructionnelle (IC), qui stabilise l'ancrage sémantique sous des reformulations équivalentes d'une même commande ; la cohérence évolutive (EC), qui maintient une intention d'action consistante tout au long de la génération de trajectoire ; et la cohérence observationnelle (OC), qui force des prédictions stables avant et après perturbations visuelles ou proprioceptives. Les expériences sont conduites sur les benchmarks LIBERO-Plus et RoboTwin 2.0, ainsi que sur des tâches de manipulation réelles, avec des performances supérieures aux baselines testées. L'enjeu est bien documenté : les VLA actuels, qu'il s'agisse de pi0 (Physical Intelligence), GR00T N2 (NVIDIA) ou OpenVLA, souffrent d'un gap de robustesse distributionnelle avéré. Dès que les conditions visuelles changent, les instructions sont paraphrasées ou les perturbations s'accumulent, les performances chutent significativement, bloquant le déploiement dans des environnements industriels non contrôlés comme l'assemblage ou la logistique d'entrepôt. RoVLA propose une réponse architecturale en forçant explicitement l'invariance pendant l'entraînement, plutôt que d'augmenter le volume de données ou d'adapter post-hoc, deux stratégies courantes mais insuffisantes pour garantir la stabilité en conditions réelles. Si les résultats se confirment à plus grande échelle, cette approche pourrait réduire concrètement le sim-to-real gap pour des politiques incarnées en production. Ce travail s'inscrit dans une compétition dense entre laboratoires académiques et industriels autour de la robustesse des VLA. Google DeepMind (RT-2, RT-X), Physical Intelligence et NVIDIA ont tous investi massivement dans des architectures à grande échelle sans traiter explicitement l'invariance en cours d'entraînement, ce que RoVLA tente précisément de corriger. Le projet reste pour l'instant un article de recherche académique : aucun déploiement commercial n'est annoncé, et le code sera publié sur GitHub sous le compte HCPLab-SYSU/RoVLA. La prochaine étape crédible serait une validation sur robots physiques en environnement industriel non contrôlé, que les premiers résultats en manipulation réelle esquissent sans encore l'établir à l'échelle.

IA physique❧Opinion

1 source

42

3466arXiv cs.RO 

Barrières neuronales dans l'espace de configuration pour la planification et le contrôle de manipulation

Des chercheurs proposent, dans un préprint arXiv (référence 2503.04929, troisième version, mars 2025), une méthode unifiée de planification de trajectoire et de contrôle sécurisé pour bras manipulateurs à haute dimensionnalité en environnement encombré et dynamique. Le coeur de l'approche repose sur l'apprentissage d'une fonction de distance en espace de configuration (CDF, Configuration-space Distance Function) via un réseau de neurones, utilisée simultanément comme outil de vérification de collision pendant la planification et comme barrière de sécurité en temps réel pendant le contrôle. Les expériences matérielles ont été réalisées sur un xArm6 d'UFactory, un manipulateur à 6 degrés de liberté vendu autour de 2 000 dollars, en conditions réelles. Le système ne s'appuie que sur des observations de nuages de points (point-cloud) embarquées, sans infrastructure de perception externe. La planification de trajectoire pour bras multi-axes en environnement non structuré repose classiquement sur des vérifications de collision nombreuses et coûteuses : chaque configuration candidate est testée contre un modèle de l'environnement. La CDF barrier réduit significativement ce nombre d'opérations en approximant localement l'espace libre en configuration. L'apport le plus concret pour les intégrateurs est ailleurs : un réseau de neurones introduit des erreurs de modélisation, et les capteurs ajoutent inévitablement du bruit. La formulation "distributivement robuste" retenue par les auteurs ne suppose aucune distribution statistique connue pour ces incertitudes, ce qui la rend applicable sans calibration préalable fine dans des scénarios industriels réels. C'est une réponse directe au fossé souvent observé entre performances en simulation et comportement effectif sur matériel, particulièrement critique pour des applications de manipulation en cellule dynamique. Ce travail s'inscrit dans une tendance accélérée à remplacer les représentations géométriques analytiques (maillages, distances signées calculées) par des représentations apprises en espace de configuration. Les Control Barrier Functions (CBFs), dont les CDF barriers constituent une extension neurale, sont issues de la théorie du contrôle formel et font l'objet d'un intérêt croissant depuis cinq ans. Parmi les approches concurrentes pour accélérer la vérification de collision : cuRobo de NVIDIA, VAMP (basé sur la décomposition convexe), ou les champs de distance signée neuronaux comme iSDF. Le choix du xArm6, bras commercial accessible et reproductible, renforce la portée pratique des résultats. L'existence d'une troisième version du préprint suggère des révisions substantielles en cours ; une soumission à ICRA ou RSS 2026 apparaît probable.

Recherche❖Paper

1 source

42

3467arXiv cs.RO 

RoboMD : détecter les vulnérabilités des robots par champs de potentiel sémantique

Des chercheurs ont publié RoboMD (arXiv:2412.02818v4), un framework destiné à identifier automatiquement les vulnérabilités des politiques de manipulation robotique avant tout déploiement physique coûteux. La méthode repose sur l'entraînement d'une politique de deep reinforcement learning distincte, chargée non pas d'exécuter une tâche, mais de prédire les scénarios d'échec. Cette politique évolue dans un espace d'embeddings vision-langage continu, traité comme un champ de potentiel : elle se déplace vers les régions associées à des échecs et se fait repousser par les zones de succès. Entraîné sur des rollouts virtuels avec un volume limité de données succès/échec, le système génère une carte probabiliste de vraisemblance de vulnérabilité. Sur des benchmarks de simulation et sur un bras robotique physique, RoboMD découvre jusqu'à 23 % de vulnérabilités uniques supplémentaires par rapport aux meilleures baselines VLA (Vision-Language-Action) existantes, révélant des fragilités subtiles ignorées par les approches heuristiques classiques. Les auteurs montrent également que le fine-tuning de la politique de manipulation avec les scénarios adverses découverts améliore les performances avec nettement moins de données d'entraînement. L'enjeu principal est l'écart entre les performances en laboratoire et la robustesse réelle des politiques de manipulation, un angle mort critique alors que les déploiements de robots physiques s'accélèrent. Tester manuellement les variations d'environnement (éclairage, objets partiellement occultés, perturbations contextuelles) en conditions réelles reste prohibitif en coût et en risque. RoboMD propose une alternative scalable : explorer systématiquement l'espace sémantique des configurations problématiques sans mobiliser le hardware. La carte de vraisemblance produite est directement exploitable par un intégrateur ou un responsable qualité pour prioriser les correctifs avant mise en production, ce qui représente un changement de paradigme par rapport aux tests de robustesse ad hoc actuellement pratiqués dans l'industrie. Ce travail s'inscrit dans un mouvement plus large d'évaluation adversariale des politiques incarnées, alors que des modèles comme pi0 (Physical Intelligence), GR00T N2 (NVIDIA) ou les politiques d'OpenVLA cherchent à généraliser le contrôle robotique via des architectures VLA. La difficulté de tester exhaustivement ces modèles en conditions réelles est l'un des principaux freins à leur adoption industrielle. RoboMD adresse ce goulot d'étranglement par l'angle de la sécurité et de la qualification, plutôt que par la seule performance brute. La version 4 du preprint suggère que les auteurs intègrent des retours communautaires ; aucun déploiement commercial ni partenariat industriel n'est annoncé à ce stade, ce qui reste un résultat de recherche à reproduire sur des plateformes humanoïdes ou AMR à plus grande échelle.

Recherche❧Opinion

1 source

42

3468arXiv cs.RO 

RoHIL : apprentissage par renforcement robotique robuste avec supervision humaine face aux variations d'éclairage

Les systèmes de reinforcement learning avec humain dans la boucle (HIL-RL) atteignent des taux de succès quasi parfaits sur le poste de travail où ils sont entraînés, mais s'effondrent lorsque le même robot est déplacé de quelques mètres vers un poste différent. La cause est simple : des variations d'éclairage (position des lampes, lumière naturelle) perturbent suffisamment la distribution des entrées visuelles pour invalider la politique apprise. Pour combler ce "cross-domain gap" sans recollecte de données terrain, des chercheurs présentent RoHIL (Robust Human-in-the-Loop), un framework de fine-tuning hors ligne évalué sur quatre tâches de manipulation robotique réelle. RoHIL repose sur trois mécanismes : un re-lighting basé sur un world model qui resynthétise le flux visuel des trajectoires sources sous plusieurs environnements HDRI virtuels sans modifier les actions ni les récompenses, un mécanisme anti-oubli appelé Illumination-Retention Replay (IRR) qui entrelace transitions d'adaptation et transitions de rétention, et un régulariseur Bellman-acteur ancré limitant la dérive de représentation par rapport à la politique source. L'enjeu industriel est direct : recollecte de démonstrations et ré-entraînement HIL à chaque nouveau poste sont incompatibles avec un déploiement à l'échelle. La fragilité aux variations lumineuses reste l'un des obstacles les plus sous-estimés entre laboratoire et production réelle. RoHIL répond à ce problème sans interaction robot supplémentaire, ce qui réduit le coût d'intégration pour les opérateurs. La combinaison IRR et régulariseur Bellman démontre qu'il est possible d'adapter une politique à de nouvelles conditions visuelles tout en préservant les performances sur l'environnement d'origine, résultat non trivial face à l'oubli catastrophique classique. Ce travail, déposé sur arXiv en mai 2025 sous soumission anonyme et vraisemblablement en cours d'évaluation par une conférence, s'inscrit dans la vague de recherches visant à rendre les politiques robotiques robustes aux variations de domaine. Les approches concurrentes incluent la randomisation de domaine à l'entraînement, les politiques multi-environnements ou l'augmentation visuelle agressive, mais ces techniques nécessitent d'anticiper les variations en amont. RoHIL se distingue par son mode entièrement offline. Aucun déploiement commercial ni partenariat industriel n'est mentionné : il s'agit d'un résultat académique à ce stade, dont les extensions naturelles porteront sur un plus grand nombre de postes, de conditions lumineuses et de tâches à degrés de liberté élevés.

Recherche❖Paper

1 source

41

3469arXiv cs.RO 

PAPO-VLA : une optimisation de politique adaptée à la planification pour les modèles vision-langage-action

Des chercheurs ont publié en mai 2026 sur arXiv (2605.19580) PAPO-VLA, une méthode d'optimisation pour les modèles Vision-Language-Action (VLA) appliqués à la manipulation robotique guidée par le langage naturel. L'observation centrale est qu'une politique VLA opère en boucle fermée : chaque action modifie l'état de la scène et conditionne toutes les décisions suivantes, ce qui rend une erreur de planification particulièrement coûteuse. Les auteurs distinguent donc deux rôles dans une politique VLA : le planificateur, qui prend des décisions orientées tâche susceptibles de rediriger l'exécution, et l'exécuteur, qui les traduit en actions continues denses. PAPO-VLA identifie les "actions de planification" en croisant variation d'action et issue de trajectoire, estime leur importance causale via deux critères formels (suffisance et nécessité causales), puis intègre ces poids dans l'estimation d'avantage du GRPO (Group Relative Policy Optimization), de sorte que les moments critiques reçoivent une emphase d'optimisation plus forte sans abandonner le signal de trajectoire globale. Des améliorations sont rapportées sur plusieurs benchmarks de manipulation robotique, sans chiffres précis disponibles dans le résumé public. L'apport clé est de combler un angle mort des approches existantes : l'imitation de trajectoires et l'optimisation par retour de trajectoire entière traitent toutes les actions avec la même importance, alors que certains instants de décision ont un impact causal disproportionné sur le succès de la tâche. Quantifier cet impact via des métriques causales formelles plutôt qu'heuristiques est une avancée méthodologique notable. Pour les équipes déployant des VLA en environnement réel, sur des plateformes comme pi-0 (Physical Intelligence), OpenVLA (Berkeley) ou GR00T N2 (NVIDIA), la méthode promet d'améliorer la fiabilité sans données de démonstration supplémentaires. Depuis RT-2 (Google DeepMind, 2023), le secteur des VLA cherche à combler l'écart entre performance en démonstration contrôlée et robustesse en déploiement réel. Le GRPO, popularisé par DeepSeek-R1 pour le raisonnement en LLM, est ici adapté à la robotique via une pondération causale des actions, dans un axe de recherche croissant autour du renforcement causal appliqué aux robots. PAPO-VLA est un preprint non encore revu par les pairs ; la validation expérimentale complète, avec benchmarks précis et comparaisons contrôlées, reste à confirmer via publication.

