Actualités robotique — page 96

7 309 articles au fil, du plus récent au plus ancien.

38

4751arXiv cs.RO 

RE4 : imitation des interactions avec les objets, sensible aux transformations, via des modes de manipulation

Une équipe de chercheurs a soumis le 24 juin 2026 sur arXiv (référence 2606.24403) RE4, un cadre d'apprentissage par imitation pour la manipulation d'objets en robotique. L'approche articule quatre étapes modulaires : estimation légère de la pose de l'objet cible par auto-supervision sur les données de démonstration disponibles, récupération d'une démonstration compatible avec le mode de manipulation identifié, transformation géométrique de cette démonstration pour correspondre à la configuration courante de la scène, puis replanification locale reliant l'état initial au point de récupération tout en respectant les contraintes de mode, avant de dérouler la séquence transformée. Le système a été évalué sur deux benchmarks de référence de la communauté : Push-T (en modalité image et état pur) et Robomimic. Un protocole adversarial spécifique a également été construit pour cibler les zones de données rares du Push-T en mode image, afin d'éprouver la robustesse de l'approche en dehors de la distribution d'entraînement. Ce travail s'attaque à une tension centrale de l'imitation learning : les méthodes de bout en bout basées sur la diffusion, comme Diffusion Policy, ou sur les flux normalisant atteignent de bonnes performances, mais sacrifient toute interprétabilité, ce qui complique le diagnostic et la validation en contexte industriel. RE4 démontre qu'il est possible de maintenir des performances compétitives en s'appuyant sur des briques théoriques issues de la manipulation planifiée, notamment la notion de mode de manipulation, qui encode des contraintes de contact et de transition de trajectoire. La robustesse observée en régime de données rares est un signal pertinent pour les intégrateurs industriels : les jeux de démonstrations terrain dépassent rarement quelques dizaines d'exemples par tâche, rendant la densité de données un critère de sélection concret. L'apprentissage par imitation pour la manipulation robotique a connu depuis 2022 une accélération portée par ACT, Diffusion Policy puis Pi-0 de Physical Intelligence et GR00T N2 de NVIDIA, architectures qui ont montré une généralisation impressionnante au prix d'une opacité croissante. RE4 s'inscrit dans un courant concurrent qui défend des approches hybrides combinant connaissance géométrique et représentations centrées objet, dans la lignée de PerAct ou RVT. Il convient de souligner qu'il s'agit d'un preprint académique sans validation sur robot physique publiée à ce stade : les résultats sont entièrement simulés ou en environnement de benchmark logiciel. Les prolongements naturels incluent une validation hardware et une extension à des tâches de manipulation multi-étapes, qui constitueront le vrai test de transférabilité de l'approche.

Recherche❖Paper

1 source

37

4752arXiv cs.RO 

RoBoSR : représentations structurées de scènes pour le raisonnement des robots incarnés

Une équipe de chercheurs a publié fin juin 2026 un preprint arXiv (2606.24338) présentant RoBoSR, un cadre de représentation intermédiaire structurée pour la manipulation robotique en monde ouvert. L'approche modélise chaque tâche comme une séquence de transitions d'états sur des graphes de scène orientés objet, sémantiquement ancrés. Concrètement, le système segmente l'environnement perçu en entités discrètes (objets, relations spatiales, états) avant de raisonner sur les préconditions et effets de chaque sous-tâche. Pour entraîner ce raisonnement, les auteurs publient simultanément Manip-Cognition-1.6M, un jeu de données de 1,6 million d'exemples couvrant la compréhension de scène, l'interprétation d'instructions et la planification de sous-tâches sur des manipulations variées. Sur plusieurs benchmarks et démonstrations réelles, RoBoSR revendique des performances supérieures aux méthodes par prompting et aux pipelines TAMP classiques (Task and Motion Planning), notamment en généralisation zéro-shot et sur des tâches longue-portée. Ce que pointe cette publication, c'est l'une des frictions centrales des architectures VLA (Vision-Language-Action) actuelles : leur biais séquentiel issu des données de démonstration les rend fragiles dès que la tâche sort du scénario d'entraînement. En intercalant une représentation graphique explicite entre la perception brute et l'action, RoBoSR tente de rendre le raisonnement causal modulaire et réutilisable, ce qui améliore théoriquement la robustesse aux variations d'environnement. Pour un intégrateur industriel, c'est le problème du "demo-to-reality gap" qui est visé : un robot qui comprend les dépendances entre sous-tâches peut récupérer d'un échec partiel sans replanifier depuis zéro. Le dataset Manip-Cognition-1.6M, s'il est effectivement rendu public, constitue également une ressource d'entraînement non négligeable pour la communauté. RoBoSR s'inscrit dans une vague de recherches cherchant à dépasser les limites des modèles d'imitation pure, dans un secteur où Physical Intelligence (pi0), Google DeepMind (GR00T N2) et Figure AI travaillent sur des architectures hybrides mêlant apprentissage et planification symbolique. Le papier reste un preprint non évalué par les pairs, et les résultats en "démonstrations réelles" ne sont pas détaillés quantitativement dans le résumé disponible. Les prochaines étapes naturelles seraient une soumission en conférence (CoRL, ICRA) et la mise à disposition publique du dataset annoncé.

IA physique❖Paper

1 source

37

4753arXiv cs.RO 

NoContactNoWorries : estimation du contact par vision et proprioception pour la manipulation dextérique en main

Une équipe de chercheurs présente NoContactNoWorries, un cadre multimodal basé sur des transformers qui fusionne la vision RGB-D et la proprioception du robot pour estimer des états de contact binaires pendant la manipulation en main. Publié en prépublication sur arXiv (référence 2506.24450), le système entraîne un unique modèle de prédiction de contact sur plusieurs objets distincts et valide l'approche à la fois en simulation et sur un robot physique. Le signal de contact inféré sert d'entrée pseudo-tactile pour des agents d'apprentissage par renforcement chargés de la réorientation d'objets tenus en main, avec généralisation démontrée sur des objets non vus durant l'entraînement. L'intérêt pour les intégrateurs robotiques est direct : les capteurs tactiles dédiés, qu'il s'agisse de solutions de type GelSight, DIGIT ou de nappes piézorésistives, se heurtent à trois obstacles récurrents en environnement industriel, à savoir le coût unitaire élevé, la fragilité mécanique et la complexité d'intégration sur des mains multi-doigts. NoContactNoWorries contourne ces contraintes en exploitant uniquement des caméras RGB-D et les données proprioceptives déjà disponibles sur la grande majorité des bras et mains robotiques commerciaux. La limitation reste substantielle : la détection est purement binaire (contact ou absence de contact), sans estimation de force ni de distribution de pression, ce qui restreint l'applicabilité aux tâches nécessitant un retour haptique fin, comme l'assemblage de composants fragiles ou la manipulation de textiles. L'approche s'inscrit dans une tendance plus large de la manipulation dextre cherchant à éliminer les capteurs spécialisés au profit de modalités perceptuelles génériques, dans la continuité des travaux sur les politiques visuomotrices à grande échelle (VLA). Le domaine du toucher artificiel reste actif, avec des acteurs comme Contactile (Australie), Touchlab (Écosse) ou les équipes du MIT CSAIL qui développent des capteurs embarqués haute résolution. À ce stade, NoContactNoWorries est un résultat académique en prépublication, non encore soumis à révision par les pairs, et les auteurs n'annoncent aucun calendrier de transfert industriel.

Recherche❖Paper

1 source

37

4754arXiv cs.RO 

PanoVine : contrôle visuomoteur corps entier pour robot souple à croissance végétale

Une équipe de chercheurs a publié sur arXiv (preprint arXiv:2506.22923, juin 2026) un système baptisé PanoVine, premier robot « vigne » autonome doté d'un contrôle visuomoteur corps entier. Le principe : un robot souple à croissance continue, de la famille des vine robots, est équipé de 19 caméras distribuées sur toute la longueur de son corps. Ces capteurs fournissent un retour d'information panoramique sur l'état interne du robot et sur son environnement immédiat. Une politique visuomotrice bout-en-bout, entraînée à partir de démonstrations humaines, pilote le robot en boucle fermée sans recourir à un modèle cinématique explicite. Les capacités démontrées en laboratoire couvrent la navigation dans des structures ramifiées, l'escalade de pentes, la traversée de terrains sans appui, l'atteinte précise d'objets et le franchissement d'espaces confinés. L'intérêt technique est direct : les vine robots souffrent structurellement d'hystérésis, d'interactions avec leur câble d'alimentation et de déformations imprévisibles, ce qui rend les approches de planification classique peu efficaces. En substituant un pipeline data-driven à la modélisation explicite, PanoVine contourne ce mur de complexité. C'est un exemple concret de sim-to-real évité par l'apprentissage depuis des démonstrations réelles, une voie que plusieurs équipes en robotique molle explorent mais que peu ont validée sur un système à géométrie variable aussi difficile à instrumenter. Pour les intégrateurs travaillant sur l'inspection de canalisations, la chirurgie mini-invasive ou la recherche en environnements effondrés, cela ouvre une voie vers des contrôleurs déployables sans calibration géométrique fine. Les vine robots sont un champ de recherche actif depuis les travaux fondateurs de l'équipe de Allison Okamura à Stanford (Soft Robotics 2017-2019), et plusieurs groupes en Europe et aux États-Unis développent des variantes pour l'exploration souterraine ou médicale. PanoVine se distingue par l'échelle du réseau de capteurs embarqués et par l'autonomie complète de la boucle de contrôle. Il s'agit à ce stade d'une preuve de concept académique, sans déploiement industriel ni partenaire annoncé. Les prochaines étapes attendues concernent la robustesse hors distribution et la généralisation à des environnements non vus lors de l'entraînement.

Recherche❖Paper

1 source

37

4755arXiv cs.RO 

ArtiTwinSplat : reconstruction de jumeaux numériques interactifs par Gaussian Splatting à partir de vidéos RGB-D

ArtiTwinSplat, présenté dans un preprint arXiv (arXiv:2606.24628) daté du 30 juin 2026, est un framework de reconstruction automatique de jumeaux numériques articulés depuis des vidéos RGB-D, sans modèles CAO, assets de simulation ni annotations manuelles. La méthode combine le 3D Gaussian Splatting (3DGS), une représentation 3D par primitives gaussiennes reconnue pour sa fidélité géométrique et son rendu temps réel, avec un pipeline non supervisé de détection d'articulations qui infère la structure en parties et la cinématique des joints (axes de rotation, translations) depuis le mouvement observé seul. Les jumeaux numériques produits supportent rendu interactif, contrôle de point de vue et manipulation temps réel, et sont conçus pour être directement consommables par des systèmes de planification et d'apprentissage robotiques en aval. L'enjeu est direct pour les intégrateurs : modéliser des objets articulés (portes, tiroirs, outils industriels) reste un goulot d'étranglement coûteux dans le déploiement de systèmes robotiques. Les approches classiques exigent des modèles CAO fournis par le fabricant ou des sessions de capture très structurées en environnement contrôlé. Un pipeline vidéo RGB-D non supervisé réduit drastiquement ce coût d'onboarding. En opérant sur des observations réelles plutôt que des données synthétiques, ArtiTwinSplat vise à réduire le sim-to-real gap dans les pipelines de manipulation, une promesse importante si elle se confirme à l'évaluation sur des scènes industrielles variées. La méthode s'inscrit dans la vague post-2023 du 3DGS, décliné en variantes articulées comme PARIS (CMU/MIT, 2023) ou REACTO. La revendication d'ArtiTwinSplat est d'être le premier pipeline entièrement non supervisé opérant sur vidéos réelles dans ce registre. Le preprint ne mentionne ni affiliation institutionnelle explicite, ni benchmark chiffré sur des datasets standards comme PartNet-Mobility, ni partenariat industriel : c'est une contribution académique à valider, pas un produit déployé. Des équipes comme Physical Intelligence, Anybotics ou des groupes de Stanford et CMU travaillent sur des problématiques adjacentes de manipulation généraliste en monde ouvert, ce qui situe ArtiTwinSplat dans un champ très compétitif.