Recherche❧Opinion

1 source

41

3470arXiv cs.RO 

TravExplorer : exploration incarnée inter-niveaux par planification 3D sensible à la traversabilité

Des chercheurs proposent TravExplorer, un framework de navigation autonome multi-étages publié en mai 2026 sur arXiv (arXiv:2605.19958). Le système s'attaque à la navigation zero-shot par objets (ZSON, Zero-Shot Object Navigation), soit la capacité à localiser une cible désignée en langage naturel dans un environnement inconnu, sans carte préalable. Validé sur 4 195 épisodes simulés dans les benchmarks HM3D (Habitat-Matterport 3D) et Matterport3D (MP3D), puis sur 50 essais réels avec un robot quadrupède Unitree Go2, TravExplorer opère sur escaliers, paliers et espaces à chevauchements verticaux. Le système maintient une carte volumétrique unifiée distinguant structures occupées et surfaces accessibles au robot, extrait des frontières traversables sur sols, escaliers et paliers, et s'appuie sur un planificateur hiérarchique couplant une recherche 3D guidée par points d'appui (foothold-guided) à une optimisation de trajectoire localement contrainte en vertical. Presque tous les systèmes ZSON existants supposent un environnement mono-étage et une représentation plane, une hypothèse qui casse dans tout bâtiment réel comportant escaliers ou mezzanines. TravExplorer comble ce fossé avec deux apports concrets : un module sémantique allégé qui aligne une carte d'instances probabiliste (segmentation open-vocabulary en ligne) avec une carte de valeur spatiale via image-to-text rapide, réduisant la latence de raisonnement ; et une stratégie de perception active FOV-aware pour résoudre les zones partiellement observées lors des transitions d'étages. Les résultats sur HM3D et MP3D sont supérieurs aux baselines ObjectNav de référence, et les 50 essais sur Go2 sans carte ni intervention humaine constituent une validation sim-to-real concrète, même si elle reste limitée à une seule plateforme et à des intérieurs contraints. Le champ du ZSON multi-étages émerge dans un contexte plus large d'ambition robotique pour les environnements non structurés. HM3D (Meta) et MP3D sont les benchmarks standards du domaine ; y surpasser les méthodes ObjectNav actuelles est un signal de maturité technique. Le Unitree Go2, quadrupède de recherche commercialisé autour de 8 700 euros, est devenu une plateforme de référence en navigation académique. Le code source sera mis à disposition sur GitHub. Les extensions logiques incluent des bâtiments plus complexes, des espaces semi-ouverts et l'intégration sur robots humanoïdes ou à roues. Aucun acteur européen n'est impliqué dans cette publication.

Recherche❖Paper

1 source

41

3471arXiv cs.RO 

ContextFlow : alignement hiérarchique tâche-état pour agents incarnés à long horizon

Une équipe de chercheurs a publié en mai 2026 ContextFlow (arXiv:2605.19314), un cadre d'alignement destiné aux agents robotiques longue durée capables d'enchaîner navigation, recherche, approche et manipulation sur des séquences complexes. Le problème central est ce que les auteurs nomment le "task-state misalignment" : un écart de cohérence au niveau tâche, dans lequel le planificateur central, les observations en temps réel, la mémoire contextuelle et les exécuteurs spécialisés ne convergent plus vers la même décision de prochaine étape. Les symptômes concrets incluent les transferts de contrôle non justifiés ("unsupported handoffs"), le blocage de phase ("stage lock") et les replanifications inutiles qui dégradent la performance globale. Le système représente chaque étape comme un contrat explicite, convertit les observations en paquets d'évidence structurés, et applique cinq types de mises à jour : continue, refine, transfer, promote et repair. L'enjeu est structurant pour l'architecture des robots manipulateurs polyvalents. À mesure que les exécuteurs spécialisés, modèles vision-langage-action (VLA) ou stacks de navigation autonome, deviennent plus robustes, le vrai goulot d'étranglement se déplace : non plus la qualité d'exécution locale, mais la capacité à maintenir une frontière de tâche cohérente sur plusieurs dizaines d'étapes, un angle que les architectures hiérarchiques classiques négligent. Pour un intégrateur industriel, ContextFlow promet moins d'échecs silencieux en production et une meilleure diagnosticabilité des incidents. La séparation entre contrôle local délégué aux exécuteurs et cohérence globale gérée par ContextFlow permet aussi de remplacer ou améliorer les exécuteurs sans refondre l'architecture de planification. Ce travail s'inscrit dans une vague de recherche sur les agents incarnés longue durée, portée par la montée en puissance des VLA et des architectures "foundation model" couplées à des exécuteurs de compétences spécialisées. Les approches concurrentes incluent SayCan et TaPA pour la décomposition de tâches langagières, ainsi que les Behavior Trees pour la gestion d'état structuré. ContextFlow se distingue par son accent sur l'inspectabilité et la traçabilité des décisions d'alignement. Les auteurs valident leur approche sur des traces de démonstration de tâches longue durée, sans benchmark public ni déploiement sur robot physique : les résultats restent expérimentaux, ce qui constitue une limite à noter. Les prochaines étapes naturelles seraient une validation sur des plateformes matérielles, bras manipulateurs ou humanoïdes, et une comparaison quantitative avec des baselines de planification classiques.

IA physique❧Opinion

1 source

40

3472arXiv cs.RO 

Génération itérative et compositionnelle de données pour le contrôle de robots

Une équipe de chercheurs propose, dans un article arXiv (2512.10891, cinquième révision), un modèle génératif appelé "semantic compositional diffusion transformer" pour produire des données d'entraînement en manipulation robotique. Le principe central consiste à décomposer chaque transition dans l'espace d'état en quatre composantes distinctes, propres au robot, aux objets manipulés, aux obstacles, et à l'objectif de la tâche, dont les interactions sont apprises via des mécanismes d'attention. Entraîné sur un sous-ensemble limité de combinaisons de tâches, le modèle génère en inférence zéro-shot des transitions synthétiques de haute qualité pour des configurations jamais vues : nouveaux objets, nouveaux environnements, nouvelles associations robot-tâche. Un processus d'auto-amélioration itératif complète l'approche : les données synthétiques générées sont validées par apprentissage par renforcement hors-ligne (offline RL), puis réintégrées dans les rounds d'entraînement suivants. Au terme de ce cycle, le système résout la quasi-totalité des tâches de test non vues lors de l'entraînement. L'enjeu industriel est direct : collecter des démonstrations robotiques réelles pour couvrir l'espace combinatoire de toutes les tâches possibles en environnement multi-objets, multi-robots, multi-sites est économiquement prohibitif. Ce travail démontre qu'une structure compositionnelle apprise permet de briser cette malédiction combinatoire, sans démonstrations exhaustives. La boucle génération-validation-réentraînement est particulièrement notable : elle réduit le risque classique de drift sim-to-real en filtrant les transitions synthétiques non viables avant qu'elles ne contaminent le pipeline de policy learning. Les résultats surpassent significativement les baselines monolithiques et les approches compositionnelles à règles fixes (hard-coded), ce qui suggère que la structure compositionnelle émergente est réellement capturée par les représentations apprises, et non artificiellement injectée. Ce travail s'inscrit dans une dynamique de recherche qui cherche à contourner le goulot d'étranglement des données en robotique, aux côtés d'approches comme Diffusion Policy (Chi et al., CMU) ou les Visual Language Action models (VLA) tels que Pi-0 (Physical Intelligence) et GR00T N2 (NVIDIA). Là où ces derniers misent sur des fondations visuolinguistiques massives, cette contribution cible la généralisation compositionnelle avec des données d'entraînement réduites. La première soumission datant de décembre 2025 et le papier en étant à sa cinquième révision, les auteurs ont visiblement consolidé leurs expériences au fil des retours communautaires. Les prochaines étapes naturelles seraient une validation sur hardware réel et une extension aux chaînes de manipulation longue-horizon, domaine où l'absence de compositionnalité reste le principal point de rupture des approches actuelles.

Recherche❖Paper

1 source

40

3473arXiv cs.RO 

Un cadre pratique d'indicateurs de performance clés pour les tests sur le terrain avec plusieurs robots lunaires et planétaires

Une équipe de chercheurs a publié sur arXiv (référence 2601.20529, version 3) un cadre structuré d'indicateurs clés de performance (KPI) destiné à évaluer les missions multi-robots lors d'essais analogiques lunaires et planétaires. Le constat de départ : les nombreux tests de terrain simulant la prospection lunaire (ilménite, terres rares, glace d'eau) utilisent des métriques hétérogènes propres à chaque scénario, rendant toute comparaison inter-missions quasi impossible. Le cadre est dérivé de trois scénarios multi-robots représentatifs et organise les KPI autour de trois axes : efficacité (couverture de terrain, débit d'exploration), robustesse (taux de pannes, reprise après défaillance) et précision (qualité des données scientifiques collectées). Validé lors d'un test de terrain réel, il se révèle directement applicable pour les métriques d'efficacité et de robustesse ; les KPI de précision se heurtent en revanche à l'impossibilité pratique d'obtenir des données de vérité terrain fiables dans des environnements extérieurs non instrumentés. L'absence de standard commun est l'un des freins principaux au développement de la robotique planétaire : sans référentiel partagé, comparer deux systèmes multi-robots issus de plateformes et de configurations expérimentales différentes reste impossible, même lorsqu'ils visent le même objectif scientifique. Ce framework comble ce manque en reliant les métriques d'ingénierie aux objectifs de mission (ressources extractibles, couverture cartographique), ce qui est directement utile pour arbitrer entre architectures de flotte ou stratégies de coordination distribuée. La limite identifiée sur les KPI de précision est significative et honnête : mesurer la localisation absolue d'un essaim de robots en extérieur sans infrastructure de référence reste un problème ouvert, ce qui conditionne directement la fiabilité des futurs démonstrateurs ISRU (In-Situ Resource Utilization). La prospection robotique lunaire connaît une structuration accélérée sous l'impulsion du programme Artemis (NASA), des ambitions lunaires de l'ESA et d'acteurs privés comme ispace (Japon/Luxembourg) ou Astrobotic (États-Unis). Les missions analogiques terrestres sur substrats simulant le régolite sont l'outil standard avant vol, mais leur prolifération sans méthode commune a produit une littérature difficile à synthétiser et à comparer. Ce papier s'inscrit dans un mouvement de standardisation comparable à ce que l'IEEE a accompli pour les robots AMR industriels ; l'étape logique serait son adoption par des consortiums comme l'ESA-ESRIC lors de compétitions analogiques de référence, telles que l'ESRIC Space Resources Challenge, pour confirmer sa portée au-delà d'un seul contexte expérimental.

Recherche❖Paper

1 source

39

3474arXiv cs.RO 

Justifier la recherche en robotique bio-inspirée : une taxonomie des stratégies

Une équipe de chercheurs a publié sur arXiv (référence 2605.19840) une proposition de taxonomie structurée des motivations qui sous-tendent la conception bio-inspirée en robotique. Le constat de départ est simple mais rarement formulé explicitement : depuis des siècles, l'ingénierie emprunte au vivant sans cadre théorique cohérent pour justifier ces choix. Le papier identifie cette absence comme source de confusions méthodologiques récurrentes, des motivations floues, des métriques d'évaluation inadaptées, et un écart persistant entre les attentes des lecteurs ou financeurs et les résultats effectivement livrés. Les auteurs proposent une classification des différentes postures possibles pour un chercheur qui choisit d'imiter, d'adapter ou de s'inspirer d'un système biologique, avec pour chaque approche une description des contributions scientifiques attendues. L'enjeu est loin d'être purement académique. Dans le domaine de la robotique, la bio-inspiration joue un rôle croissant : locomotion quadrupède (Boston Dynamics Spot, ANYmal), manipulation inspirée de la main humaine (Shadow Dexterous Hand, Leap Hand), vision par événements calquée sur la rétine. Mais la justification de ces choix reste souvent implicite dans les publications, ce qui complique l'évaluation par les comités de financement et crée des attentes mal calibrées. Une taxonomie claire permettrait aux chercheurs d'afficher d'emblée le niveau d'analogie revendiqué, structural, fonctionnel, ou computationnel, et aux programme managers de comparer des approches réellement comparables. C'est aussi un outil pour détecter ce que les auteurs appellent une bio-inspiration "superficielle" : une ressemblance cosmétique avec le vivant sans apport scientifique distinct. La bio-inspiration en robotique puise dans une longue tradition qui remonte aux travaux de Grey Walter dans les années 1940 (tortues électromécaniques), en passant par la cybernétique de Norbert Wiener et les robots de subsomption de Rodney Brooks au MIT dans les années 1980. Aujourd'hui, le champ est fragmenté entre des communautés aux vocabulaires disjoints : soft robotics, neurorobotics, morphological computation. Ce papier ne propose pas de résultats expérimentaux ni de déploiement industriel, c'est une contribution méta-scientifique, un outil de clarification conceptuelle. Son utilité sera mesurée à l'adoption par la communauté et à son éventuelle intégration dans des guidelines de reviewers et de bailleurs comme la NSF ou l'ANR en France.

Recherche❖Paper

1 source

39

3475arXiv cs.RO 

Réceptogenèse dans un corps robotique vascularisé

Une équipe de chercheurs présente, dans un preprint arXiv (réf. 2603.09473v2, mai 2026), un composite robotique vascularisé capable de générer ses propres capteurs pendant l'opération. Le concept central, la réceptogenèse, désigne la construction à la demande d'organes sensitifs à partir de réserves de fluide internes, déclenchée par des stimuli environnementaux. Concrètement, des précurseurs chimiques sont acheminés via des micro-canaux fluidiques jusqu'à une zone cible, puis exposés à une irradiation UV localisée. Cette photopolymérisation in situ transforme les précurseurs contenant un initiateur photolatent en une dispersion solide de polypyrrole UV-sensible dans du PETG, créant une zone conductrice dont la formation est confirmée par une chute caractéristique d'impédance électrique. La démonstration a été réalisée sur un robot biomimétique inspiré du papillon de nuit : le capteur synthétisé en temps réel a fermé une boucle de contrôle locale régulant le battement des ailes. Ce résultat met en évidence une limite structurelle des systèmes modulaires actuels, qui permettent la substitution de composants pré-fabriqués mais ne créent pas de nouvelle fonctionnalité au niveau matériau. La réceptogenèse propose une rupture : la fonctionnalité émerge d'une restructuration chimique interne, sans pièce externe ni intervention humaine. La fermeture d'une boucle temps réel avec un capteur synthétisé in situ constitue l'avancée démonstrative clé. Il faut cependant noter que le démonstrateur reste limité à une tâche mécanique simple, et que la robustesse sur des cycles répétés ou en conditions opérationnelles variées n'est pas encore évaluée. Ce travail s'inscrit dans la recherche émergente sur les matériaux robotiques programmables, inspirée des systèmes circulatoires biologiques qui redistribuent masse et fonction dans l'organisme. Ni institution d'origine, ni partenaire industriel, ni timeline de déploiement ne sont mentionnés dans le preprint : il s'agit d'une contribution de recherche fondamentale. Les approches concurrentes les plus proches relèvent des soft robots à composites auto-cicatrisants développés notamment au Harvard Biodesign Lab et à l'ETH Zurich, ainsi que des systèmes à microfluidique intégrée. Les étapes suivantes naturelles incluront l'extension à des vasculatures plus complexes, la validation sur plusieurs cycles de synthèse successifs et la démonstration hors conditions de laboratoire contrôlées.

Recherche❖Paper

1 source

38

3476arXiv cs.RO 

Vers une récupération d'architecture assistée par LLM pour les systèmes ROS 2 réels : approche multi-niveaux à base d'agents pour la reconstruction de structure hiérarchique

Des chercheurs ont publié sur arXiv (arXiv:2605.20055) une approche basée sur des agents LLM pour reconstruire automatiquement l'architecture logicielle hiérarchique de systèmes robotiques développés sous ROS 2. Le pipeline, dit "blueprint-guided", intègre deux améliorations majeures par rapport à une version antérieure : un raffinement du prompting pour améliorer la cohérence et la contrôlabilité de la synthèse architecturale, et une stratégie de récupération par étapes s'appuyant sur des représentations intermédiaires multi-niveaux, incluant la liste des nœuds ROS atomiques et les dépendances entre fichiers de lancement. L'approche a été évaluée sur un système réel de désassemblage automatisé de produits, basé sur des bras robotiques coopératifs et des artefacts ROS 2 hétérogènes, présentant une complexité d'intégration nettement supérieure au cas d'étude précédent. L'enjeu est concret pour les équipes robotique en production : dans un système ROS 2, la structure logicielle est rarement documentée explicitement. Elle est fragmentée entre le code source, les fichiers de lancement et les paramètres de configuration, rendant la maintenance, l'audit de sécurité et l'évolution du système coûteux. Les outils existants se limitent généralement à la cartographie des nœuds et des topics (niveau "câblage"), sans restituer la décomposition fonctionnelle hiérarchique que les architectes logiciels utilisent réellement. Cette approche LLM propose de franchir ce saut d'abstraction, avec des résultats jugés améliorés en consistance structurelle et en robustesse, bien que les auteurs signalent eux-mêmes des limites persistantes sur la sémantique d'intégration dynamique dans les déploiements à grande échelle, un point de fragilité non négligeable pour des systèmes en production. ROS 2, successeur de ROS 1 maintenu par la Open Robotics Foundation, est devenu le middleware de référence pour les robots industriels et de recherche, avec une adoption croissante chez des intégrateurs comme Clearpath, Boston Dynamics ou Universal Robots. La récupération d'architecture logicielle (architecture recovery) est un problème classique du génie logiciel, mais son application aux systèmes cyber-physiques distribués comme ROS 2 reste un chantier ouvert. Ce travail s'inscrit dans un effort académique plus large visant à automatiser la documentation des systèmes robotiques complexes, en complément d'approches d'analyse statique comme ros2doctor ou roslaunch-analyzer. La prochaine étape naturelle serait de tester la méthode sur des systèmes ROS 2 de plus grande envergure, notamment dans des environnements d'entrepôts ou de lignes de production, pour valider la tenue à l'échelle revendiquée.

Recherche❖Paper

1 source

37

3477arXiv cs.RO 

EUPHORIA : planification universelle efficace par optimisation hybride pour l'assemblage robotique industriel

Une équipe de chercheurs a publié sur arXiv (référence 2605.18872v1) EUPHORIA, un framework de planification unifiée pour l'assemblage robotique en construction architecturale. Le système combine quatre modules distincts : un Meta-Geometric Encoder basé sur des Graph Hypernetworks, un Physics-Informed Graph Transformer entraîné via Soft Actor-Critic (SAC), un module de séquençage Kinematics-Aware, et une couche de correction différentiable baptisée Residual Stability Correction. Le principe central est l'adaptation en few-shot : à partir d'un ensemble de support minimal, le hypernetwork génère dynamiquement les paramètres de politique du robot sans nécessiter de réentraînement par gradient, même sur des géométries non standards comme des dômes ou des arches. Les expériences rapportées montrent une réduction de la consommation énergétique par rapport aux approches découplées, et des taux de succès annoncés comme état de l'art sur des géométries inédites. Il s'agit d'un preprint académique, sans déploiement industriel déclaré à ce stade. L'intérêt technique de EUPHORIA réside dans l'attaque simultanée de deux goulots d'étranglement qui paralysent l'automatisation en construction : le coût de réentraînement pour chaque nouvelle conception géométrique, et le traitement disjoint du séquençage structurel et du mouvement cinématique. Le mécanisme Physics-Bias Attention intègre des forces de contact issues de simulations par éléments discrets (DEM) directement dans les scores d'attention du transformer, orientant le planificateur vers les connexions structurellement critiques. Le module Residual Stability Correction tente de combler le gap sim-to-real en affinant les actions d'assemblage brutes via une optimisation conjointe énergie-stabilité avant exécution, ce qui reste une approche prometteuse mais non validée en conditions industrielles réelles. Si les résultats laboratoire se confirment, l'impact pour les intégrateurs serait significatif : pouvoir déployer un même robot sur des chantiers aux géométries variées sans cycle de requalification logicielle. Le champ de la robotique de construction reste dominé par des systèmes spécialisés : Hadrian X de FBR pour la maçonnerie en ligne droite, les bras ABB et KUKA pour l'assemblage structurel répétitif, ou encore des approches de préfabrication hors-site. La recherche en planification architecturale robotisée s'intensifie dans les labos académiques (ETH Zurich, MIT Media Lab), mais le fossé entre démonstration sur géométries contrôlées et déploiement réel sur chantier reste important. EUPHORIA s'inscrit dans ce courant de travaux cherchant à généraliser les politiques de manipulation via le méta-apprentissage, une direction également explorée par des acteurs comme 1X Technologies ou Apptronik pour la manipulation généraliste, mais ici appliquée à un domaine industriel vertical précis. Les prochaines étapes naturelles seraient une validation sur hardware réel et une collaboration avec un acteur de la construction industrialisée.