IA physique❖Paper

1 source

36

4756arXiv cs.RO 

ProteusVPR : reconnaissance visuelle de lieux multi-scènes pour la perception maritime et l'inspection de cabines

Des chercheurs ont déposé le 24 juin 2026 sur arXiv (2606.24234) ProteusVPR, un système de reconnaissance visuelle de lieu (VPR, Visual Place Recognition) conçu pour les robots d'inspection en milieu maritime. Le problème de fond : à bord d'un navire, un robot doit naviguer entre deux environnements visuellement antagonistes, les ponts extérieurs aux textures rares et aux variations d'éclairage sévères, et les cabines intérieures aux structures répétitives générant de fortes ambiguïtés. ProteusVPR répond avec une architecture à deux étapes : une première phase de récupération d'images via n'importe quel backbone VPR standard, suivie d'un réseau d'estimation géométrico-visuelle qui fusionne l'image récupérée avec deux trames temporellement précédentes, intégrant des descripteurs géométriques, un système de coordonnées affines locales et un encodage de l'azimut caméra. Les auteurs introduisent également le dataset XHZ, jeu de données panoramiques 8K collecté sur un navire en opération, couvrant des structures multi-niveaux de cabines, des zones de transition pont-intérieur et une séparation stricte requête-base de données. Sur ce benchmark, ProteusVPR réduit l'erreur de localisation moyenne de plus de 60 % par rapport aux backbones classiques testés. Ce résultat pèse parce que les méthodes VPR actuelles, conçues pour l'urbain ou l'indoor, échouent systématiquement à généraliser sur des scènes aussi hétérogènes au sein d'un même parcours. En inspection navale autonome, une localisation dégradée invalide un cycle d'audit entier ou génère de fausses alertes sur l'état de la coque ou des espaces confinés. La modularité de ProteusVPR est son argument commercial le plus fort : son deuxième étage s'intègre au-dessus de tout pipeline VPR existant, ce qui réduit le coût d'adoption pour les équipes qui disposent déjà d'une infrastructure de localisation visuelle. La VPR est un problème actif depuis vingt ans, de NetVLAD aux approches transformers récentes, mais son application maritime reste marginale, la plupart des systèmes embarqués s'appuyant sur LiDAR ou GNSS, peu fiables sous pont. Des acteurs comme SeaRobotics, Voyis ou Greensea Systems couvrent l'inspection de coque et sous-marine, mais le créneau ponts-cabines demeure peu industrialisé. L'équipe ne mentionne ni partenaire industriel ni calendrier de déploiement : ProteusVPR reste pour l'heure une contribution académique (preprint arXiv), sans produit embarqué démontré en conditions réelles.

Recherche❖Paper

1 source

35

4757arXiv cs.RO 

Apprentissage topologique en ligne pour la commande de formation par déplacement

Une équipe de recherche a publié sur arXiv (arXiv:2606.23901, juin 2026) un nouveau cadre de contrôle de formation multi-robots baptisé TOLD, pour Topological Online Learning for Displacement-based. La contribution centrale est une adaptation en temps réel des poids d'interaction entre agents, c'est-à-dire la topologie du graphe de communication, plutôt que de réguler uniquement les commandes individuelles de chaque robot. Deux variantes sont proposées : OGF (Online Gradient Flow), à poids non contraints, et OExpGF (Online Exponential Gradient Flow), à poids convexes non négatifs. Les simulations portent sur douze robots soumis à des perturbations intermittentes et montrent une réduction médiane de l'erreur cumulée de distorsion de formation (Root Mean Distortion Error) comprise entre 1,2 % et 33,14 % lorsque TOLD est combiné à des contrôleurs nodaux existants. Les expériences matérielles ont été conduites sur des nano-quadrotors Crazyflie 2.0 (Bitcraze), avec des réductions de distorsion médiane de 62 % pour OGF et 31,4 % pour OExpGF par rapport à un consensus à poids fixes. L'intérêt de TOLD réside dans le déplacement du point d'intervention : là où les approches robustes classiques agissent sur les entrées individuelles de chaque agent sans toucher à la structure du réseau, TOLD modifie dynamiquement les liaisons d'interaction pour minimiser directement la distorsion de formation. Pour un ingénieur systèmes ou un intégrateur de flottes AMR ou de drones, cela signifie potentiellement une meilleure résilience face aux pannes de communication ou aux perturbations environnementales sans nécessiter de reconfigurer l'architecture de contrôle. Sur le plan théorique, OExpGF garantit la convergence asymptotique pour des agents à intégrateur simple sur graphes orientés, propriété formellement établie dans l'article, ce qui lui confère une solidité analytique supérieure à OGF, lequel n'assure que la bornitude de l'erreur. Il convient de contextualiser les résultats : les expériences matérielles s'appuient sur les Crazyflie 2.0, des plateformes open-source de 27 grammes conçues pour la recherche académique, loin des conditions industrielles. L'article est une prépublication arXiv, non encore évaluée par les pairs. Le domaine du contrôle de formation par consensus est très actif, avec des contributions récentes sur les contrôleurs robustes nodaux, les approches par apprentissage distribué et les méthodes basées sur la théorie spectrale des graphes. TOLD se positionne dans un espace encore peu exploré, l'adaptation topologique en ligne, dont la transférabilité vers des flottes de robots terrestres ou des drones industriels (UAV inspection, logistique entrepôt) reste à démontrer dans des environnements moins contrôlés.

Recherche❖Paper

1 source

35

4758arXiv cs.RO 

Dynamique, stabilité et efficacité énergétique d'une roue sans jante récupératrice avec jambes à ressort-embrayage

Des chercheurs présentent sur arXiv (2606.22073) une roue à jantes à récupération d'énergie équipée de pattes à ressort-embrayage. Le principe : un embrayage verrouillable capture l'énergie élastique générée lors du contact du pied avec le sol et la réinjecte au cycle de marche suivant. Les simulations montrent une réduction du Coût de Transport (CoT) de 16,13 % par rapport à une roue viscoélastique de référence à pattes télescopiques ressort-amortisseur, et de plus de 50 % face à une roue rigide classique. Un prototype testé sur plan incliné atteint la marche passive sur une pente de 1°, avec un CoT d'environ 0,02, soit une valeur remarquablement basse pour un mécanisme de ce type. La stabilité locale des démarches périodiques est confirmée sur l'ensemble des configurations de pente et de rigidité testées. L'enjeu est concret pour la conception de robots bipèdes et de prothèses. Le CoT est l'indicateur de référence en locomotion robotique, rapportant l'énergie consommée à la masse et à la distance ; un CoT de 0,02 est proche des meilleurs marcheurs passifs biologiques, et très inférieur aux humanoïdes actifs actuels qui affichent typiquement des valeurs entre 1 et 3. Le mécanisme propose une récupération d'énergie purement mécanique, sans actionneur électrique, ce qui le rend pertinent pour des applications à faible consommation : exosquelettes, prothèses de membre inférieur ou robots d'exploration longue durée. Il illustre aussi comment l'intelligence mécanique passive peut compenser l'inefficacité des systèmes électriques à récupérer les pics d'énergie d'impact. La roue à jantes est un modèle canonique de la marche dynamique passive, introduit par McGeer en 1990 et depuis largement étudié pour modéliser la biomécanique bipède. L'idée de recycler l'énergie d'impact via des tendons artificiels (analogues au tendon d'Achille humain) est explorée depuis plusieurs années dans la littérature de la locomotion robotique. Ce travail se distingue par l'ajout d'un embrayage verrouillable qui contrôle précisément le moment de libération de l'énergie stockée. Il convient toutefois de souligner que les résultats expérimentaux portent sur un prototype passif simple, non sur un robot actif complet : l'extrapolation à un bipède actif reste à démontrer. La prochaine étape logique serait d'intégrer ce mécanisme dans un marcheur bipède actif ou un genou prothétique afin d'évaluer les gains en conditions de locomotion variées.

Recherche❖Paper

1 source

34

4759arXiv cs.RO 

De la correction locale à la généralisation : améliorer les politiques neuro-symboliques avec MEMO

Des chercheurs de Virginia Tech ont publié MEMO (Memory Enhanced Manipulation), un système visant à lever le verrou fondamental des politiques neuro-symboliques en manipulation robotique. Ces architectures utilisent des modèles de vision et de langage (VLM) pour décomposer des tâches complexes en sous-tâches sémantiques, exécutées via des "skills" : primitives de mouvement, fonctions codées ou fragments de trajectoire. La contrainte est structurelle : si la bibliothèque de skills ne couvre pas la situation courante, la politique échoue quelle que soit la qualité du raisonnement de haut niveau. MEMO contourne cette limite en exploitant les corrections en langage naturel des opérateurs humains ("non, va plus haut") : le système collecte, regroupe et reformule ces retours à travers plusieurs utilisateurs et tâches pour synthétiser des templates de skills généralisables, stockés dans un skillbook à récupération augmentée (RAG) consulté à l'exécution pour générer de nouveaux skills à la volée. L'intérêt opérationnel est concret : MEMO déplace le coût d'amélioration depuis les ingénieurs (codage manuel de nouveaux skills) vers les opérateurs terrain, dont les retours naturels deviennent données structurées réutilisables. Les expériences rapportées dans la publication démontrent une généralisation à des tâches inédites là où les baselines existantes échouent, ce qui valide l'hypothèse centrale : l'abstraction des corrections locales produit une guidance plus robuste que le simple rappel du texte exact. Avantage pratique pour les équipes de déploiement : le système n'exige pas de réentraînement du modèle de base, ce qui réduit significativement le coût d'adaptation. Ce travail s'inscrit dans la compétition entre approches neuro-symboliques et approches VLA end-to-end (Vision-Language-Action) comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, qui apprennent des politiques denses sans décomposition symbolique explicite. Les architectures symboliques conservent des avantages en interprétabilité et modularité, mais pâtissaient précisément de cette rigidité du skill-set post-déploiement ; MEMO tente de combler cet écart sans sacrifier la lisibilité du raisonnement. La publication arXiv (2603.04560) ne mentionne aucun partenaire industriel ni calendrier de commercialisation, positionnant clairement ce travail à un stade TRL expérimental, avec la démonstration consultable sur le site du laboratoire Collab de Virginia Tech.

Recherche❖Paper

1 source

34

4760arXiv cs.RO 

Optimisation riemannienne décentralisée sur graphe de poses pour le SLAM multi-robots basé objets

Des chercheurs publient sur arXiv (réf. 2606.24489) un cadre d'optimisation entièrement décentralisé pour le SLAM multi-robots basé sur des objets. Le PGO (Pose Graph Optimization) est le composant d'estimation d'état central des flottes robotiques en réseau : chaque agent doit estimer simultanément sa propre trajectoire et les poses d'objets persistants observés par plusieurs robots. L'algorithme proposé travaille sur la variété SE(d) via l'optimisation riemannienne, couplé à un mécanisme de consensus pour découpler les estimations conjointes. Il intègre également un schéma Newton approché distribué exploitant des informations de second ordre locales afin d'améliorer la convergence sous budgets de communication limités. Les évaluations couvrent des benchmarks publics, des simulations à grande échelle et des expériences multi-robots réelles, avec des gains annoncés en précision, temps d'exécution et passage à l'échelle. Le verrou adressé est directement pertinent en déploiement industriel : les solutions décentralisées existantes supposent que le graphe de communication coïncide avec la topologie physique d'interaction des robots, une hypothèse irréaliste lorsque la communication est intermittente, éparse ou variable dans le temps. En découplant ces deux topologies, le framework devient applicable aux entrepôts avec AMR, aux flottes de drones ou aux convois de véhicules autonomes. L'apport théorique -- convergence prouvée vers des points stationnaires riemanniens de premier ordre et analyse du nombre de conditionnement local justifiant l'avantage du second ordre sur la descente de gradient pure -- distingue ce travail des approches heuristiques. La réduction du nombre d'itérations et de la charge de communication sans perte de précision est le bénéfice opérationnel central, même si la distance entre preuves formelles et performances terrain reste un écart classique dans le domaine. Le SLAM multi-robots décentralisé est un champ actif depuis une décennie, avec des contributions majeures comme SE-Sync (Rosen et al., Brown University), KIMERA-Multi (MIT SPARK Lab) ou DOOR-SLAM. Cette méthode s'inscrit dans leur continuité en ajoutant la gestion explicite des objets partagés entre agents et la robustesse aux pannes de communication. Ce préprint arXiv n'a pas encore été évalué par les pairs et ne correspond à aucun produit ni déploiement commercial annoncé : c'est une contribution algorithmique pure. Les suites naturelles seraient une soumission à ICRA 2027 ou IROS, et des tests de validation sur des flottes denses en environnement réel non contrôlé. Aucun acteur français ou européen n'est mentionné dans les travaux.