Recherche❖Paper

1 source

37

3478arXiv cs.RO 

Entraînement hybride pour les modèles vision-langage-action (VLA)

Une équipe de chercheurs a publié sur arXiv (identifiant 2510.00600, version 2) un framework nommé Hybrid Training (HyT), conçu pour les modèles Vision-Language-Action (VLA) utilisés en robotique de manipulation. Le problème central est le suivant : le raisonnement par chaîne de pensée (Chain-of-Thought, CoT), qui consiste à générer des "pensées" intermédiaires avant chaque action, améliore les performances des VLA mais allonge mécaniquement le temps d'inférence. Dans des tâches requérant de longues séquences d'actions successives, ce délai compromet l'utilisabilité réelle du système. HyT découple la phase d'apprentissage de la phase d'exécution : le modèle s'entraîne en intégrant les pensées intermédiaires, acquiert les gains de performance associés, puis peut les omettre entièrement lors du déploiement. Le framework supporte trois modes à l'inférence selon le contexte : prédiction directe d'actions, génération CoT complète, ou suivi d'instructions. Les auteurs ont validé l'approche sur plusieurs benchmarks simulés et sur des expériences en conditions réelles. Ce découplage entraînement/inférence répond à l'une des tensions fondamentales dans le déploiement industriel des VLA : les techniques qui améliorent la fiabilité dégradent souvent la réactivité. Pour un intégrateur ou un COO industriel, un système qui "réfléchit" trop longtemps avant d'agir est difficilement intégrable sur une ligne de production cadencée. HyT avance que les bénéfices du raisonnement explicite peuvent être distillés dans les poids du modèle et activés implicitement, sans générer de tokens supplémentaires au runtime. Si ce résultat se confirme à plus grande échelle, il simplifierait le compromis latence/performance qui freine aujourd'hui le déploiement de bras manipulateurs VLA en environnement non structuré. C'est également une réponse indirecte au "demo gap" fréquemment reproché à ces modèles : de bonnes performances en simulation ne garantissent pas une vitesse d'exécution acceptable sur le terrain. L'essor des VLA s'est accéléré depuis 2023 avec RT-2 (Google DeepMind), OpenVLA (UC Berkeley), Pi-0 (Physical Intelligence) et GR00T N2 (NVIDIA), qui combinent vision, langage et prédiction d'actions dans un seul réseau. L'application du CoT à la robotique prolonge les travaux fondateurs sur les LLMs, mais se heurte aux contraintes temps-réel absentes du traitement de texte. HyT s'inscrit dans un courant de recherche orienté déployabilité, aux côtés de la distillation de politiques et des architectures à flux de tokens réduit. La publication est une preprint arXiv non peer-reviewed, et les résultats en conditions réelles restent à confirmer à plus grande échelle industrielle. Aucun acteur européen n'est impliqué dans ces travaux ; les laboratoires cités opèrent principalement depuis les États-Unis.

Recherche❧Opinion

1 source

36

3479arXiv cs.RO 

Contrôle robuste aux distributions via l'inférence de Stein pour la manipulation au contact

Une équipe de chercheurs publie sur arXiv (référence 2605.19029) une méthode de contrôle robuste pour la manipulation robotique en contact riche, domaine couvrant la saisie, l'assemblage et l'insertion précise d'objets. Le travail formalise le problème comme une optimisation de contrôle robuste aux distributions (distributionally robust control), résolue via l'inférence variationnelle de Stein, une technique probabiliste déterministe issue du machine learning bayésien. Les contrôleurs qui en résultent modélisent explicitement l'incertitude paramétrique liée aux contacts, sans nécessiter les volumes massifs de données d'entraînement qu'exigent les approches data-driven modernes. Les résultats expérimentaux rapportés indiquent une robustesse améliorée jusqu'à un facteur 3 par rapport aux méthodes classiques à base de modèles, sur une gamme de tâches avec incertitude paramétrique large. Ce chiffre est à nuancer : il provient des propres benchmarks des auteurs, sans validation indépendante. La manipulation en contact riche reste l'un des goulots d'étranglement critiques pour le déploiement de robots industriels polyvalents. Les approches VLA (Vision-Language-Action models), comme pi-0 de Physical Intelligence, offrent une flexibilité remarquable mais se dégradent fortement lorsque les données d'entraînement sont rares, ce qui limite leur adoption dans des environnements industriels où les jeux de données sont difficiles à constituer. Les contrôleurs classiques à base de modèles, à l'inverse, sont computationnellement efficaces mais peinent à représenter l'incertitude task-sensitive, c'est-à-dire celle qui impacte réellement la performance sur une tâche précise. L'approche proposée tente de combler ce fossé en injectant une modélisation probabiliste flexible dans le cadre déterministe des contrôleurs classiques, un compromis potentiellement attractif pour les intégrateurs industriels cherchant fiabilité sans pipeline de données massif. Ce travail s'inscrit dans une tendance académique cherchant à réconcilier le model-based engineering (Boston Dynamics, ABB) et les learned policies (Physical Intelligence avec pi-0, Google DeepMind avec ses architectures GR00T-style). L'inférence variationnelle de Stein, popularisée par Liu et Wang en 2016, est ici adaptée au contrôle optimal, ce qui représente une contribution méthodologique notable. Le résumé disponible ne mentionne ni déploiements réels ni partenaires industriels, signalant clairement un stade de recherche fondamentale, probablement conduite en simulation ou sur bancs d'essai de laboratoire. Une validation sur des plateformes hardware standardisées comme les bras Franka Emika ou UR10, dont les propriétés de contact sont bien documentées, constituerait la prochaine étape logique avant toute perspective d'industrialisation.

Recherche❖Paper

1 source

35

3480arXiv cs.RO 

Opérateurs neuronaux pour la modélisation par substitution de l'espace de conception des robots continus à actionnement par tendons

Des chercheurs ont soumis sur arXiv (identifiant 2605.19104, mai 2026) un cadre de modélisation par apprentissage d'opérateurs pour les robots continus actionnés par tendons. Le problème adressé est fondamental : les modèles physiques classiques issus de la mécanique des poutres de Cosserat sont trop coûteux en calcul pour le contrôle temps réel, tandis que les approches d'apprentissage automatique existantes se spécialisent sur un design de robot précis et ne transfèrent pas. La contribution propose de reformuler le problème comme un apprentissage d'opérateurs, une famille de méthodes qui apprend des mappings entre espaces fonctionnels plutôt qu'entre vecteurs fixes. Un modèle unique ingère conjointement les paramètres de conception du robot (géométrie des segments, propriétés mécaniques) et les entrées d'actionnement par tendons, et prédit la configuration résultante. Quatre architectures sont présentées : deux variantes de Deep Operator Networks (DeepONets) et deux variantes de Fourier Neural Operators (FNOs), toutes entraînées sur des données de simulation. L'enjeu industriel est la généralisation inter-designs en espace de conception. Pour un OEM ou un intégrateur en robotique chirurgicale, évaluer des milliers de variantes mécaniques sans relancer de simulations physiques complètes représente un gain de cycle de design considérable. Les auteurs décrivent une "bonne précision" et des temps d'inférence compatibles avec le contrôle embarqué, sans donner d'erreurs quantitatives dans l'abstract. Point de vigilance éditorial : l'entraînement est réalisé exclusivement sur données simulées, et aucune validation hardware n'est rapportée. Les robots continus à tendons sont particulièrement exposés au sim-to-real gap, notamment les frottements de câbles, l'hystérésis, et les déformations non modélisées sous charge. Les robots continus occupent une niche stratégique en endoscopie robotisée et inspection en espace confiné, avec des acteurs commerciaux comme Intuitive Surgical (Da Vinci), Auris Health (Monarch, racheté par J\&J) et Medtronic. Côté recherche académique, les groupes travaillant sur la modélisation apprise pour robots déformables incluent Imperial College London, ETH Zürich et plusieurs labos nord-américains. Ce preprint reste une contribution théorique et computationnelle : aucun déploiement, aucun partenariat industriel ni timeline de validation physique ne sont mentionnés. La prochaine étape naturelle, et le vrai test de la méthode, sera la validation sur banc d'essai avec des prototypes réels aux designs variés.

Recherche❖Paper

1 source

34

3481arXiv cs.RO 

Planification par réseau de neurones en graphe et contrôle prédictif pour la planification de mouvement multi-robots sans étiquettes sous contraintes de communication

Une équipe de chercheurs propose, dans un preprint déposé sur arXiv le 25 mai 2026 (arXiv:2605.19209), un framework hiérarchique pour résoudre le problème de planification de mouvement multi-robots sans étiquetage, c'est-à-dire l'assignation simultanée de robots à des objectifs et la génération de trajectoires sûres dans des environnements partagés. Le système combine deux composants : un Graph ATtention Planner (GATP), fondé sur des réseaux de neurones à graphes avec mécanisme d'attention, qui génère des sous-objectifs intermédiaires par coopération entre agents, et un contrôleur NMPC (Nonlinear Model Predictive Controller) décentralisé, exécuté en embarqué sur chaque robot, qui garantit la faisabilité des trajectoires sous dynamiques non-linéaires et contraintes d'actuation réelles. Le framework a été évalué à la fois en simulation et sur des quadrotors physiques. Les auteurs rapportent une tolérance aux délais de communication allant jusqu'à 200 ms, une inférence entièrement décentralisée à bord, et une meilleure généralisation à des équipes de taille croissante. Ce travail s'attaque directement au gouffre sim-to-real qui mine la plupart des approches GNN appliquées à la robotique multi-agents : les méthodes existantes supposent des dynamiques simplifiées et un environnement de simulation idéalisé, ce qui les rend fragiles en conditions réelles. En couplant un planificateur neuronal décentralisé à un contrôleur à modèle prédictif, le framework maintient les propriétés de scalabilité des GNN tout en imposant des garanties de sécurité physiques que les approches purement apprises ne fournissent pas. La robustesse aux délais de communication est particulièrement significative pour les déploiements en entrepôts ou en milieu industriel, où les réseaux sans fil ne sont jamais idéaux. Cette contribution s'inscrit dans un corpus actif de recherche sur les GNN pour la coordination multi-robots, aux côtés de travaux comme MAGAT ou DAN, qui visent à remplacer les solveurs centralisés classiques (MILP, CBS) par des approches distribuées passant à l'échelle. Le preprint n'est pas encore soumis à une revue avec comité de lecture, et aucun déploiement industriel ni partenariat n'est annoncé : il s'agit d'une validation expérimentale académique sur quadrotors, prometteuse mais à consolider. Les prochaines étapes naturelles seraient des expériences sur flottes plus larges et des robots à dynamiques plus complexes, comme des manipulateurs mobiles ou des AMR en environnement entrepôt.

Recherche❖Paper

1 source

34

3482arXiv cs.RO 

Robots qui apprennent à évaluer des modèles de comportement collectif

Des chercheurs ont publié sur arXiv (référence 2604.07303) un cadre méthodologique inédit permettant d'évaluer la fidélité de modèles comportementaux animaux via un robot biomimétique en interaction fermée. L'équipe a utilisé un poisson robot, baptisé RoboFish, contrôlé par des politiques d'apprentissage par renforcement entraînées en simulation sur quatre modèles de comportement de poissons réels : une baseline constante de suivi simple, deux modèles à règles explicites, et un modèle neuronal convolutif (CNN) ancré biologiquement. Ces politiques entraînées en simulation ont ensuite été transférées au RoboFish physique, qui a interagi en temps réel avec de vrais poissons. L'écart sim-to-real a été quantifié via la distance de Wasserstein entre les distributions simulées et réelles de métriques comportementales : performance d'atteinte de cible, distances inter-individuelles, interactions avec les parois de l'aquarium, et alignement de nage. Le modèle CNN s'est révélé le plus fidèle, affichant le plus faible écart sim-to-real sur la majorité des métriques mesurées. Ce travail résout un problème méthodologique persistant en robotique bio-inspirée et en éthologie computationnelle : jusqu'ici, les modèles comportementaux étaient validés uniquement par comparaison offline sur des trajectoires enregistrées, sans confrontation dynamique avec les animaux réels. En introduisant une évaluation en boucle fermée, les auteurs montrent que le classement des modèles change lorsqu'on passe d'une comparaison statique à une interaction incarnée, ce qui implique que de nombreux modèles publiés ont pu être surévalués. Pour la robotique de swarm et les systèmes multi-agents bio-inspirés, ce type de benchmark incarné constitue un outil de validation bien plus discriminant que les métriques classiques. Ce travail s'inscrit dans un courant de recherche croissant sur le sim-to-real en robotique comportementale, porté par des laboratoires comme celui de Maurizio Porfiri (NYU) qui travaille depuis plusieurs années sur RoboFish comme outil d'étude du comportement collectif animal. Le cadre proposé est explicitement généraliste : les auteurs suggèrent qu'il peut s'appliquer à d'autres espèces et d'autres plateformes robotiques. Les prochaines étapes naturelles incluent des tests sur des comportements collectifs plus complexes (bancs de plusieurs individus) et l'extension à d'autres espèces sociales. Aucun partenaire industriel ni financement spécifique n'est mentionné dans le préprint.