Recherche❖Paper

1 source

33

4761arXiv cs.RO 

ObsGraph : représentation hiérarchique des observations pour le raisonnement incarné et l'exploration

Des chercheurs ont soumis le 24 juin 2026 sur arXiv (identifiant 2606.24068) un système baptisé ObsGraph, une représentation hiérarchique de scène centrée sur l'observation, destinée aux agents robotiques déployés dans des environnements complexes et inconnus. L'architecture repose sur trois couches emboîtées : les pièces (rooms), qui fournissent des ancres sémantiques grossières à l'échelle d'une zone ; les vues (views), qui préservent la co-visibilité contextuelle des objets dans un même champ ; et les objets (objects), qui stockent les détails fins nécessaires à l'exécution des tâches. Sur cette représentation, ObsGraph exécute une récupération d'information hiérarchique contrainte par un budget computationnel, du plus grossier au plus précis, puis utilise les résultats obtenus pour structurer dynamiquement la stratégie d'exploration : activation de l'exploration au niveau pièce, raffinement de vue, ou exploration de frontière (frontier exploration). La contribution centrale est le couplage serré entre représentation, récupération et exploration adaptative, là où la majorité des approches existantes traitent ces trois composantes de manière découplée. En pratique, ce que l'agent a déjà observé détermine directement où il cherche ensuite, réduisant l'exploration redondante. Les expériences sur des benchmarks d'embodied reasoning et d'exploration montrent des améliorations en taux de réussite et en efficacité, mais les auteurs ne publient pas de chiffres précis dans le résumé de la pré-publication, ce qui limite l'évaluation indépendante à ce stade. Pour un intégrateur ou un COO industriel, ce type de système pointe vers des agents capables de naviguer dans un entrepôt ou un atelier non cartographié avec un budget d'exploration réduit, un point critique pour les déploiements en environnements non structurés. Ce travail s'inscrit dans la dynamique plus large de l'embodied AI, où l'enjeu est de faire raisonner des agents sur des scènes inédites sans carte préexistante. Les approches concurrentes incluent les semantic maps, les topological graphs, et les modèles VLA (Vision-Language-Action) qui intègrent raisonnement et contrôle moteur dans un même réseau de neurones. ObsGraph se positionne comme une couche mémoire et représentation complémentaire à ces modèles d'action, et non comme un système de contrôle moteur à part entière. Il s'agit pour l'instant d'un preprint arXiv sans déploiement réel ni partenariat industriel annoncé ; la prochaine étape logique serait une intégration avec des frameworks robotiques comme ROS 2 ou des systèmes VLA déjà validés en conditions réelles, afin de mesurer le gain effectif au-delà des benchmarks académiques.

Recherche❖Paper

1 source

48

4762Pandaily 

Le marché des puces pour l'IA incarnée s'intensifie, plusieurs acteurs en lice pour la domination

Le marché des puces pour l'IA embarquée (dite "embodied AI") connait une intensification brutale de la concurrence, avec plusieurs acteurs majeurs qui lancent ou annoncent des processeurs capables de faire tourner de l'IA directement sur des robots, véhicules autonomes et appareils connectés. Nvidia occupe actuellement le haut du spectre avec son module Jetson Thor : jusqu'à 2 070 TFLOPS en FP4, 128 Go de mémoire, et une enveloppe thermique configurable entre 40 W et 130 W. Qualcomm attaque le milieu de gamme industriel avec son Dragonwing IQ10, qui affiche 700 TOPS, 18 coeurs CPU Oryon, et le support de 12 caméras GMSL2 simultanées -- l'entreprise mise sur une conception de référence complète (capteurs, contrôle moteur, réseau, stack logiciel) pour séduire les fabricants de robots mobiles autonomes (AMR) et de robots de service. Côté chinois, RoboRobot, filiale d'Horizon Robotics, a lancé le Sunrise S600 avec 560 TOPS (INT8) sur une architecture hétérogène BPU Nash à 4 blocs, déjà optimisé pour les modèles Qwen3 et YOLO26x. Muxi, fabricant de GPU chinois, a formé une coentreprise avec le constructeur de robots humanoïdes Ubtech, baptisée Xixuan Chuangzhi Technology, avec un tape-out prévu au second semestre 2027 et une production en volume en 2028. Cette ruée vers la puce robotique révèle un glissement structurel : l'IA migre des datacenters vers la périphérie, avec des contraintes sévères en puissance, thermique et coût que les GPU datacenter ne peuvent pas absorber. La stratégie de Qualcomm illustre une tendance de fond -- il ne suffit plus d'offrir des TOPS bruts, il faut livrer un système intégré et certifié, réduisant le time-to-market pour les intégrateurs industriels. La bataille sino-américaine est particulièrement significative : Horizon Robotics capitalise sur son expérience automotive (déploiements en série dans l'industrie automobile chinoise) pour attaquer la robotique avec une toolchain déjà battle-tested. La coentreprise Muxi-Ubtech vise explicitement la production de masse dès 2028, ce qui en ferait un acteur crédible au moment où le marché des humanoïdes devrait atteindre les premiers déploiements commerciaux à grande échelle. La convergence entre automotive et robotique n'est pas anodine. SemiDrive propose une architecture à trois niveaux -- puce R1 pour la perception et la planification, D9 pour la coordination motrice, E3-R pour l'exécution au niveau des articulations -- calquée sur les architectures centralisation/zonale des véhicules électriques. Black Sesame, avec sa série SesameX, et les divisions silicium de Li Auto (puce Mach M100) et XPeng (puce Turing) démontrent que les constructeurs automobiles chinois développent leur propre silicon pour le physical AI. Nvidia conserve un avantage d'écosystème considérable via CUDA, Isaac et Cosmos, mais sa dépendance aux contrôles à l'export américains laisse un espace que les acteurs chinois entendent occuper avant 2029.

Infrastructure❧Opinion

1 source

44

4763Interesting Engineering 

La puce 6 mW du MIT permet aux mini-drones de voir et cartographier leur environnement en temps réel

Des chercheurs du MIT ont présenté à l'IEEE VLSI Symposium un système-sur-puce baptisé Gleanmer, capable de construire des cartes 3D détaillées de l'environnement en temps réel avec une consommation d'environ 6 milliwatts. La puce cible les plateformes à très faible autonomie énergétique : micro-drones, robots embarqués, et potentiellement casques de réalité augmentée légers. Ses applications directes incluent la navigation en milieux confinés, systèmes de ventilation industriels, entrepôts, tunnels, où l'évitement d'obstacles est critique et où embarquer un GPU classique est hors de question. L'équipe, conduite par Vivienne Sze (professeure de génie électrique et informatique au MIT) et les co-premiers auteurs Peter Zhi Xuan Li et Zih-Sing Fu, a couplé le silicium à un algorithme de cartographie maison nommé GMMap. Plutôt que de recourir aux représentations voxel classiques (des millions de petits cubes), GMMap modélise l'espace avec des ellipsoïdes gaussiens flexibles qui encodent les surfaces courbes et les espaces ouverts en consommant nettement moins de mémoire. L'algorithme traite chaque image de profondeur en un seul passage et peut fusionner les gaussiennes redondantes, celles générées quand le robot observe le même objet sous plusieurs angles, sans avoir à relire les données brutes. Résultat : seuls quelques pixels doivent résider en mémoire à tout instant, et la majeure partie des données actives tient dans la SRAM on-chip rapide, évitant les accès coûteux à une mémoire externe. Ce niveau de frugalité est significatif pour le secteur. Gleanmer consomme environ 2,5 % de l'énergie exigée par la meilleure puce de cartographie existante selon les benchmarks publiés par l'équipe, et réduit la consommation de la planification de trajectoire sans collision à environ 20 % de la référence habituelle. Pour les intégrateurs qui travaillent sur des plateformes à budget énergétique serré (nano-drones de 50 g, robots d'inspection en tube, wearables industriels), la différence entre 250 mW et 6 mW n'est pas marginale : elle conditionne la durée de mission et le dimensionnement de la batterie. La puce a également démontré sa capacité à reconstruire des obstacles et espaces libres en direct à partir du flux vidéo d'une caméra iPhone, ce qui ouvre une voie vers des prototypes rapides sans matériel dédié. Le MIT n'est pas seul sur ce terrain. Intel Labs, Qualcomm et plusieurs startups spécialisées en edge AI (Syntiant, Perceive) travaillent à réduire l'empreinte des pipelines de perception embarquée. Mais l'angle co-design algorithme-hardware du groupe de Vivienne Sze, déjà connu pour des travaux similaires sur les accélérateurs de réseaux de neurones, distingue Gleanmer d'une approche purement matérielle. Les chercheurs envisagent de rapprocher davantage les ressources de calcul des capteurs pour gagner encore en efficacité lors des prochaines itérations, et explorent si les représentations gaussiennes pourraient aussi accélérer le traitement de plans techniques et de schémas complexes, au-delà du seul domaine robotique. Aucun calendrier de commercialisation ni partenaire industriel n'ont été annoncés à ce stade.

Recherche❖Paper

1 source

35

4764Robotics Business Review 

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

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

Infrastructure❧Opinion

1 source

42

4765Robotics Business Review 

ExRobotics lance un robot d'inspection certifié UL pour environnements dangereux

ExRobotics B.V., société néerlandaise fondée en 2017 et basée à Delft, a lancé officiellement son robot d'inspection autonome ExR-2.5 sur le marché nord-américain lors de l'Energy Drone & Robotics Summit à Houston. L'appareil a obtenu la certification UL 6260, norme américaine spécifique aux équipements électriques déployés en atmosphères potentiellement explosives (zones ATEX équivalentes). Le robot embarque un ensemble de capteurs orientés sécurité industrielle : imagerie acoustique haute fréquence pour détecter les fuites de gaz et les défauts mécaniques avant qu'ils ne deviennent visibles, caméras haute résolution pour l'inspection visuelle de vannes, jauges et structures, caméra thermique pour identifier les anomalies de température, et capteurs environnementaux adaptés aux zones dangereuses. Une fois ses missions autonomes accomplies, l'ExR-2.5 retourne automatiquement à sa station de charge pour se préparer au cycle suivant. ExRobotics revendique plusieurs milliers de missions robotiques complétées pour des opérateurs majeurs incluant Shell, Repsol et BP. La certification UL constitue le signal le plus concret que ce lancement n'est pas un teaser : elle conditionne légalement le déploiement en environnements classifiés aux États-Unis, et son obtention marque un franchissement de la barrière réglementaire qui bloquait beaucoup de robotique d'inspection au stade pilote. Le contexte de marché renforce l'argument commercial : selon des analystes cités par ExRobotics, l'industrie énergétique mondiale accusera un déficit de 40 000 travailleurs qualifiés cette année, tandis que 62 % des générations Z et millennials considèrent les carrières pétrolières et gazières comme peu attractives. Le coût de l'indisponibilité non planifiée est chiffré par Siemens à 11 % du chiffre d'affaires total des grandes industrielles, et 3,5 jours d'arrêt suffisent à générer plus de 5 millions de dollars de pertes pour une installation de taille intermédiaire. Dans ce contexte, un robot capable d'effectuer des rondes d'inspection à fréquence constante, sans exposition humaine et sans dépendre d'experts de plus en plus rares, répond à un besoin opérationnel documenté, pas simplement à une aspiration d'automatisation. ExRobotics opère depuis 2017 sur un créneau volontairement étroit : les robots d'inspection pour environnements dangereux, sans diversification vers d'autres verticales. Ce positionnement de spécialiste le distingue de concurrents comme Boston Dynamics (Spot, usage généraliste) ou ANYbotics (ANYmal C, présent aussi sur les sites industriels) qui adressent un spectre plus large. Sur le segment oil & gas spécifiquement, l'entreprise est en concurrence directe avec Gecko Robotics pour l'inspection de réservoirs et de structures, et avec des intégrateurs locaux nord-américains qui déploient du matériel non ATEX dans des zones moins contraintes. L'absence de prix publics et le fait que l'article repose largement sur des déclarations de l'entreprise elle-même invitent à une lecture prudente sur les volumes réels déployés. Les prochaines étapes annoncées concernent l'expansion nord-américaine, mais ExRobotics n'a pas communiqué de jalons contractuels précis ni de pipeline client chiffré pour 2026.