Recherche❖Paper

1 source

33

3483arXiv cs.RO 

CLUE : indices contextuels à priorité adaptative et carte sémantique unifiée pour la navigation zero-shot vers des objets cibles

Des chercheurs ont publié sur arXiv (référence 2605.19206) un framework de navigation baptisé CLUE, conçu pour résoudre le problème de la navigation vers des objets cibles sans entraînement préalable sur ces objets, un défi connu sous le nom de zero-shot object-goal navigation (ZSON). L'idée centrale : un agent robotique doit localiser un objet donné dans un environnement inconnu en exploitant deux types d'indices contextuels, les pièces (un réfrigérateur se trouve presque toujours dans une cuisine) et les objets voisins co-localisés (des ciseaux peuvent se trouver partout, mais souvent près d'un bureau ou d'un plan de travail). CLUE extrait des connaissances de bon sens à partir d'un grand modèle de langage (LLM) utilisé hors ligne, calcule un score d'association entre la cible et les types de pièces, puis construit une carte sémantique unifiée pondérant dynamiquement ces deux sources d'information selon l'ambiguïté de la cible. Un mécanisme de vérification multi-points de vue complète le système. Les expériences menées en simulation et dans des environnements réels montrent que CLUE dépasse les baselines de l'état de l'art sur les métriques de taux de succès (SR) et de succès pondéré par la longueur du chemin (SPL), sans que des chiffres absolus ne soient communiqués dans l'abstract. L'intérêt pratique de cette approche tient à une critique implicite des méthodes existantes : traiter tous les indices contextuels avec le même poids conduit à une exploration inefficace. Pour un intégrateur de robots de service, cela signifie des trajectoires plus courtes et une meilleure résilience dans des environnements non cartographiés, comme les hôpitaux, les entrepôts ou les environnements domestiques. L'utilisation d'un LLM hors ligne, plutôt qu'en inférence temps réel, réduit la latence et les dépendances cloud, un avantage concret pour le déploiement industriel. La démonstration en environnement réel, même si ses conditions exactes ne sont pas précisées, distingue CLUE de nombreux travaux restés en simulation pure. Ce travail s'inscrit dans un champ de recherche actif sur la navigation sémantique, aux côtés de méthodes comme ESC, VLFM ou SemEXP, issues principalement de laboratoires américains (CMU, Georgia Tech, Berkeley). CLUE se positionne comme une couche d'arbitrage contextuel au-dessus de ces approches plutôt que comme une refonte complète de l'architecture. Le papier est une prépublication arXiv, non encore évalué par les pairs, ce qui invite à la prudence sur la généralisabilité des résultats. Aucune affiliation industrielle ni plateforme matérielle spécifique n'est mentionnée. Les prochaines étapes naturelles seraient une validation sur des robots commerciaux (AMR de type Boston Dynamics Spot, Hello Robot Stretch ou plateformes mobiles ROS2-compatibles) et une comparaison sur les benchmarks standardisés HM3D ou Gibson.

Recherche❖Paper

1 source

33

3484Pandaily 

Xynova dévoile une main dextérique hybride de deuxième génération pour robots humanoïdes

La startup Xynova a présenté sa main dextère hybride de deuxième génération (Gen-2), destinée aux plateformes de robots humanoïdes. L'architecture combine des actionneurs rigides, qui garantissent précision et force, avec des éléments à compliance douce inspirés de la soft robotics, capables de s'adapter à des objets de formes, textures et rigidités variables. L'ensemble constitue un système d'actionnement hybride qui vise à dépasser les limites des préhenseurs industriels standards, inaptes à la manipulation fine. À noter : Xynova n'a divulgué aucun chiffre technique concret, ni nombre de degrés de liberté (DOF), ni charge utile nominale, ni temps de cycle, ni tarification. Ce dévoilement s'apparente davantage à un teaser produit qu'à un lancement commercial. La qualité des effecteurs terminaux constitue aujourd'hui l'un des principaux goulots d'étranglement dans la commercialisation des robots humanoïdes. La transition entre démonstrations en laboratoire et déploiements industriels réels exige une manipulation adaptative que les mains rigides actuelles ne permettent pas encore. L'approche hybride de Xynova, si elle tient ses promesses en conditions réelles, pourrait résoudre partiellement le "manipulation gap" qui freine l'adoption par les intégrateurs et les industriels. Pour un COO de logistique ou un intégrateur AMR, la capacité à traiter des articles non standardisés sans reprogrammation est un prérequis commercial. C'est précisément ce marché que cible Xynova, même si l'absence de benchmarks indépendants et de vidéos de manipulation complexe limite toute évaluation objective à ce stade. L'annonce s'inscrit dans une accélération visible du marché des mains dextères pour humanoïdes. Tesla (Optimus Gen 3), Figure (Figure 03) et un nombre croissant d'acteurs chinois investissent massivement dans la fermeture du gap de manipulation, reconnu comme le principal verrou technique avant une industrialisation à grande échelle. Des acteurs comme Sanctuary AI, Shadow Robot ou le projet open-source LEAP Hand ont déjà proposé des architectures concurrentes sur ce segment. Xynova se positionne comme fournisseur de composants pour écosystème humanoïde plutôt que comme constructeur de plateforme complète, un modèle qui pourrait séduire les intégrateurs cherchant à upgrader des plateformes existantes. Aucune date de disponibilité commerciale ni partenariat de déploiement n'ont été annoncés.

Humanoïdes❧Opinion

1 source

33

3485Interesting Engineering 

NASA teste un robot de 36 kg conçu par des étudiants pour extraire le régolithe des bases lunaires Artemis

Des étudiants de l'Université de Virginie ont présenté un robot de 36 kg (80 livres) lors du Lunabotics Challenge de la NASA, organisé au Kennedy Space Center en Floride. Conçu par la Mechatronics and Robotics Society (MARS), une équipe étudiante de 22 membres, l'engin est capable d'excaver du régolithe lunaire simulé, de le transporter sur terrain accidenté et de construire des remblais protecteurs, les berms. L'équipe avait initialement développé deux systèmes distincts, un robot excavateur et un second servant de camion-benne, avant de retenir un système unique polyvalent après des essais concluants. Les qualifications se sont déroulées à l'Université de Floride Centrale, et les finalistes ont été sélectionnés pour la phase au Kennedy Space Center. Craig Kalkwarf, le responsable mécanique senior du projet et double-major en ingénierie aérospatiale et astronomie, rejoint la NASA à l'issue de ses études pour travailler dans le laboratoire d'imagerie de lancement au Kennedy Space Center. L'enjeu de cette compétition dépasse le simple exercice académique. Les berms que ces robots sont capables de construire répondent à des besoins opérationnels concrets pour les missions lunaires à long terme du programme Artemis : réduction de l'éjection de poussières lors des atterrissages de vaisseaux, isolation thermique des ergols cryogéniques stockés en surface, et protection radiologique des habitats habités. Le régolithe lunaire représente en effet un bouclier naturel contre le rayonnement cosmique et les flux de particules solaires. Le défi d'ingénierie est réel : le sol lunaire se comporte comme une poudre fine et légère, décrit par Kalkwarf comme proche du talc, qui se densifie rapidement sous contrainte, ce qui complique considérablement la conception des systèmes de fouille. À noter que les performances annoncées reposent sur des essais en sable de volleyball, le terrain de test dédié financé par une subvention Jefferson Trust de 86 000 dollars étant encore en construction. Si le robot reproduit ses performances en régolithe simulé lors de la compétition, l'équipe estime qu'elle dépasserait d'un facteur deux le meilleur score enregistré l'année précédente, une affirmation à confirmer dans les conditions réelles. Le Lunabotics Challenge est une compétition annuelle de la NASA destinée à stimuler le développement de technologies d'utilisation des ressources in situ (ISRU), jugées indispensables pour établir une présence humaine durable sur la Lune. Dans ce cadre, plusieurs équipes universitaires et des acteurs privés comme Astrobotic ou Intuitive Machines travaillent en parallèle sur des systèmes de gestion du régolithe, avec des approches allant des rovers excavateurs aux systèmes de traitement pour produire eau, oxygène ou carburant directement sur place. La NASA prévoit des missions Artemis habitées à la surface lunaire à partir de la seconde moitié de la décennie, et la maîtrise de l'excavation robotisée constituera un prérequis technique pour tout déploiement d'infrastructure permanente. La progression affichée par l'équipe MARS illustre la montée en maturité rapide de ces solutions, même si la transition du sable terrestre au régolithe véritable reste le test décisif.

Recherche❖Paper

1 source

34

3486Robotics Business Review 

Regal Rexnord présente son portefeuille de solutions de contrôle de mouvement au Robotics Summit

Regal Rexnord, conglomérat américain de composants de mouvement basé à Milwaukee, sera présent au stand 542 du Robotics Summit & Expo 2026, les 27 et 28 mai à Boston au Thomas M. Menino Convention & Exhibition Center. L'entreprise y exposera l'ensemble de son portefeuille multi-marques dédié à la chaîne cinématique robotique : Kollmorgen pour les servomoteurs et drives de précision, Portescap pour les moteurs miniatures destinés aux articulations compactes, Thomson pour les actionneurs linéaires et systèmes de guidage, Warner Electric pour les freins et embrayages, et Berg pour les solutions d'engrenages de précision. Le 27 mai à 14h45 EST, Kevin Picard, ingénieur application chez Kollmorgen, et Anthony Smith, directeur ingénierie chez Thomson, présenteront une session technique intitulée "Reliable Field Robotics Actuation and Motion Control in Harsh Environments", centrée sur les applications agricoles, de défense et d'énergie confrontées aux contraintes de chaleur, humidité, poussière, vibrations et corrosion. L'enjeu concret pour les intégrateurs et décideurs industriels est de savoir si des actionneurs électriques linéaires peuvent remplacer de manière fiable les technologies hydrauliques et pneumatiques traditionnelles dans les robots de terrain, là où les conditions d'exploitation sont les plus sévères. Le message commercial de Regal Rexnord repose sur l'interopérabilité de ses composants au sein d'un "écosystème unifié", permettant soit un déploiement intégré clé en main, soit une sélection composant par composant. Il convient toutefois de souligner qu'il s'agit d'une présence salon et d'une session de conférence, non d'une annonce de produit nouveau ou d'un déploiement documenté en production. Les métriques de performance avancées dans ce type de présentation restent à valider dans des cas d'usage réels. Regal Rexnord a constitué ce portefeuille par une série d'acquisitions au cours des dernières années, dont le rachat de Rexnord en 2021 et l'intégration progressive de Thomson Industries, pour atteindre une couverture quasi-complète du stack de mouvement robotique. Sur ce segment, la concurrence directe inclut Harmonic Drive et maxon, tous deux également présents au Robotics Summit 2026 parmi les 70 intervenants confirmés, aux côtés de Tesla, du Toyota Research Institute ou encore de PickNik Robotics. Le salon, organisé par The Robot Report et WTWH Media, propose plus de 50 sessions réparties sur des tracks IA, design, technologies habilitantes, santé et logistique. Il est co-localisé avec DeviceTalks Boston, axé sur les dispositifs médicaux, ce qui signale une convergence croissante entre robotique industrielle et robotique médicale dans l'agenda des équipementiers.