FR/EU ecosysteme⚡Actu

1 source

47

4766Robotics Business Review 

Vention s'associe à FANUC et Universal Robots pour l'automatisation définie par logiciel

Lors du salon Automate 2026 à Chicago, Vention Inc. a annoncé l'extension de son partenariat avec FANUC America et l'optimisation de sa plateforme de jumeau numérique pour les déploiements Universal Robots. La société montréalaise, fondée en 2016, a déployé plus de 25 000 machines dans plus de 4 000 usines à travers le monde et a levé 110 millions de dollars en janvier 2026. Sa plateforme MachineMotion AI et son écosystème MachineLogic élargissent désormais leur compatibilité à plusieurs familles de robots FANUC : les cobots CRX, les robots industriels LR Mate, les séries LR-10iA, M-710iD et M-20iD. Le principe technique central repose sur une planification de trajectoire sans collision générée automatiquement : l'opérateur définit uniquement un point de départ et un point d'arrivée, et le système calcule lui-même le chemin optimal après avoir scanné l'espace de travail en 3D. Cette reconstruction 3D s'appuie sur Foundation Stereo, un modèle open-source de NVIDIA Isaac basé sur l'estimation de profondeur stéréoscopique zero-shot, qui alimente la construction du jumeau numérique en temps réel. Ce positionnement répond à un problème structurel de l'automatisation industrielle : la complexité et la durée du commissionnement. En supprimant la programmation manuelle point par point et en proposant une simulation réaliste avant déploiement physique, Vention réduit le risque d'intégration et accélère la montée en cadence de production. Pour les intégrateurs et les responsables industriels, l'enjeu est concret : déployer une cellule robotique en quelques jours plutôt qu'en plusieurs semaines, sans expertise en code robot propriétaire. L'approche "goal-driven", piloter par objectif plutôt que par trajectoire préprogrammée, facilite aussi les environnements multi-SKU et les changements fréquents de layout, un cas d'usage réel dans les manufactures à forte variabilité. Il reste toutefois à noter que les annonces présentées au salon sont principalement des démonstrations de capacités et d'intégrations partenaires ; les métriques de temps de déploiement avancées par Vention ne sont pas encore accompagnées de données tierces publiées. Vention s'inscrit dans un segment émergent d'éditeurs de plateformes d'automatisation "full-stack" qui cherchent à simplifier l'accès aux robots industriels traditionnels, face à des acteurs comme Covariant, Symbio Robotics ou, dans le segment cobot, Hirebotics avec ses offres clé-en-main sur Universal Robots. Le choix de NVIDIA Isaac Foundation Stereo comme couche de perception indique une convergence accélérée entre les stacks robotiques industriels et les pipelines d'IA générative. Avec 4 000 usines clientes et une levée de fonds récente de 110 millions de dollars, Vention dispose d'une base d'expansion significative pour déployer ces nouvelles capacités à l'échelle. Les prochaines étapes probables incluent l'extension à d'autres familles de robots et le déploiement commercial des fonctionnalités annoncées à Automate, dont les timelines précises n'ont pas été communiquées.

Industriel❧Opinion

1 source

46

4767Interesting Engineering 

Une entreprise américaine dévoile R-Noid, un robot humanoïde pour les usines, hôtels et entrepôts

Robot.com, société américaine, a annoncé le lancement commercial de R-Noid, un robot humanoïde destiné aux environnements industriels, logistiques, hospitaliers et de restauration. Proposé selon un modèle Robot-as-a-Service (RaaS), le système serait déployable en huit à douze semaines, de l'évaluation initiale du site jusqu'à l'opération autonome. R-Noid mesure 1,7 mètre, pèse 90 kilogrammes, et embarque deux bras à 7 degrés de liberté (7-DOF) capables de manipuler des charges allant jusqu'à 4 kilogrammes chacun, complétés par un torse articulé à 4-DOF offrant une portée verticale de 0 à 1,9 mètre. Sa base mobile holonome permet des déplacements omnidirectionnels sans modification des infrastructures existantes. Au lancement, le robot couvre 19 tâches réparties en cinq catégories : Restaurant Assistant, Packer, Picker, Folder et Host, comprenant notamment le montage de cartons, le picking en entrepôt, le transfert de pièces plastiques sur lignes de production, le support en cuisine et le pliage de linge. L'autonomie annoncée est d'environ trois heures sur batterie, avec la possibilité de fonctionner en continu branché au secteur, et une architecture d'effecteurs terminaux modulaire permet de changer d'outil selon la tâche. Ce qui distingue techniquement R-Noid, c'est l'empilement logiciel retenu. La manipulation est pilotée par pi-0.7, le modèle vision-langage-action (VLA) développé par Physical Intelligence, dont les travaux sur les politiques généralisées font référence dans la communauté robotique. La navigation et l'autonomie terrain reposent sur les Foundation Field Models (FFM) de FieldAI, conçus pour opérer sans cartographie préalable dans des environnements dynamiques. L'inférence embarquée est assurée par des modules NVIDIA Jetson, et la validation pré-déploiement passe par NVIDIA Isaac Sim. Ce choix d'assembler trois couches tierces spécialisées plutôt que de développer une stack propriétaire reflète une tendance croissante chez les intégrateurs humanoïdes. Reste que le RaaS humanoïde n'a pas encore fait ses preuves à l'échelle industrielle : l'annonce ne mentionne ni clients nommés ni volumes déployés, ce qui la place davantage du côté du lancement commercial que du déploiement réel en production. Robot.com s'inscrit dans une vague d'acteurs cherchant à industrialiser l'humanoïde en contournant la difficulté du hardware par un modèle de service. Ses concurrents directs incluent Figure AI avec le Figure 03 déployé chez BMW, Agility Robotics présent chez Amazon, 1X Technologies et Apptronik, tous positionnés sur les marchés industriels et logistiques. Du côté européen, Wandercraft développe Atalante X pour la rééducation médicale, et la française Enchanted Tools positionne Miroka sur l'hospitalité, segment également ciblé par la catégorie Host de R-Noid. Aucune tarification n'est communiquée. Les prochaines étapes seront déterminantes : Robot.com devra démontrer que ses délais de déploiement de huit à douze semaines tiennent en conditions réelles, et que pi-0.7 maintient ses performances hors des environnements contrôlés où les VLA ont jusqu'ici surtout été validés.

Humanoïdes❧Opinion

1 source

35

4768Robotics Business Review 

Pourquoi l'IA physique 2.0 a besoin d'un retour à la réalité

L'intelligence artificielle physique amorce une transition conceptuelle que le secteur commence à nommer "Physical AI 2.0". La première génération, aujourd'hui dominante, repose sur une logique de volume : des milliards de séquences vidéo et textuelles, complétées par des simulateurs hyperréalistes comme la plateforme Cosmos de NVIDIA, permettent d'entraîner des systèmes robotiques avant tout déploiement réel. Ce paradigme, qualifié de "vision-first", postule qu'avec suffisamment de caméras et de puissance de calcul, un robot peut modéliser et anticiper son environnement. Mais cette hypothèse se révèle fragile dès que les capteurs sont éblouis, que des objets sont occultés ou que les données sont bruitées et contradictoires. La "Physical AI 2.0" propose d'introduire une couche supplémentaire dans la pile logicielle : la récupération d'état physique (physical state recovery), qui reconstruit l'état réel du monde à partir de données incomplètes ou dégradées, avant même que le raisonnement de haut niveau n'entre en jeu. L'architecture cible comprend quatre briques en boucle fermée : des modèles du monde nourris par la simulation et l'expérience passée ; la récupération d'état physique ; un module de raisonnement qui sélectionne une intention ; et l'action, exécutée dans des contraintes de sécurité strictes. Le raisonnement n'actionne pas directement les effecteurs : il propose une intention, que la logique de planification et de sécurité traduit ensuite en mouvement borné. L'enjeu industriel est concret. Un robot qui mal-estime l'état de son environnement ne peut pas raisonner correctement, même si son modèle sous-jacent est de haute qualité : une mauvaise observation produit une erreur de raisonnement confiante, pas simplement une incertitude. La distinction clé est entre "cas difficile" et "cas mal observé". Un benchmark peut identifier qu'un système échoue dans des scénarios d'occlusion ou de comportements atypiques d'usagers de la route, sans pour autant corriger l'observation elle-même. Traiter la récupération d'état comme un module dédié, potentiellement alimenté par des capteurs spécialisés comme le radar ou des capteurs tactiles, évite à chaque nouveau robot de réapprendre les lois élémentaires de la physique depuis zéro. Pour les intégrateurs et décideurs B2B, la conséquence pratique est que l'unité de compétition dans l'IA physique n'est plus le modèle seul, mais l'ensemble de la chaîne : captation, simulation, entraînement de politique, orchestration, sécurité embarquée et boucle de retour terrain. Ce cadrage s'inscrit dans un débat plus large sur les limites des approches end-to-end dans la robotique et l'autonome. NVIDIA a investi massivement dans Cosmos pour normaliser la simulation physique, et plusieurs laboratoires explorent des architectures de type VLA (Vision-Language-Action) qui intègrent partiellement ces problématiques. L'argument central du texte est qu'agrandir indéfiniment des modèles bout-en-bout n'est pas la seule voie : une couche dédiée à la récupération d'état physique serait à la fois plus efficiente et plus robuste. À noter que ce texte est publié en amont de la conférence RoboBusiness 2026 et constitue essentiellement un cadrage conceptuel d'un positionnement produit, sans annonce ni déploiement commercial à la clé. Aucune métrique de performance concrète n'est avancée pour étayer la thèse, ce qui limite l'évaluation indépendante des affirmations.

IA physique❧Opinion

1 source

37

476936Kr 

Table ronde : la vraie stratégie du capital-risque IA, un pas devant le consensus | 2026WAVES

Lors de la conférence 2026 WAVES, un roundtable intitulé "Investir avant le consensus" a réuni Zhu Tianyu, managing partner de BlueRun Ventures, et Qin Shentao, fondateur et CEO d'OriginFlow, startup créée en 2025 alors qu'il était doctorant à l'université Tsinghua, à 24 ans. En moins de cinq mois, OriginFlow a levé plus de 500 millions de yuans (environ 63 millions d'euros), de la ronde angel jusqu'au Pre-A1. BlueRun a co-mené le tour angel et réinvesti à trois reprises ; Zhu Tianyu avait pris sa décision d'investir en trente minutes de discussion. La société développe une interface motrice non invasive pour l'embodied AI : des capteurs électromécaniques portables décodent les signaux moteurs descendants du cerveau humain afin de capturer, en temps réel, les données de mouvement physique dans des environnements industriels, sans implant chirurgical ni interruption des processus de production. L'argument fondateur d'OriginFlow tient à ce que Qin Shentao identifie comme le troisième grand chantier de la donnée pour l'IA. Le texte, trente ans de tokenisation des savoirs humains sur Internet, a permis l'émergence des LLM d'OpenAI et Anthropic. La vidéo, accumulée par au moins 300 000 véhicules en circulation dans le cas de la conduite autonome, a alimenté les Robotaxi. L'interaction physique avec contact reste quasi-inexploitée : les 8 milliards d'humains génèrent, selon les estimations de la startup, près de 100 milliards d'heures de données d'interaction physique réelle chaque jour, contre quelques centaines de milliers d'heures seulement effectivement utilisées dans les modèles génératifs actuels, soit un écart de plusieurs ordres de grandeur. OriginFlow mise sur une collecte in the wild, pendant les processus de production normaux, sans perturber les cadences industrielles. BlueRun résume ce modèle économique par la formule "earn money while earning data" : les industriels paient pour le service et constituent simultanément un corpus de données propriétaires pour la startup. BlueRun Ventures est l'un des rares fonds early-stage chinois à avoir co-investi dans un LLM de base (Moonshot AI, éditeur du chatbot Kimi), une application IA (Genspark), un constructeur automobile (Li Auto) et un roboticien (Agibot). Son cadre d'analyse dit "trois vagues cumulatives" (AGI, robotique physique, interaction 3D), formalisé vers 2021-2022 avant le lancement de ChatGPT, place OriginFlow à l'intersection des trois vecteurs. Zhu Tianyu souligne l'avantage comparatif chinois : densité de talents en IA couplée à une chaîne industrielle manufacturière profonde, propice aux approches combinant software et hardware pour la collecte de données physiques. Sur ce segment précis de l'interface neuromécanique non invasive pour l'embodied AI, aucun concurrent direct n'est cité dans les échanges ; des acteurs comme Physical Intelligence (Pi-0) ou les fournisseurs de modèles VLA opèrent sur des couches différentes de la pile robotique. Les prochaines étapes d'OriginFlow ne sont pas détaillées dans la discussion, mais la rapidité et le volume de la levée suggèrent des déploiements pilotes en environnement industriel à court terme.

Chine/Asie⚡Actu

1 source

45

4770Pandaily 

L'industrie robotique chinoise enregistre de multiples avancées dans les humanoïdes et l'IA physique

En l'espace d'une semaine, l'industrie robotique chinoise a enregistré plusieurs jalons concrets. Ubtech Robotics a annoncé que les pré-commandes de son robot humanoïde pleine taille Ubestworld dépassent 5 000 unités sur JD.com, avec une mise en vente simultanée sur Tmall. Dans le segment de l'IA physique, Jiangxing Intelligence a bouclé deux tours de financement stratégiques consécutifs totalisant plusieurs centaines de millions de yuans ; l'entreprise, fondée par Pang Haitian, revendique déjà la rentabilité et déploie ses solutions dans de multiples secteurs industriels. Alibaba a par ailleurs publié la série Qwen-Robot, ses modèles d'IA incarnée, pendant que le constructeur automobile Seres dévoilait son premier robot humanoïde. Sur le segment grand public, la startup ZuzuZoos a finalisé un tour Pre-A de plusieurs dizaines de millions de yuans pour son robot compagnon IA couplant grands modèles de langage et design IP, ciblant les femmes de 18 à 35 ans. Enfin, le ministère chinois de l'Industrie et des Technologies de l'Information (MIIT) a mis en consultation publique des projets de normes techniques pour les robots humanoïdes dans les sous-stations électriques et la fabrication d'électroménager, couvrant évaluation de performance, spécifications après-vente et interconnexion inter-robots. La simultanéité de ces signaux est plus significative que chacun pris isolément. Les 5 000 pré-commandes d'Ubtech, même sans précision de prix ni calendrier de livraison ferme, constituent un indicateur de demande grand public qui dépasse le cadre industriel habituel des humanoïdes, un glissement de marché que peu d'analystes anticipaient à ce stade. Plus structurellement, la publication de normes sectorielles par le MIIT est un accélérateur de déploiement B2B : elle réduit le risque d'évaluation pour les intégrateurs et les donneurs d'ordre industriels, qui n'ont plus à définir leurs propres grilles de qualification. La profitabilité affichée de Jiangxing Intelligence, si elle se confirme, invalide partiellement la thèse selon laquelle l'IA physique à grande échelle est encore trop immature pour générer des revenus récurrents. Du côté de JD Group, l'annonce par le fondateur Liu Qiangdong d'un plan de reconversion pour 700 000 employés col bleu, livreurs inclus, via des accords avec 120 établissements de formation, signale une stratégie de transition sociale anticipée face à l'automatisation, rarement formulée aussi explicitement par un opérateur de cette taille. Ce déferlement s'inscrit dans une dynamique d'écosystème que Pékin cultive depuis plusieurs années : subventions à la R&D robotique, zones pilotes pour l'IA incarnée, et pression réglementaire pour structurer rapidement un marché encore fragmenté. Face à cette accélération, les acteurs occidentaux positionnés sur l'humanoïde, Figure AI avec son robot 03, Tesla avec Optimus Gen 3, Physical Intelligence avec Pi-0, ou NVIDIA avec GR00T N2, maintiennent une avance technologique sur certains benchmarks de manipulation, mais voient l'écart de vitesse de commercialisation se réduire. Aucun acteur français ou européen n'est directement mentionné dans ces développements, bien que Wandercraft, Enchanted Tools ou Pollen Robotics opèrent sur des niches complémentaires (exosquelettes, cobots). Les prochaines étapes à surveiller : les dates de livraison effectives de l'Ubestworld, l'entrée en vigueur des normes MIIT, et les premiers déploiements industriels documentés de Qwen-Robot.

Chine/Asie⚡Actu

1 source

46

4771Interesting Engineering 

Boucle d'apprentissage tactile : comment les données du toucher humain apprennent aux robots à manipuler des œufs

ABB Robotics et PSYONIC, fabricant américain de la prothèse bionique Ability Hand, ont annoncé un partenariat centré sur l'exploitation de données haptiques issues d'utilisateurs humains réels pour entraîner des systèmes robotiques industriels. L'Ability Hand, portée au quotidien par plusieurs centaines de personnes amputées, embarque des capteurs de pression distribués sur chaque doigt ainsi qu'un système de retour vibratoire. Lors d'activités ordinaires comme la vaisselle, le tri de vêtements ou la manipulation d'objets fragiles, ces utilisateurs génèrent en continu des profils de contact, de variation de pression et d'ajustement de préhension. ABB a monté une Ability Hand directement sur son bras collaboratif GoFa pour des cycles de test et d'itération en conditions industrielles. Marc Segura, président d'ABB Robotics, a décrit l'acquisition de la dextérité humaine et la compréhension intrinsèque de la diversité des produits comme "l'un des défis les plus difficiles de la robotique industrielle". Le caractère stratégique de cette initiative tient à la nature du problème qu'elle attaque : le transfert de compétences de manipulation fine vers des plateformes industrielles. Les méthodes classiques d'apprentissage par imitation, qu'il s'agisse de gants de capture, de réalité virtuelle ou de vidéos, enregistrent les positions finales des doigts mais ratent l'information critique : les profils de force en temps réel et la sensation de texture. C'est précisément cette couche sensorielle qui différencie une préhension réussie d'un oeuf (ni trop forte pour casser la coquille, ni trop légère pour le laisser glisser) d'une prise défaillante. Le fait que le hardware soit identique côté prothèse et côté robot GoFa supprime le problème classique de sim-to-real gap lors du transfert des politiques de contrôle : les données humaines s'appliquent directement à la géométrie mécanique du robot, sans recalibration. Pour les intégrateurs industriels, cela ouvre la possibilité de traiter des produits à géométrie variable ou à surface délicate, fruits, pièces organiques, conditionnement souple, sans recourir à des outillages dédiés ou à des convoyeurs d'orientation préalable. ABB, groupe suisse pesant environ 30 milliards de dollars de chiffre d'affaires annuel, inscrit ce partenariat dans une tendance sectorielle vers des robots capables de percevoir et d'agir sans trajectoires préprogrammées rigides. PSYONIC, startup spécialisée dans les prothèses bioniques accessibles, valorise ici sa base d'utilisateurs comme corpus d'entraînement, un actif rare dans le domaine haptique. Sur le plan concurrentiel, cette approche par données haptiques humaines se distingue des stratégies adverses : Sanctuary AI mise sur la téléopération et les foundation models, Physical Intelligence (Pi-0) sur l'apprentissage par démonstration à grande échelle, Figure et Apptronik sur la capture vidéo synthétique. Aucun calendrier de déploiement industriel n'a été communiqué à ce stade ; l'initiative reste à l'étape de validation technologique, avec le GoFa comme plateforme de test principale.

Industriel❧Opinion

1 source

37

4772MIT News Robotics 

Une nouvelle puce pourrait aider les petits robots à traverser des environnements complexes

Des chercheurs du MIT ont conçu un système-sur-puce baptisé Gleanmer, capable de générer des cartes 3D en temps réel à partir d'un flux de caméra de profondeur, avec une consommation d'environ 6 milliwatts, soit l'équivalent d'une LED. Cette performance s'obtient grâce à une co-conception algorithme-matériel : l'équipe, menée par la professeure Vivienne Sze (EECS/RLE) et le professeur Sertac Karaman (aéronautique, directeur du LIDS), a couplé leur algorithme de cartographie GMMap à un accélérateur matériel dédié. Les co-premiers auteurs Zih-Sing Fu et Peter Zhi Xuan Li ont présenté ces travaux à l'IEEE Very Large-Scale Integrated Circuits Symposium. L'application cible annoncée : de petits UAVs à batterie limitée, comme ceux qui pourraient inspecter des conduits HVAC industriels pour détecter des fuites de gaz en naviguant dans des espaces confinés avec évitement d'obstacles. La différence technique réside dans la représentation géométrique. Là où les approches classiques modélisent l'espace en voxels, des cubes 3D qui demandent de charger et retraiter chaque image de profondeur plusieurs fois, Gleanmer utilise des gaussiennes, des ellipsoïdes dont la taille, la forme et l'orientation s'adaptent librement à la géométrie des objets. Un seul ellipsoïde allongé peut remplacer des dizaines de voxels pour représenter une surface courbe, ce qui réduit drastiquement l'empreinte mémoire. L'innovation clé est une technique de génération de gaussiennes en un seul passage sur l'image de profondeur : une fois traitée, l'image est effacée et n'a pas besoin d'être stockée. Résultat : des cartes denses incluant obstacles et espace libre, suffisantes pour planifier un chemin sans collision, générées sans le GPU ni la mémoire vive que requièrent habituellement les pipelines de cartographie dense. Pour un intégrateur robotique, cela signifie qu'il devient envisageable d'embarquer de la navigation autonome sur des plateformes où la contrainte énergétique était jusqu'ici rédhibitoire. Ce travail s'inscrit dans un effort plus large de miniaturisation des capacités de cartographie et de localisation simultanées (SLAM). Les systèmes embarqués actuels capables de cartographie 3D dense en temps réel, qu'il s'agisse de solutions comme Intel RealSense couplées à des SBC, ou des implémentations GPU embarquées type Nvidia Jetson, consomment plusieurs watts à quelques dizaines de watts, plusieurs ordres de grandeur au-dessus des 6 mW de Gleanmer. Les auteurs mentionnent aussi un second débouché : les casques de réalité augmentée légers, pour des applications médicales ou de maintenance industrielle, où l'autonomie de la batterie conditionne l'usage prolongé. Le composant n'est pour l'instant qu'un prototype de recherche présenté en symposium ; aucun partenariat industriel ni calendrier de productisation n'a été annoncé. Les prochaines étapes naturelles seraient une validation sur plateforme réelle en vol, et une intégration dans une chaîne SLAM complète incluant localisation, pas seulement cartographie.