Industriel⚡Actu

1 source

43

3487Pandaily 

DEEP Robotics dépose une demande d'introduction en bourse sur le STAR Market, visant une valorisation d'environ 3,5 milliards de dollars

DEEP Robotics a déposé le 18 mai 2026 une demande d'introduction en bourse sur le STAR Market de Shanghai, acceptée par la bourse de Shanghai le même jour. La société prévoit de lever environ 2,503 milliards de yuans (soit approximativement 345 millions de dollars), avec CITIC Securities comme sponsor exclusif. La valorisation post-introduction est attendue autour de 3,5 milliards de dollars. Fondée sur des technologies issues des laboratoires de l'Université du Zhejiang à Hangzhou, DEEP Robotics s'est imposée comme l'un des principaux fabricants chinois de robots quadrupèdes hautes performances. Ses plateformes sont déployées dans trois grands segments : l'inspection industrielle intelligente, la recherche et la vérification expérimentale, ainsi que les opérations de secours d'urgence. Elle devient ainsi la troisième entreprise des "Sept Dragons de Hangzhou" à initier une démarche d'IPO, après Unitree Robotics et Qunhe Tech. Cette introduction en bourse signale la maturité commerciale croissante du segment des robots à pattes en Chine, longtemps perçu comme un marché de niche réservé à la recherche académique. Le fait que DEEP Robotics accède aux marchés de capitaux publics indique que les industriels et les investisseurs institutionnels reconnaissent désormais un potentiel de déploiement à grande échelle dans l'inspection, la sécurité publique et l'intervention en environnements difficiles. Pour les intégrateurs et les décideurs industriels, cela valide la viabilité économique des robots quadrupèdes comme alternative aux drones ou aux AMR dans des terrains non structurés. La levée de fonds vise explicitement à renforcer les capacités de R&D et à industrialiser la production. DEEP Robotics s'inscrit dans un écosystème robotique concentré autour de Hangzhou, où plusieurs start-ups issues du Zhejiang ont émergé ces dernières années avec un soutien public fort. Le concurrent direct Unitree Robotics, également issu de cet écosystème, a attiré l'attention mondiale avec ses robots Go et H1 et prépare lui aussi une cotation. À l'international, DEEP Robotics affronte Boston Dynamics (Spot), Ghost Robotics et Anybotics sur le créneau de l'inspection industrielle. Les fonds levés devraient financer l'itération de ses plateformes quadrupèdes propriétaires et de ses algorithmes de contrôle, avec une ambition explicite d'adresser la demande mondiale croissante en solutions robotiques industrielles.

Chine/Asie⚡Actu

1 source

39

3488Robotics & Automation News 

Romark Logistics transforme la gestion de ses stocks d'entrepôt avec la plateforme de visibilité en temps réel de Dexory

Romark Logistics, prestataire logistique tiers (3PL) spécialisé dans les solutions personnalisées, a sélectionné DexoryView, la plateforme de visibilité entrepôt de la startup britannique Dexory, pour son site de Hazleton en Pennsylvanie. Le déploiement introduit une couche d'intelligence temps réel dans la gestion des stocks, en s'appuyant sur des robots autonomes équipés de capteurs qui parcourent les allées pour scanner en continu l'état des palettes et rayonnages. L'annonce ne précise pas le volume de surface couverte ni les métriques de précision d'inventaire atteintes, ce qui limite l'évaluation indépendante des gains annoncés. Pour un 3PL comme Romark, dont la proposition de valeur repose sur la fiabilité contractuelle vis-à-vis de donneurs d'ordre multiples, la précision des stocks est un enjeu financier direct: toute erreur d'inventaire peut déclencher des pénalités ou la perte d'un client. L'approche de Dexory, qui superpose une couche de visibilité à l'infrastructure existante sans reconfiguration des systèmes WMS ni arrêt de production, réduit le risque d'intégration et raccourcit le délai de retour sur investissement, deux arguments décisifs pour les entrepôts à haute rotation. Fondée en 2021 à Londres, Dexory a levé 19 millions de dollars en série A en 2023 et opère dans plusieurs entrepôts en Europe et aux États-Unis. Sur le segment de l'inventaire automatisé, elle affronte Corvus Robotics, Gather AI et Exotec, acteur français positionné sur l'automatisation des flux plutôt que sur la visibilité pure. Ce déploiement chez Romark confirme la traction commerciale de Dexory sur le marché nord-américain des 3PL, un segment jugé prioritaire pour 2025-2026.

Industriel⚡Actu

1 source

32

3489Pandaily 

Matrix Super Intelligence dévoile le robot humanoïde MATRIX-3 et vise 100 000 unités d'ici 2027

Matrix Super Intelligence (矩阵超智), startup d'intelligence artificielle incarnée basée dans le district de Zhangjiang à Pudong (Shanghai), a dévoilé le MATRIX-3, un robot humanoïde grand format que l'entreprise positionne comme l'"Optimus chinois". L'engin mesure 170 centimètres pour 65 kilogrammes. Sa principale particularité de conception est une structure dite "à musculature biomimétique", intégrant des matériaux textiles flexibles dans le châssis, censés assurer une couverture protectrice des mécanismes lors des mouvements. L'entreprise annonce un objectif de production de 100 000 unités d'ici 2027, conditionné à l'obtention de certifications de sécurité et à la validation par des partenaires entreprises pilotes. Aucun cas d'usage spécifique, ni spécification technique détaillée (degrés de liberté, payload, temps de cycle), n'a été communiqué lors de l'annonce initiale. Le chiffre de 100 000 unités à horizon 2027 est la donnée la plus scrutée ici : la quasi-totalité des fabricants d'humanoïdes actuels, de Figure à Agility Robotics en passant par Unitree, opèrent encore en déploiements pilotes de quelques dizaines à quelques centaines d'unités. Monter à ce volume en moins de deux ans supposerait une capacité de rampe industrielle sans précédent dans le secteur. L'absence de métriques de performance concrètes et la formulation en annonce-teaser invitent les intégrateurs et décideurs B2B à traiter cet objectif comme un signal d'intention stratégique plutôt que comme un engagement contractuel de livraison. Les vidéos de démonstration présentées lors du lancement n'ont pas fait l'objet d'une évaluation indépendante. Matrix Super Intelligence s'inscrit dans une vague dense de constructeurs d'humanoïdes chinois cherchant une visibilité internationale, aux côtés d'Unitree (G1, H1), Fourier Intelligence (GR-1) et Agibot (A2). Le contexte industriel chinois, marqué par un soutien d'État actif et une intégration croissante dans les lignes d'assemblage automobile et électronique, favorise des annonces à volumes ambitieux dont l'exécution reste à démontrer. À l'échelle mondiale, Tesla vise plusieurs milliers d'Optimus Gen 3 produits en 2025, Figure prépare des déploiements en logistique avec BMW, et Physical Intelligence positionne son architecture Pi-0 pour la généralisation multi-robot via des modèles VLA. Le MATRIX-3 constitue le premier produit phare de l'entreprise ; sa trajectoire réelle dépendra des résultats des pilotes annoncés et des délais de certification, dont les contours restent à préciser.

Chine/Asie❧Opinion

1 source

47

3490Pandaily 

UniStrong Instruments : 15 ans de sous-traitance pour ABB, désormais en course pour dominer le marché mondial des capteurs robotiques

UniStrong Instruments (宇立仪器), fabricant chinois de capteurs force-couple, vient d'obtenir la certification UL et annonce une expansion internationale ciblant en priorité le marché nord-américain. Depuis quinze ans, ses capteurs sont intégrés dans les robots industriels d'ABB et de KUKA, deux des plus grands fabricants mondiaux d'automatisation. L'entreprise élargit désormais son portefeuille vers les cobots (robots collaboratifs) et les plateformes humanoïdes émergentes, où ces composants sont devenus des briques fondamentales de l'architecture mécatronique. Les capteurs force-couple permettent à un robot de mesurer en temps réel les forces qu'il exerce sur son environnement, une capacité indispensable pour l'assemblage de précision, le meulage, le polissage ou toute tâche nécessitant une adaptation dynamique à la résistance du matériau. En robotique humanoïde, ces capteurs conditionnent directement la dextérité manuelle et la sécurité des interactions physiques avec les opérateurs. La certification UL lève un obstacle réglementaire majeur à l'entrée sur le marché nord-américain et repositionne UniStrong comme alternative crédible aux capteurs importés d'Allemagne (Schunk), du Japon et des États-Unis (ATI Industrial Automation, désormais intégré à Novanta), dont les prix restent élevés pour les intégrateurs à volume. UniStrong a construit sa réputation sur un critère souvent absent des brochures : la résistance aux surcharges, c'est-à-dire la capacité à survivre aux chocs et aux efforts imprévus qui détruisent les capteurs concurrents en conditions réelles. Cet avantage, éprouvé sur quinze ans d'intégration chez ABB et KUKA, lui confère une base de référence industrielle difficile à contester. Le timing n'est pas anodin : la Chine pousse activement ses équipementiers robotiques vers l'international, dans un contexte de compétition intense illustré par le marathon humanoïde de Beijing Etown en mai 2025. Pour les intégrateurs et les OEMs qui assemblent des cobots ou des humanoïdes, l'émergence d'un fournisseur chinois certifié UL avec un historique de fiabilité avéré élargit concrètement l'espace des fournisseurs, au-delà des habituels duopoles euro-américains.

Chine/Asie❧Opinion

1 source

43

3491Pandaily 

Cloud Depth Technology vise 3,5 milliards de dollars lors de son introduction en bourse sur le STAR Market

Cloud Depth Technology (云深处科技) a officiellement déposé un dossier d'introduction en bourse sur le STAR Market (科创板) de Shanghai, la demande ayant été acceptée par la Bourse de Shanghai le 18 mai 2026. La société, qui a mandaté CITIC Securities comme sponsor, vise à lever environ 2,503 milliards de yuans (soit une valorisation implicite d'environ 3,5 milliards de dollars). Fondée dans les laboratoires de l'Université du Zhejiang, Cloud Depth est aujourd'hui l'un des principaux fabricants chinois de robots quadrupèdes, avec des déploiements dans l'inspection industrielle, la recherche scientifique et les opérations de secours, en Chine comme à l'international. Elle devient ainsi la troisième entreprise des "Sept Dragons de Hangzhou" (杭州七小龙), ce groupe de startups tech de Hangzhou, à entrer en bourse, après Unitree Robotics (宇树科技) et Qiangkin Technology (群核科技). Cette candidature à l'IPO traduit une accélération nette de la commercialisation des robots à pattes en Chine, dans un contexte où la demande industrielle pour l'inspection automatisée et la sécurité publique progresse rapidement. Le précédent de Unitree, dont la valorisation a franchi le seuil "licorne" lors de ses derniers tours de table, a clairement démontré l'appétit des investisseurs pour ce segment. Pour les décideurs B2B, cette succession de cotations signale que le marché des robots quadrupèdes n'est plus un secteur émergent spéculatif, mais une industrie en phase de structuration financière, avec des acteurs capables de lever des capitaux à grande échelle pour financer la montée en volume de production. Cloud Depth est issu des travaux de robotique de l'Université du Zhejiang, l'un des principaux viviers académiques du secteur en Chine. Sur le plan concurrentiel, elle se positionne face à Unitree (dont les robots Go2 et H1 ont largement circulé) et, à l'international, face à Boston Dynamics (Spot), ANYbotics (ANYmal) et Ghost Robotics. Le produit de l'IPO doit financer l'expansion R&D et l'augmentation des capacités de fabrication pour répondre à une demande mondiale croissante. Aucune date de première cotation ni de valorisation définitive n'a encore été communiquée, le dossier étant en cours d'instruction par les autorités boursières chinoises.