Recherche❖Paper

1 source

42

477336Kr 

Kunlun Xing, startup d'IA incarnée, lève plusieurs milliards de yuans et devient licorne en 90 jours

Moins de quatre-vingt-dix jours après son enregistrement officiel, la startup de robotique humanoïde chinoise Kunlun Xing (昆仑行) a bouclé trois tours de financement successifs pour un total de plusieurs milliards de yuans, franchissant le seuil du milliard de dollars de valorisation avant même d'avoir sorti un produit. C'est le 36Kr qui révèle ces informations en exclusivité. La société est fondée par Ren Geng, ancien vice-président du groupe Alibaba et ex-président d'Alibaba Cloud Chine, accompagné de Lang Xianpeng, premier ingénieur ADAS de Li Auto, l'équivalent chinois de Mobileye au sein du constructeur. Les investisseurs présents dès le premier tour, dont Hillhouse Capital, Gaorong Ventures, CASSTAR et Huaye Capital, ont participé aux trois rounds consécutifs, un signal fort de conviction. Le tour de table réunit également Zhongding Capital, Innovation Works (le fonds de Kai-Fu Lee), Xin Capital, et le bras industriel du conglomérat Jianfa Group. La stratégie affichée par Kunlun Xing est le développement en intégration totale (full-stack) d'un robot humanoïde généraliste, explicitement positionné comme concurrent de l'Optimus de Tesla, avec une architecture duale baptisée Kunlun World Model (KWM) censée améliorer la généralisation et réduire l'opacité décisionnelle des modèles de type VLA. Ce financement record illustre la tension qui structure le marché chinois de la robotique humanoïde en 2026 : les capitaux sont abondants, mais les cibles crédibles rares. Plusieurs fonds de premier rang interrogés par 36Kr reconnaissent se retrouver en position de "demandeurs" face aux meilleurs dossiers, non l'inverse. Ce qui différencie Kunlun Xing aux yeux des investisseurs, c'est la combinaison inhabituelle de compétences de go-to-market à grande échelle (Ren Geng a piloté Alibaba Cloud à 42,1 % de part de marché public cloud en 2020) et de capacités de livraison hardware à volume (Lang Xianpeng a délivré l'ADAS Li Auto sur 1,5 million de véhicules avec un budget annuel de recherche de 10 millions de yuans). Dans un secteur où la plupart des acteurs sont soit purement techniques, soit purement commerciaux, cette dualité est jugée décisive. La stratégie "corps + cerveau" en développement propriétaire vise à éviter le découplage logiciel-matériel qui pénalise nombre de concurrents. Le contexte sectoriel qui nourrit cette levée tient à plusieurs catalyseurs simultanés : l'annonce par Tesla d'une production en petite série de l'Optimus Gen3 à l'usine de Fremont entre juillet et août 2026, l'introduction en bourse accélérée de Unitree Robotics, et les prévisions de Morgan Stanley évaluant le marché mondial des robots humanoïdes à 5 000 milliards de dollars d'ici 2050. Kunlun Xing n'est toutefois pas seul sur ce segment : Figure AI, 1X, Agility Robotics et Fourier Intelligence occupent le terrain international, tandis que Unitree, Agibot (智元) et Zhiyuan Robot (智元) disputent le marché domestique. Les défis techniques restent concrets : la durée de vie des mains dextres dépasse rarement deux mois, et la supply chain composants n'est pas encore industrialisée. Kunlun Xing n'a pour l'heure annoncé ni prototype public, ni calendrier de livraison client, ni déploiement pilote, sa valorisation repose intégralement sur la crédibilité de l'équipe fondatrice, pas sur des métriques produit vérifiables.

Chine/Asie⚡Actu

1 source

46

4774Pandaily 

Star Dynasty lève plus de 4 milliards de yuans : les robots humanoïdes du professeur de Tsinghua déployés chez SF Express

Star Dynasty, startup chinoise de robotique humanoïde fondée en août 2023 par Chen Jianyu, professeur assistant et directeur de doctorat à l'Université Tsinghua, annonce avoir dépassé les 4 milliards de RMB de financements cumulés et achevé un premier déploiement commercial de ses robots bipèdes dans les centres de tri de SF Express, le géant chinois de la livraison express. Le robot STAR1, associé à la main dextre maison XHAND1 et au module de traitement embarqué ERA-42 (baptisé "cerveau incarné"), est capable de trier jusqu'à 1 200 colis par heure selon la société, un chiffre présenté comme équivalent à celui d'un trieur humain expérimenté. Cette performance reste à vérifier en condition opérationnelle continue, mais les validations ont été menées dans plusieurs centres de China Post et SF Express dans le sud et l'est de la Chine. Trois tours de financement successifs, totalisant près de 3,5 milliards de RMB, ont été bouclés entre novembre 2025 et avril 2026. Depuis le début des livraisons en volume (milliers d'unités) au deuxième trimestre 2026, la société revendique une croissance de 300 % d'un trimestre sur l'autre. Ce déploiement est présenté comme le premier "closed loop" commercial de l'intelligence incarnée dans la logistique en Chine, c'est-à-dire une intégration opérationnelle complète, de la perception à l'action, dans un environnement réel non contrôlé. L'argument central de Star Dynasty tient à son positionnement sectoriel : là où la fabrication automobile exige des robots capables d'atteindre des niveaux de précision et de fiabilité proches de 100 % des capacités humaines, le tri logistique devient économiquement viable dès 50 à 60 % de performance, abaissant significativement la barre d'entrée pour une commercialisation rapide. La main XHAND1, vendue à l'unité pour "des dizaines de milliers de yuans", se présenterait comme le produit le plus vendu mondialement dans sa gamme de prix, ce qui, s'il est confirmé, signale une industrialisation de la dextérité robotique à un rythme jusqu'ici inédit. La société affirme également compter neuf des dix premières entreprises technologiques mondiales par capitalisation boursière parmi ses clients, une affirmation qui mériterait une vérification indépendante. Star Dynasty est la seule startup humanoïde directement affiliée à l'Université Tsinghua, ce qui lui confère un accès privilégié à la recherche académique et aux réseaux industriels chinois. Sa stratégie d'intégration verticale complète, couvrant la locomotion bipède, les actionneurs, la main dextre et le module de raisonnement embarqué, vise une maîtrise des coûts que les architectures reposant sur des fournisseurs tiers peinent à atteindre. Ses concurrents directs positionnés sur les applications logistiques incluent Agility Robotics (Digit, déployé chez Amazon), Figure AI (Figure 02 chez BMW) et les projets d'automatisation d'entrepôts de 1X Technologies, sans concurrent européen visible à ce stade sur le segment humanoïde logistique. Star Dynasty annonce une extension de ses déploiements vers la logistique de production et l'automatisation d'entrepôts au cours du second semestre 2026.

Chine/Asie⚡Actu

1 source

42

477536Kr 

Gong Hongjia, Lu Qi et des investisseurs internationaux misent sur le bracelet EMG d'une équipe de l'Université de Pékin

La startup chinoise SnowOrigin (雪梦未来) annonce un tour de financement impliquant trois investisseurs de premier plan : Gong Hongjia, co-fondateur du géant de la vidéosurveillance Hikvision, Lu Qi, ancien vice-président de Microsoft Chine et ex-directeur technique de Baidu, désormais à la tête du fonds Miracle Plus, et des institutions étrangères non nommées. L'entreprise, fondée par Qin Xu, diplômé du Laboratoire national d'ingénierie en encodage vidéo de l'Université de Pékin sous la direction des académiciens Gao Wen et Huang Tiejun, développe une nouvelle génération de terminaux d'acquisition de données pour l'IA incarnée (Physical AI). Sa solution combine un bracelet à sEMG (électromyographie de surface), un casque panoramique de capture en première personne et le modèle d'IA propriétaire NMH (Neural Math Hybrid), capable de décoder des signaux neuromusculaires en temps réel. Sur le plan technique, les bracelets SnowOrigin dépassent les appareils domestiques concurrents, généralement limités à 8 canaux, 200-250 Hz d'échantillonnage et un rapport signal/bruit de 20 à 25 dB, en atteignant un SNR supérieur à 43 dB, avec davantage de canaux et une fréquence d'échantillonnage plus élevée. Les données produites sont structurées en trois composantes : posture (Pose), effort musculaire (Force) et micro-ajustements fins (Micro-control). L'enjeu central que cible SnowOrigin est le fossé entre les méthodes d'acquisition de données existantes et les besoins réels de l'entraînement des robots humanoïdes. Les systèmes actuels, que ce soit la capture de mouvement, la téléopération ou la vidéo à la première personne, enregistrent ce qu'un humain fait, mais pas pourquoi ni comment : l'intention derrière un geste, la modulation de la force et les corrections imperceptibles en cours de manipulation restent invisibles. La startup s'appuie sur une analogie directe avec les LLM : de même qu'Internet a fourni la masse textuelle nécessaire à l'émergence de modèles de langage, l'ère du Physical AI requiert des données d'interaction humaine complètes en modalités multiples. Portable en conditions réelles, le bracelet sEMG ouvre la voie à une collecte à grande échelle impossible avec les gants de capture en laboratoire ou les exosquelettes, et c'est précisément ce que recherchent les équipes d'entraînement de robots dans leur pipeline de données de manipulation. Le contexte de la course aux interfaces neurales non invasives s'est considérablement accéléré depuis le rachat de CTRL-Labs par Meta en 2019 pour environ 500 millions de dollars, une opération qui a légitimé le sEMG comme vecteur d'interaction avec les systèmes AR/VR. SnowOrigin revendique avoir été, dès 2023, la première entreprise chinoise à décoder en temps réel les signaux sEMG en données complètes de posture de main, et la première à lancer en production de masse un bracelet multi-canaux au-delà des 8 canaux standards. Sur le plan concurrentiel, Meta avance avec son bracelet neural pour les lunettes Ray-Ban Meta et le casque Quest, tandis que plusieurs acteurs chinois commencent à entrer sur ce segment. SnowOrigin mise sur deux débouchés commerciaux : les fabricants de lunettes IA, dont plusieurs acteurs majeurs auraient déjà signalé leur intérêt pour une intégration comme interface d'interaction, et les équipes robotiques cherchant des données d'entraînement à l'échelle pour robots humanoïdes et modèles du monde.

Chine/Asie⚡Actu

1 source

42

4776The Robot Report 

FORT et NVIDIA lancent un plan de sécurité basé sur l'IA pour la surveillance externe

FORT Robotics a annoncé le 23 juin son intégration dans l'écosystème NVIDIA Halos for Robotics, en présentant conjointement une solution baptisée "Outside-In Safety" à la conférence Automate de Chicago. Démontrée cette semaine lors d'une session commune dans le Humanoid Robotics Pavilion, cette architecture combine le NVIDIA Outside-In Safety Blueprint avec le FORT Trust Layer pour étendre la perception des robots au-delà de leurs capteurs embarqués. Concrètement, le système connecte des capteurs d'infrastructure externes -- caméras montées en hauteur dans les entrepôts, par exemple -- via le NVIDIA Holoscan Sensor Bridge à un module de calcul IA NVIDIA IGX Thor, pour délivrer une sécurité fonctionnelle certifiable en temps réel. L'objectif déclaré est de moduler dynamiquement la vitesse et le comportement des robots autonomes selon la présence de travailleurs humains, sans imposer les ralentissements systématiques des architectures traditionnelles. L'approche "Outside-In" cible un point de friction bien réel dans les déploiements industriels actuels : les systèmes de sécurité classiques, dits "inside-out", s'appuient uniquement sur les capteurs embarqués du robot (lidar, caméras frontales), ce qui oblige les intégrateurs à programmer des zones de ralentissement conservatrices couvrant l'ensemble d'un espace de travail, même vide. En ajoutant une couche de perception infrastructurelle, FORT et NVIDIA promettent de récupérer ce débit sacrifié tout en maintenant la conformité aux normes de sécurité fonctionnelle. Pour un responsable d'intégration ou un COO logistique, l'argument commercial est direct : les caméras de surveillance déjà installées peuvent être réutilisées comme capteurs de sécurité, réduisant ainsi le coût d'entrée. Il faut toutefois noter que l'annonce reste au stade de la démonstration -- aucun chiffre de déploiement réel, ni donnée de temps de cycle validée en conditions industrielles, n'a été communiqué à ce stade. FORT Robotics, spécialisé dans les couches hardware/software de sécurité pour systèmes autonomes (agricole, logistique, industriel), est membre du NVIDIA Halos AI Systems Inspection Lab, un laboratoire accrédité ANAB (American National Accreditation Board) dédié à la vérification de la sécurité fonctionnelle, de la cybersécurité et de la conformité IA pour robots et véhicules autonomes. NVIDIA Halos constitue le cadre par lequel NVIDIA cherche à s'imposer comme infrastructure de sécurité de référence pour l'industrie robotique, en se positionnant face aux stacks propriétaires de Boston Dynamics, ABB Robotics ou Rockwell Automation sur la question de la certification fonctionnelle. En Europe, des acteurs comme Wandercraft ou Enchanted Tools travaillent sur des problématiques similaires de coexistence humain-robot, sans annonce comparable sur ce volet certification à ce stade. Les prochaines étapes pour FORT incluent des pilotes en entrepôts et sur des lignes de fabrication, sans calendrier précis communiqué.