Chine/Asie⚡Actu

1 source

44

3492Robotics & Automation News 

Locus Robotics rachète Nexera Robotics

Locus Robotics, spécialiste américain de l'automatisation logistique d'entrepôt, a annoncé l'acquisition de Nexera Robotics, startup canadienne basée à Vancouver spécialisée dans la préhension robotique avancée. L'opération intègre la technologie propriétaire NeuraGrasp de Nexera, un end-effector conçu pour la saisie d'objets variés, directement dans la plateforme "physical AI" de Locus. Cet ajout élargit les capacités de la suite Locus Array, qui couvrait jusqu'ici principalement le transport autonome de charges (AMR), vers la manipulation bout en bout dans les entrepôts. Les conditions financières de la transaction n'ont pas été divulguées. Cette acquisition marque un pivot stratégique pour Locus Robotics : passer de la navigation AMR à la manipulation complète, autrement dit le "dernier mètre" longtemps considéré comme le verrou technologique de l'automatisation logistique. La capacité à saisir, orienter et déposer des références variables sans reprogrammation est le différenciateur clé que les intégrateurs et COO logistiques attendent pour justifier un déploiement à grande échelle. En intégrant NeuraGrasp nativement, Locus évite la dépendance aux end-effectors tiers et peut proposer une offre AMR plus manipulation sous une seule architecture logicielle, simplifiant les cycles d'intégration. Fondée en 2014 à partir du spin-off de Quiet Logistics, Locus Robotics a traversé une période difficile en 2023 avec des restructurations et des recherches de financement, rendant cette acquisition d'autant plus significative comme signal de repositionnement. Le marché de la logistique robotisée est en pleine consolidation, avec des acteurs comme Exotec (France, système Skypod), Geek+ et 6 River Systems (Shopify) qui renforcent eux aussi leurs offres en manipulation. Nexera avait développé NeuraGrasp autour de la dextérité multi-références. L'intégration dans le portfolio Locus Array est annoncée sans calendrier de déploiement précisé à ce stade.

Business❧Opinion

1 source

33

3493Robotics Business Review 

Découvrez les dernières avancées en automatisation logistique au Robotics Summit

La prochaine édition du Robotics Summit & Expo se tiendra les 27 et 28 mai 2026 à Boston, avec un programme centré en partie sur l'automatisation logistique. L'événement, organisé par The Robot Report et WTWH Media, mobilisera plus de 70 intervenants confirmés issus de Tesla, Toyota Research Institute, PickNik Robotics, Harmonic Drive ou encore Fictiv, pour plus de 50 sessions réparties en cinq tracks thématiques. La logistique constitue l'un des fils directeurs de l'édition, adossée à un chiffre fourni par Interact Analysis : en 2025, les prises de commandes dans l'automatisation d'entrepôt ont progressé de 7%, à un rythme supérieur aux prévisions initiales, portées par des investissements massifs d'Amazon, Tesco et Marks & Spencer. Le track logistique comprend des interventions de Teddy Ort, SVP robotics software & AI chez Symbotic, sur le passage à l'échelle des robots autonomes ; d'Anthony Jules, co-fondateur et CEO de Robust AI, sur l'ergonomie des robots en entrepôt ; et de Jan Zizka, co-fondateur et CEO de Brightpick, sur les entrepôts en mode "lights-out", c'est-à-dire sans présence humaine permanente. Chris Morgan (Bastian Solutions), Greg Meyne (enVista) et Omar Asali (Ranpak) complèteront le tableau sur l'intégration des AMR (robots mobiles autonomes) et l'impact des IA physiques sur la rentabilité opérationnelle. L'intérêt de cet événement pour les intégrateurs et les décideurs industriels tient moins aux conférences elles-mêmes qu'aux signaux qu'elles envoient sur la maturité du secteur. Le fait que Symbotic, Robust AI et Brightpick soient amenés à parler de "scale" et de "lights-out" plutôt que de démos techniques marque un glissement du discours : le secteur tente de valider que les systèmes robotiques tiennent en conditions réelles, pas seulement en environnements contrôlés. La progression de 7% des commandes en 2025 est réelle, mais elle reste à nuancer, car Interact Analysis agrège des technologies très hétérogènes (convoyeurs, AMR, bras articulés, trieurs). Le chiffre global masque des disparités importantes selon les segments. Le Robotics Summit existe depuis plusieurs années comme rendez-vous technique de référence aux États-Unis pour les développeurs de robotique commerciale, co-localisé cette année avec DeviceTalks Boston, qui adresse le marché des dispositifs médicaux. Côté networking, le premier soir accueille le dîner de remise des RBR50 Robotics Innovation Awards (de 18h à 20h), avec Aaron Parness et Bhavana Chandrashekhar d'Amazon Robotics en invités de marque. Le deuxième jour démarre avec un Women in Robotics Breakfast réunissant Joyce Sidopoulos (MassRobotics) et Mikell Taylor, head of robotics strategy chez GM. Aucun acteur européen ou français n'est mentionné dans le programme publié à ce stade. Les inscriptions sont ouvertes.

Industriel⚡Actu

1 source

43

3494Interesting Engineering 

Premier enchères mondial pour robots humanoïdes, présenté lors du plus grand événement commercial de Chine

JD.com, géant chinois du e-commerce, a annoncé le lancement de la première vente aux enchères mondiale de robots humanoïdes, prévue dans le cadre de son festival annuel "618" prévu en juin 2026. L'initiative a été dévoilée lors de la conférence de lancement de l'édition 2026 du festival, sans que la liste des modèles disponibles à l'enchère ne soit encore communiquée. L'annonce s'inscrit dans un plan de déploiement robotique plus large sur cinq ans : JD.com vise l'intégration de 3 millions de robots, 1 million de véhicules autonomes et 100 000 drônes dans ses opérations. Pour 2026 seul, JD Retail cible un chiffre d'affaires robotique supérieur à 1,47 milliard de dollars, avec un objectif de réduction des cycles de lancement produit de 30 %. La plateforme robotique maison JoyInside, dirigée par Dai Wenjun, vise une connexion à plus de 10 millions de terminaux cette année, avec Unitree Robotics et Noetix Robotics déjà intégrés. En parallèle, Shanghai a annoncé son intention de déployer 100 000 robots humanoïdes dans les usines d'ici la fin du 15e Plan quinquennal (2026-2030), avec un objectif d'adoption des agents IA supérieur à 80 % dans les grandes entreprises industrielles. Ces annonces illustrent un pivot majeur dans la trajectoire commerciale des humanoïdes en Chine : la vente aux enchères publique est un signal de repositionnement, cherchant à normaliser ces machines aux yeux des acheteurs professionnels et grand public, plutôt qu'à les cantonner aux salons et démonstrations. Pour les intégrateurs et les décideurs industriels, l'intégration de fabricants comme Unitree dans une plateforme e-commerce à grande échelle crée un canal de distribution inédit, potentiellement capable d'accélérer les cycles d'adoption en entreprise. Il reste cependant à noter que les chiffres avancés (3 millions de robots, 100 000 humanoïdes en usine) sont des objectifs déclaratifs, sans métriques de déploiement réel à date, et que les modèles concrets mis aux enchères n'ont pas été précisés, limitant la portée opérationnelle immédiate de l'annonce. La Chine consolide ainsi sa stratégie d'intégration de l'IA incarnée à l'échelle industrielle, dans un contexte de compétition internationale intense. Unitree Robotics, dont les robots G1 et H1 ont acquis une visibilité mondiale, et Noetix représentent la vague actuelle des fabricants chinois d'humanoïdes qui cherchent à passer du stade de la démonstration à celui du produit commercialisable. Face à eux, Figure (avec le 03), Boston Dynamics, Agility Robotics et Tesla (Optimus Gen 3) structurent le paysage occidental. L'enchère JD.com pourrait servir de test de marché grandeur nature avant des déploiements industriels planifiés dès 2026, avec Shanghai comme vitrine nationale des ambitions chinoises en robotique humanoïde.

Chine/Asie❧Opinion

1 source

38

3495Robotics & Automation News 

Nagel renforce sa stratégie d'automatisation industrielle grâce à un partenariat avec Stäubli Robotics

Nagel Technologies, société d'ingénierie spécialisée dans les solutions industrielles, a officiellement rejoint le réseau des partenaires autorisés de Stäubli Robotics. Ce statut d'"Authorized Partner" confère à Nagel un accès privilégié aux technologies robotiques du fabricant suisse, ainsi qu'un support technique renforcé et une intégration plus étroite dans l'écosystème commercial de Stäubli. Les deux entreprises présentent ce rapprochement comme un levier pour proposer aux industriels des solutions "plus performantes, plus flexibles et pleinement intégrées", sans que des chiffres de déploiement ou des références clients spécifiques ne soient communiqués à ce stade. Pour les intégrateurs et décideurs industriels, ce type de partenariat structuré signifie concrètement un accès prioritaire aux gammes de robots Stäubli (bras à 6 axes, robots SCARA, cobots TX2), à la formation certifiée et aux outils d'ingénierie dédiés. Cela réduit les délais de mise en service et renforce la crédibilité commerciale de Nagel face à des donneurs d'ordres exigeant des garanties sur la chaîne d'intégration. Il s'agit néanmoins d'une annonce de partenariat commercial, pas d'un déploiement de ligne de production documenté. Stäubli Robotics, filiale du groupe suisse Stäubli International fondé en 1892, est présent dans l'automatisation industrielle avec une gamme couvrant l'automobile, l'électronique et l'agroalimentaire. Nagel s'inscrit dans un mouvement plus large de consolidation des réseaux de distribution et d'intégration que les grands fabricants de robots accélèrent face à la demande croissante d'automatisation en Europe. Les prochaines étapes probables incluent des projets pilotes communs et une montée en compétence des équipes Nagel sur les plateformes Stäubli.

FR/EU ecosysteme⚡Actu

1 source

44

3496Robotics Business Review 

Locus Array élargit ses capacités de préhension grâce à NeuraGrasp de Nexera Robotics

Locus Robotics a annoncé l'acquisition de Nexera Robotics, une startup canadienne basée à Vancouver, quelques semaines à peine après le lancement commercial de son robot mobile manipulateur Locus Array. Le coeur de la transaction : NeuraGrasp, un préhenseur développé par Nexera qui combine une membrane souple et conforme, de la vision par ordinateur et de l'intelligence artificielle embarquée. Cette technologie remplacera l'effecteur à ventouse actuel de l'Array, avec pour objectif d'élargir la couverture SKU à des catégories jusqu'ici problématiques pour les systèmes de picking robotisé : sacs en polyéthylène poreux, vêtements en vrac, emballages pharmaceutiques irréguliers, petite électronique et produits de grande consommation jusqu'à 2,2 kg (comme un flacon de lessive). Nexera revendique plusieurs millions de picks réalisés à ce jour. Roy Belak, CEO de Nexera, rejoint la structure Locus, dont le CEO Rick Faulk et la chief strategy officer Gina Chung pilotent l'intégration. Les clients existants de Nexera seront repris au cas par cas. L'enjeu est direct pour les opérateurs logistiques et les intégrateurs : le goulot d'étranglement du picking robotisé n'a jamais été la navigation ni la planification de trajectoire, mais bien la préhension elle-même. Rueben Scriven, analyste chez Interact Analysis spécialisé en automatisation logistique, confirme que "la manipulation et la saisie d'articles - et donc la couverture SKU - a été l'un des plus grands obstacles". Le passage d'un préhenseur à ventouse à un système hybride membrane/IA adresse structurellement cette limite : la ventouse échoue sur les surfaces poreuses ou souples, et le changement d'outil (tool switching) est éliminatoire pour la plupart des clients en environnement haute cadence. Locus affirme que les SKU couvertes par NeuraGrasp représentent la majorité du e-commerce. Si le chiffre est plausible dans sa direction, il reste à vérifier dans des déploiements réels diversifiés : les démonstrations vidéo en conditions contrôlées ne garantissent pas les performances en picking haute vitesse sur des millions de références actives. Locus Robotics, qui avait connu des difficultés financières en 2023 avant de se restructurer, mise sur l'Array pour repositionner son offre au-delà des AMR (robots mobiles autonomes) de transport vers la manipulation autonome intégrée. L'Array a d'ailleurs reçu le prix RBR50 Robotics Innovation Award 2026, décerné par Robotics Business Review. Sur le marché, les concurrents directs incluent des systèmes de picking intégré comme ceux d'Exotec (France, avec le Skypod), Boston Dynamics (Stretch), Berkshire Grey ou encore Mujin, ainsi que les bras de picking d'Amazon Robotics. L'acquisition de Nexera positionne Locus sur le segment "un seul préhenseur universel" plutôt que sur des solutions multi-effecteurs, un pari technologique cohérent mais dont la validation à l'échelle industrielle reste la prochaine étape critique. Hamid Montazeri, SVP Software & AI chez Locus, interviendra au Robotics Summit & Expo de Boston la semaine prochaine.