Industriel❧Opinion

1 source

54

4777Interesting Engineering 

NVIDIA Halos : une sécurité complète pour les robots travaillant côte à côte avec des humains

NVIDIA a lancé Halos for Robotics, une plateforme de sécurité à pile complète destinée aux robots autonomes opérant en milieu industriel aux côtés de travailleurs humains. Le système articule trois composants principaux : le module de calcul industriel IGX Thor, le Holoscan Sensor Bridge pour la connectivité capteurs, et le logiciel Halos Core gérant les fonctions de sécurité opérationnelle. L'entreprise annonce également le NVIDIA Halos AI Systems Inspection Lab, qu'elle présente comme le premier programme accrédité par l'ANSI National Accreditation Board couvrant à la fois la sécurité fonctionnelle et les systèmes robotiques intelligents. Ce laboratoire d'inspection doit permettre aux fabricants de préparer leurs produits à la certification auprès d'organismes reconnus : TÜV Rheinland, TÜV SÜD, UL Solutions, exida, SGS et CertX, selon des normes incluant IEC 61508, ISO 13849 et ISO/IEC TR 5469. Agility Robotics est annoncée comme premier adoptant, avec l'intention d'intégrer IGX Thor et Halos Core dans les systèmes de détection humaine de son robot Digit, déjà déployé chez Amazon, GXO, Schaeffler et Toyota Motor Manufacturing Canada. Plus de 40 entreprises participeraient à l'écosystème Halos au sens large. L'initiative de NVIDIA répond à un verrou réel du marché : la certification de sécurité fonctionnelle constitue aujourd'hui l'un des principaux obstacles à la commercialisation à grande échelle des robots humanoïdes en environnement industriel. En fournissant un socle matériel-logiciel prévalidé et un parcours de certification balisé, NVIDIA cherche à réduire le temps et le coût d'obtention des accréditations réglementaires pour ses clients roboticiens. La revendication des "18 600 années-ingénieur" héritées du véhicule autonome est une formule marketing, mais elle indique une réutilisation substantielle des stacks de sécurité développés pour Drive, ce qui évite aux fabricants de robots de repartir de zéro. Pour des intégrateurs comme ceux travaillant avec Digit, disposer d'un chemin de certification structuré réduit le risque projet, point que Peggy Johnson, PDG d'Agility, a explicitement mis en avant. L'accréditation ANSI confère une légitimité internationale au programme d'inspection, ce qui est notable pour les déploiements en Europe ou en Asie. NVIDIA transpose ici une stratégie éprouvée dans l'automobile avec DRIVE : devenir la couche de sécurité de référence sur laquelle les OEM construisent leur robot, plutôt que de fabriquer le robot lui-même. Le marché de la sécurité fonctionnelle pour la robotique industrielle n'en est qu'à ses débuts, et plusieurs acteurs cherchent à s'y positionner, notamment via des frameworks ROS 2 certifiés ou des solutions embarquées propriétaires. Côté concurrentiel, Universal Robots (et sa filiale de certification) ou encore KUKA travaillent depuis des années sur des architectures de sécurité certifiées pour les cobots, mais l'angle "physical AI" et humanoïde que NVIDIA vise est plus récent. Aucun acteur français ou européen n'est mentionné dans l'annonce, bien que des entreprises comme Enchanted Tools ou Wandercraft soient susceptibles d'être concernées par ce type de framework à terme. Les prochaines étapes annoncées restent vagues : NVIDIA n'a communiqué ni calendrier de certification pour Agility, ni date de disponibilité commerciale des composants Halos au-delà du programme de participation actuel.

Infrastructure❧Opinion

1 source

47

4778Robotics Business Review 

Comment Intrinsic élimine la programmation manuelle des robots

Intrinsic, filiale d'Alphabet spécialisée en robotique industrielle, a présenté à l'Automate 2026 une cellule robotique modulaire baptisée "Intrinsic Intelligence Cell", reposant sur son système d'exploitation maison IntrinsicOS. La démonstration met en scène un bras FANUC réalisant de l'assemblage électronique sans aucune programmation robot traditionnelle : l'opérateur configure les tâches par glisser-déposer, tandis que la plateforme gère automatiquement la perception, la planification de mouvement et les opérations de préhension et d'insertion de pièces. Intrinsic collabore avec deux intégrateurs CNC, Trinity Automation et MartinSystems, pour embarquer ces capacités dans leurs offres de prochaine génération. La présentation intervient quelques mois avant le lancement d'un pilote industriel d'envergure avec Foxconn, dont la date exacte n'a pas été précisée au-delà de "fin 2025". Par ailleurs, dans le cadre de son "AI for Industry Challenge" co-organisé avec Open Robotics, la société a réuni plus de 5 000 inscrits répartis en 1 600 équipes issues de 115 pays, avec une enveloppe de prix de 180 000 dollars. Le défi cible l'un des problèmes les plus résistants de l'assemblage électronique : la manipulation dextre de câbles et de connecteurs. Huit équipes ont jusqu'ici atteint des scores quasi-parfaits lors de la phase de simulation (Gazebo, MuJoCo de Google DeepMind, NVIDIA Isaac Sim). L'approche d'Intrinsic s'attaque à un verrou structurel du marché : la programmation robot reste aujourd'hui un frein majeur à l'adoption dans les ateliers à production variable ("high mix, low volume"), où reprogrammer un bras pour chaque référence représente un coût prohibitif. En proposant une reconfiguration instantanée des outils et des process via des "skills" basés sur l'IA, la plateforme ouvre potentiellement l'automatisation aux sous-traitants de taille moyenne et aux ateliers d'usinage qui ne disposent pas d'équipes de roboticiens. La composition du challenge est également révélatrice : seulement 14 % des participants viennent du secteur robotique, tandis que 93 % sont développeurs Python et 47 % travaillent en IA/ML. Cela signale un afflux de compétences logicielles vers la robotique industrielle, et valide l'hypothèse selon laquelle les prochaines avancées en manipulation viendront davantage du software que du hardware. Intrinsic a été fondée en 2021 à partir de ressources internes d'Alphabet, absorbant notamment des équipes issues de X Development. La société a mis plusieurs années à structurer sa pile logicielle autour de ROS 2 avant de la commercialiser. Sur ce segment des cellules robotiques modulaires pilotées par IA, elle se positionne face à des acteurs comme Covariant (rachetée par Amazon), Machina Labs ou Viam, ainsi que face aux offres propriétaires des grands intégrateurs (KUKA, ABB, FANUC lui-même). Le pilote Foxconn constituera le premier test à l'échelle réelle d'IntrinsicOS dans un environnement de production de masse, et ses résultats conditionneront probablement la crédibilité commerciale de la plateforme au-delà des démonstrations salon.

Industriel❧Opinion

1 source

44

4779Robotics Business Review 

Bear Robotics acquiert Kinisi Robotics pour renforcer ses capacités d'IA physique

Bear Robotics a annoncé la signature d'un accord définitif pour acquérir Kinisi Robotics, une startup basée à Bristol, au Royaume-Uni. La clôture est attendue dans les prochains jours. L'opération transfère à Bear l'équipe d'ingénierie britannique de Kinisi, son robot humanoïde à roues KR1, ainsi que ses modèles d'IA propriétaires : un modèle vision-langage-action (VLA) et un modèle fondation pour la robotique (RFM). Ces systèmes combinent apprentissage par imitation, renforcement, contrôle agentique de tâches et vision par ordinateur pour la détection, la localisation et la segmentation d'objets. Le KR1 est un humanoïde sur base roulante, conçu pour la préhension, le tri et le déplacement d'objets dans des environnements industriels, logistiques et hôteliers. Fondée en 2017 par John Ha, Bear a déployé plus de 16 000 robots de service dans le monde, opérant déjà comme une flotte coordonnée via une orchestration multi-robots agentique sur une plateforme cloud unifiée. L'acquisition répond à un verrou technique persistant dans la robotique de service : les robots mobiles autonomes (AMR) naviguent efficacement, mais peinent dès qu'il s'agit de saisir, trier ou manipuler des objets physiques. En intégrant Kinisi, Bear franchit cette frontière entre navigation pure et manipulation physique, que la majorité des acteurs du secteur tentent encore de résoudre séparément. Ce qui donne du crédit à l'opération plutôt que d'en faire une annonce spéculative, c'est que Kinisi utilisait déjà le stack de navigation de production de Bear depuis ses débuts : les équipes se connaissent, le code tourne en conditions réelles, et Bear dispose d'une visibilité concrète sur la maturité de l'ingénierie de Kinisi. La synergie sur les données d'entraînement est également tangible : la flotte de 16 000 robots génère en continu des données issues de milliers de sites, tandis que les outils de capture de Kinisi permettent d'ajouter des exemples de manipulation à faible coût. C'est un avantage que des pure-players de l'humanoïde comme Figure AI (Figure 03), Physical Intelligence (pi-0), Agility Robotics (Digit) ou encore Boston Dynamics (Atlas) n'ont pas encore à cette échelle de déploiement commercial réel. Bear Robotics s'est fait connaître à partir de 2017 avec ses robots de livraison pour la restauration (Servi, Laboni), avant de s'étendre au nettoyage industriel, en construisant une chaîne de fabrication et une base de clients enterprise. Kinisi a été co-fondée par Brennand Pierce, lui-même co-fondateur originel de Bear, ce qui explique la proximité technique et culturelle des deux entités : Pierce rejoindra Bear à la clôture de la transaction. Aucun calendrier public de déploiement commercial du KR1 n'est encore annoncé, ni de prix ni de volume cible. La prochaine étape logique est l'intégration du KR1 dans la flotte existante pour des tâches de picking en environnement hospitality ou logistique, les données d'entraînement étant alimentées directement par la flotte en production. Côté Europe, aucun acteur comparable en termes de flotte déployée n'est positionné sur ce segment : Wandercraft (exosquelette médical) et Enchanted Tools (Miroka, hospitality) opèrent sur des verticales plus étroites.