Industriel❧Opinion

1 source

52

3497Interesting Engineering 

Hyundai étend sa stratégie robotique aux États-Unis avec un déploiement de 25 000 robots humanoïdes Atlas

Hyundai Motor Group prévoit de déployer plus de 25 000 robots humanoïdes Atlas, développés par sa filiale Boston Dynamics, dans les usines de Hyundai Motor et Kia aux États-Unis. L'annonce a été faite lors d'une session organisée par JPMorgan Chase. Le groupe vise une capacité de production annuelle de 30 000 unités Atlas d'ici 2028, avec la fabrication locale de plus de 300 000 actionneurs par an, les composants qui font office d'articulations mécaniques. Le PDG de Kia Corporation, Song Ho-sung, a précisé lors de road shows que les premiers Atlas devraient entrer en service au Hyundai Motor Group Metaplant America en Géorgie en 2028, puis à l'usine Kia de Géorgie en 2029. Aucun calendrier détaillé par site ni liste de factories prioritaires n'a été communiqué. En parallèle, Boston Dynamics a publié un billet technique détaillant comment Atlas manipule des objets industriels lourds : le robot pivote son torse à 180 degrés, s'accroupit pour saisir un mini-réfrigérateur et le transporte en compensant dynamiquement les déplacements de masse interne. Cette capacité a été développée en quelques semaines via apprentissage par renforcement sur des millions d'heures de simulation GPU en parallèle. Ces chiffres représentent le déploiement humanoïde annoncé le plus ambitieux dans l'industrie automobile à ce jour. La production d'actionneurs en volume suggère une intégration verticale qui pourrait compresser les coûts unitaires sur le long terme. Sur le plan technique, l'approche de Boston Dynamics repose principalement sur la proprioception, c'est-à-dire la conscience interne du mouvement et des forces corporelles, plutôt que sur des systèmes de vision dominants, ce qui diverge des architectures VLA (Vision-Language-Action) adoptées par des concurrents comme Physical Intelligence avec son modèle pi-0 ou Figure AI. L'entreprise affirme avoir réduit le "sim-to-real gap" via une architecture simplifiée à deux types d'actionneurs seulement et des membres symétriques, améliorant la fidélité entre simulation et comportement physique réel. Si cette réduction se confirme en production, cela constituera un argument technique fort face à des plateformes plus complexes comme Tesla Optimus Gen 3 ou Apptronik Apollo. Boston Dynamics a présenté la version entièrement électrique d'Atlas en avril 2024, mettant fin à la plateforme hydraulique exploitée depuis 2013. Hyundai avait racheté l'entreprise à SoftBank en 2021 pour environ 1,1 milliard de dollars. L'annonce intervient dans une course industrielle intense : Tesla vise une production de masse d'Optimus, Figure AI a levé 675 millions de dollars pour son robot Figure 02, et Agility Robotics, propriété d'Amazon, déploie son Digit dans des entrepôts logistiques. En Europe, les acteurs restent à des stades plus précoces : Enchanted Tools à Paris développe Miroki pour la logistique hospitalière, tandis que Wandercraft se concentre sur les exosquelettes médicaux. Les prochaines étapes pour HMG incluent la confirmation des sites pilotes et le démarrage effectif des lignes de production d'actionneurs aux États-Unis, deux éléments qui permettront de distinguer l'annonce commerciale du déploiement réel.

Humanoïdes❧Opinion

1 source

49

3498IEEE Spectrum Robotics 

La sécurité des robots domestiques repose avant tout sur la relation humain-machine

L'Organisation internationale de normalisation (ISO) révise ISO 13482, sa norme de sécurité pour les robots de soin personnel, vieille de douze ans. La mise à jour est actuellement en phase d'approbation finale. Elle couvre l'identification des dangers, l'évaluation des risques et différents scénarios d'utilisation, mais n'établit ni seuils contraignants, ni méthodes de test, ni mécanismes d'application pour les risques liés à l'interaction humain-robot. C'est précisément ce manque que dénonce Jae-Seong Lee, chercheur en politique technologique à l'Electronics and Telecommunications Research Institute de Daejeon (Corée du Sud), dans une interview accordée à IEEE Spectrum. La norme entre en phase finale au moment où les fabricants d'humanoïdes domestiques basculent des prototypes de laboratoire vers des produits destinés à de vraies maisons, de vrais aidants et de vraies familles. Le problème central identifié par Lee est autant conceptuel que technique : la sécurité d'un robot domestique n'est pas une propriété fixe de la machine, elle émerge de la relation entre le robot et l'humain. L'interaction est bidirectionnelle, le robot modifie le comportement de l'humain, et l'humain modifie ce que le robot perçoit et décide ensuite. Les normes industrielles classiques peuvent borner la tâche, l'espace de travail et la population concernée. Dans un domicile, le robot doit s'adapter à des personnes âgées, des enfants, des visiteurs, des animaux, du désordre et des espaces confinés. Ce ne sont pas des cas marginaux : c'est le cadre opérationnel de base. Contraindre l'enveloppe d'un humanoïde domestique pour la rapprocher d'un robot industriel reviendrait à annuler son utilité. Par ailleurs, les entreprises qui constituent les jeux de données d'entraînement envoient déjà des travailleurs salariés filmer leurs tâches quotidiennes dans des logements ordinaires à travers le monde, ancrant la variabilité réelle du terrain dans les modèles. Le problème de sécurité se situe donc au niveau du système humain-robot complet, pas d'un composant isolé. ISO 13482 avait été publiée en 2014, dans un contexte où les robots de soin se limitaient à des assistants de mobilité et des plateformes relativement simples. Douze ans plus tard, des acteurs comme Figure AI, Boston Dynamics, 1X ou Agility Robotics positionnent des humanoïdes polyvalents comme prochaine étape du travail domestique et du maintien à domicile. En Europe, des entreprises comme Enchanted Tools avec son Mirokaï ou Wandercraft évoluent dans des environnements réglementaires similaires, ce qui leur confère une exposition directe à ce vide normatif. Le déficit identifié par Lee est avant tout un déficit de gouvernance : la communauté technique comprend le couplage bidirectionnel, le cadre normatif reconnaît les dangers associés, mais aucune norme ne traduit aujourd'hui cette compréhension en règles applicables pour l'autonomie domestique. Une question reste aussi ouverte : qui décide quel comportement humain est "normal" ? Quelle démarche sert de référence, et quel seuil de risque est acceptable pour une personne âgée à mobilité réduite par rapport à un adulte valide ? Sans réponse à ces questions, la prochaine génération de robots domestiques arrivera sur le marché sans cadre de sécurité adapté à sa réalité opérationnelle.

Regulation⚖Reglementation

1 source

37

3499Robotics & Automation News 

Lightwheel annonce 100 millions de dollars de commandes au premier trimestre pour son infrastructure de robotique à IA physique

Lightwheel, startup américaine spécialisée dans l'infrastructure pour robots physiques, annonce avoir enregistré environ 100 millions de dollars de commandes au cours du seul premier trimestre 2026. La société développe des briques logicielles dédiées à la simulation, à la génération de données synthétiques, à l'évaluation de modèles et au déploiement à l'échelle de robots pilotés par de l'intelligence artificielle physique. Le communiqué ne précise ni les clients ni les volumes unitaires concernés, ce qui limite la portée des chiffres annoncés. Ce résultat, s'il se confirme, illustre un changement de phase dans le secteur : les industriels cessent d'expérimenter et commencent à chercher des solutions d'infrastructure clé-en-main pour passer des prototypes au déploiement réel. L'infrastructure de formation, simulation haute fidélité, pipelines de données synthétiques, évaluation en boucle fermée, émerge comme un marché autonome, distinct de la fabrication des robots eux-mêmes. Pour les intégrateurs et les équipes d'automatisation, cela signifie que la question n'est plus seulement "quel robot acheter ?" mais "quelle stack d'entraînement et de qualification choisir ?". Lightwheel s'inscrit dans l'écosystème dit de la "physical AI", terme popularisé par NVIDIA avec sa plateforme Isaac et ses partenaires comme Agility Robotics, Boston Dynamics ou Figure. Ses concurrents directs sur le segment données-simulation incluent Scale AI, Synthesis AI et les stacks propriétaires que développent en interne les fabricants de robots humanoïdes. La prochaine étape à surveiller : des références clients nommées et des métriques de déploiement réel, seuls indicateurs capables de valider que la demande annoncée se traduit en robots effectivement opérationnels en production.

Infrastructure⚡Actu

1 source

30

3500Robotics & Automation News 

Yaskawa et Dale Automation s'associent pour améliorer l'efficacité industrielle en Afrique australe

Yaskawa Southern Africa et Dale Automation ont officialisé un partenariat visant à automatiser les opérations de fin de ligne dans les usines d'Afrique australe. L'initiative cible en priorité les secteurs agroalimentaires, où la demande de produits transformés s'accélère, ainsi que les environnements manufacturiers exposés à une hausse structurelle des coûts salariaux. Dale Automation apporte son expertise en manutention et en intégration de systèmes, tandis que Yaskawa fournit ses bras articulés et ses contrôleurs de mouvement. Le contenu complet de l'annonce reste partiel, l'article source est tronqué, aucun chiffre de déploiement, de prix ni de site client n'est communiqué à ce stade. Le signal industriel demeure pertinent : l'Afrique australe, longtemps considérée comme un marché secondaire pour la robotique industrielle en raison d'un accès facile à la main-d'oeuvre, commence à basculer vers l'automatisation sous la pression combinée de l'inflation salariale et des exigences de cadence dans l'agroalimentaire. Pour les intégrateurs et les décideurs B2B de la région, ce type de partenariat distributeur-OEM signale une montée en maturité du marché local, avec un accès simplifié au support technique et aux pièces détachées Yaskawa. Yaskawa, fondé en 1915 à Kitakyushu (Japon), est l'un des quatre grands fabricants mondiaux de robots industriels avec FANUC, ABB et KUKA, et opère via un réseau de filiales et partenaires régionaux. Dale Automation est un intégrateur établi en Afrique du Sud. La prochaine étape attendue serait l'annonce de déploiements pilotes chez des clients identifiés, notamment dans la chaîne d'approvisionnement alimentaire sud-africaine.

Industriel⚡Actu

1 source