Business❧Opinion

1 source

36

4780Robotics Business Review 

Eclipse Automation lance sa plateforme de simulation RealitySync

Eclipse Automation a présenté Eclipse RealitySync lors du salon Automate 2026 à Chicago, début juin 2026. Il s'agit d'une plateforme de collaboration immersive destinée aux industriels qui souhaitent évaluer, simuler et valider des projets d'automatisation avant leur déploiement physique. Le système repose sur la technologie Apple Vision Pro et permet aux équipes d'ingénierie, d'exploitation, de finance et de direction de naviguer virtuellement dans une usine future : parcourir des lignes de production, explorer des flux de travail en contexte, et collaborer à distance dans un environnement partagé interactif. Aucun tarif ni délai de livraison n'a été communiqué ; il s'agit pour l'instant d'un lancement commercial annoncé en salon, avec démonstrations en direct au stand 24011. La proposition de valeur d'Eclipse RealitySync répond à un problème concret dans la phase amont des projets d'automatisation : aujourd'hui, les décisions d'investissement se prennent encore majoritairement sur la base de plans 2D et de maquettes statiques, qui ne permettent pas d'anticiper les frictions opérationnelles ni d'aligner rapidement les parties prenantes. En intégrant les données projet, les équipes pluridisciplinaires et la représentation physique du système dans un seul environnement immersif, la plateforme vise à réduire le risque en phase de conception, à accélérer la validation et à diminuer les coûts de modification tardive, souvent les plus élevés dans un projet industriel. Pour les intégrateurs et les décideurs B2B, c'est l'argument du "shift left" appliqué à l'automatisation : détecter les problèmes le plus tôt possible dans le cycle projet. Il faut néanmoins noter que l'article repose entièrement sur des déclarations d'Eclipse et ne cite aucun cas client ni donnée chiffrée sur les gains mesurés, ce qui reste à vérifier dans la pratique. Eclipse Automation est un intégrateur mondial fondé il y a plus de 25 ans, présent aux États-Unis, au Canada, en Hongrie et en Allemagne, et actif dans des secteurs exigeants : sciences de la vie, véhicules électriques, batteries, aérospatial et défense, électronique grand public. Sur le marché de la simulation et du jumeau numérique industriel, Eclipse RealitySync se positionne dans un espace déjà occupé par des plateformes comme NVIDIA Omniverse, Siemens NX/Teamcenter ou encore Dassault Systèmes 3DEXPERIENCE, mais avec une approche orientée intégration clé-en-main et accompagnement expert plutôt que plateforme ouverte. L'ajout de l'Apple Vision Pro comme interface principale est un choix différenciant, bien que ce dispositif reste limité dans son adoption industrielle à grande échelle. Les prochaines étapes crédibles seraient l'annonce de clients pilotes et la publication de métriques de réduction de risque projet issues de déploiements réels.

Industriel⚡Actu

1 source

54

4781Robotics Business Review 

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

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

Infrastructure❧Opinion

1 source

47

4782Interesting Engineering 

Vidéo : un chien robot effectue 33 000 inspections dans une cimenterie vieille de 150 ans

Depuis début 2025, le robot quadrupède ANYmal d'ANYbotics est déployé en exploitation nocturne autonome à l'usine de ciment Vigier Ciment en Suisse, un site vieux de 150 ans abritant plus de 1 000 machines réparties sur six niveaux et trois unités de broyage. En seize mois d'exploitation, l'ANYmal a réalisé plus de 33 000 inspections couvrant 450 points de contrôle prédéfinis, sans intervention humaine. Pesant 50 kilogrammes, le robot embarque une caméra haute résolution pour la détection visuelle d'anomalies structurelles, une caméra thermique pour le suivi des températures sur roulements, moteurs et engrenages, un capteur de gaz mesurant les taux d'ammoniac, et un imageur acoustique capable de localiser des fuites d'air comprimé jusqu'à 50 mètres de distance. Ces capteurs ont permis quatre découvertes documentées : une fissure dans la fondation d'un concasseur détectée avant qu'elle ne provoque un arrêt estimé à 630 000 dollars de production perdue ; une montée en température d'un roulement vers 140 °C interceptée grâce à une réparation planifiée de huit heures ; des niveaux d'exposition à l'ammoniac identifiés dans des zones de déchargement jusque-là non mesurées ; et des fuites d'air dans des systèmes de filtration à cinquante mètres du sol localisées par imagerie acoustique. Ce déploiement constitue l'un des rares cas industriels documentés où un robot mobile autonome dépasse les 30 000 cycles opérationnels sans panne mécanique sur un site de production actif. Pour les responsables maintenance et les décideurs B2B, c'est moins la technologie embarquée qui retient l'attention que le modèle économique : ANYbotics affirme que l'ANYmal a récupéré plus que le coût total du programme sur la période, sans chiffrer précisément ce ratio. La capacité à détecter en amont des défaillances sur équipements rotatifs (roulements surchauffés, fondations fissurées) transforme l'inspection robotisée d'un outil de conformité HSE en levier direct de continuité de production. L'argument tient particulièrement pour les environnements à fort risque HSE et forte contrainte de disponibilité : chimie, ciment, pétrochimie, fonderies. L'ANYmal opère également les nuits et week-ends, intervalles que les rondes manuelles couvrent rarement, ce qui augmente structurellement la fréquence de détection des dérives thermiques ou mécaniques. ANYbotics est un spin-off de l'ETH Zurich fondé en 2016 ; le robot ANYmal y est développé depuis les premiers travaux du Robotic Systems Lab, publiés dès 2014. Les données collectées lors des patrouilles sont agrégées dans la plateforme logicielle Data Navigator d'ANYbotics. Sur ce segment de l'inspection robotique industrielle quadrupède, le principal concurrent est Boston Dynamics avec Spot, déployé chez des groupes pétroliers et chimiques comme BP, Aker BP ou BASF ; Ghost Robotics (États-Unis) et Unitree (Chine) sont également présents, mais avec peu de références industrielles lourdes en Europe. En France, aucun acteur comparable n'opère sur ce créneau spécifique, même si Exotec (AMR logistique) et Enchanted Tools (manipulation collaborative) adressent des niches adjacentes. Aucun calendrier d'extension du déploiement Vigier à d'autres sites n'a été officiellement annoncé.

Industriel❧Opinion

1 source

47

4783NVIDIA Developer Blog 

NVIDIA Halos pour la robotique : un système de sécurité fonctionnelle à pile complète pour l'IA physique

NVIDIA a dévoilé Halos for Robotics lors du GTC 2025, un système de sécurité fonctionnelle couvrant l'ensemble de la pile technologique des robots autonomes. Conçu pour les environnements industriels, médicaux et logistiques où des robots évoluent sans cage aux côtés d'humains, Halos intègre trois couches : la sécurité matérielle (SoC certifiés comme l'Orin), la sécurité logicielle (middleware temps réel), et la validation des modèles d'IA embarqués. Le système vise la conformité aux normes IEC 61508 (industrie) et ISO 26262 (automobile), des référentiels qui définissent les niveaux SIL et ASIL exigés par les intégrateurs pour tout déploiement à risque humain. L'enjeu industriel est concret : les approches classiques de safety-by-isolation, robots en cellule fermée, arrêts sur barrière lumineuse, ne tiennent plus dès que le robot doit percevoir un environnement non structuré et adapter son comportement en temps réel. Halos tente de combler le fossé entre la validation de modèles en simulation et leur certification en conditions réelles, un problème que l'industrie robotique qualifie de "sim-to-real safety gap". Pour les décideurs B2B, c'est potentiellement un déblocage commercial : sans certification fonctionnelle, nombre d'hôpitaux et d'usines ne peuvent pas légalement déployer des robots collaboratifs. NVIDIA s'appuie sur sa plateforme Isaac, utilisée par des constructeurs d'humanoïdes (Agility, Figure, 1X) et d'AMR (Boston Dynamics, Kion). Sur ce segment, les concurrents directs incluent les stacks safety de Pilz et SICK côté capteurs, et les middlewares certifiés comme ROS 2 avec l'extension Safety Working Group. L'absence de chiffres de déploiement concrets dans l'annonce initiale invite à traiter Halos pour l'instant comme un framework d'intégration en phase de qualification, pas encore un produit certifié expédié en volume.

Infrastructure❧Opinion

1 source

47

4784Robotics Business Review 

Le robot Proxie Gen 2 de Cobot intègre l'automatisation des tâches et la manipulation mobile

Collaborative Robotics (Cobot), basée à Santa Clara en Californie, a dévoilé la deuxième génération de son robot mobile Proxie lors de l'Automate 2026. Ce Proxie Gen 2 embarque une capacité de traction de carts jusqu'à 680 kg, un système de levage vertical pouvant soulever 100 kg, des batteries auto-interchangeables, et une option de manipulation bimanuell, deux bras articulés montés sur la colonne vertébrale du robot. La plateforme compte 40 % de pièces en moins que la génération précédente, avec un gabarit réduit pour naviguer dans des couloirs étroits et des ascenseurs. Cobot annonce également une fonctionnalité d'"autotasking" : le robot identifie et génère ses propres tâches sans intégration avec un WMS ni intervention humaine. Chez le client Maersk, 95 % des déplacements de carts auraient été initiés de façon autonome sur la période mesurée, le robot lisant des inscriptions sur des tableaux blancs fixés aux chariots grâce à un modèle multimodal embarqué. Ces chiffres sont présentés par Cobot sans audit tiers, ce qui mérite d'être noté. L'enjeu principal est la réduction de la barrière à l'intégration, longtemps le goulot d'étranglement des déploiements de robots mobiles manipulateurs (MMR) en environnements non structurés. Si l'autotasking tient ses promesses à l'échelle, il invaliderait le modèle dominant, des mois de développement logiciel pour connecter le robot aux systèmes ERP, WMS et MES existants. Pour un COO industriel ou un responsable logistique hospitalier, cela signifie potentiellement un déploiement en semaines plutôt qu'en trimestres. La capacité de Proxie à lire des informations non structurées (tableaux blancs, étiquettes ad hoc) représente une forme de robustesse opérationnelle réelle, à condition que les taux de reconnaissance soient validés dans des conditions dégradées, ce que la démo ne précise pas. La manipulation bimanuell ouvre par ailleurs l'accès à des tâches jusqu'ici réservées aux manipulateurs fixes, comme le déchargement de cartons ou l'alimentation de lignes. Cobot a été fondée par Brad Porter, ancien VP Engineering robotics chez Amazon Robotics, et a levé des fonds auprès d'investisseurs industriels. La société a délibérément maintenu un profil bas depuis 2022, accumulant 13 000 heures d'exploitation sur 28 robots dans des environnements réels, hôpitaux dont la Mayo Clinic, logistique et industrie, avant de communiquer publiquement. Ses concurrents directs incluent Boston Dynamics avec Spot et Stretch, Vecna Robotics, et des acteurs comme Apptronik ou 1X qui misent sur l'humanoïde. En Europe, des entreprises comme Enchanted Tools (Miroki) ou Pollen Robotics (Reachy) ciblent des segments adjacents mais restent en phase pré-déploiement à grande échelle. Cobot ne publie pas de tarif public ; les prochaines étapes annoncées portent sur l'extension des déploiements en santé et en logistique, avec la certification de sécurité comme prochaine étape technique critique pour le Gen 2.

Industriel⚡Actu

1 source

37

4785Robotics & Automation News 

Entretien avec Eleanor Tang-Smith (OLO Robotics) : rendre la programmation des robots accessible à tous

Eleanor Tang-Smith, directrice des opérations d'OLO Robotics, a accordé une interview détaillant l'approche de la société pour démocratiser la programmation robotique. Alors que le marché connaît une accélération notable côté matériel -- robots mobiles autonomes (AMR), robots quadrupèdes, bras articulés et humanoïdes -- la plupart des organisations se heurtent à un frein persistant du côté logiciel. Programmer un robot industriel exige aujourd'hui une maîtrise pointue de plateformes comme ROS 2 (Robot Operating System 2), un écosystème puissant mais dont la courbe d'apprentissage reste dissuasive pour des équipes sans ingénieurs roboticiens dédiés. Ce goulet d'étranglement logiciel est désormais reconnu comme le principal obstacle à l'adoption à grande échelle de la robotique en entreprise, davantage que le coût du matériel lui-même. Pour les intégrateurs et les décideurs B2B, cela se traduit par des délais de déploiement longs, une dépendance aux profils rares, et un risque opérationnel élevé. OLO Robotics positionne son offre comme une couche d'abstraction qui permettrait à des techniciens non spécialisés de configurer et d'adapter des cellules robotiques sans toucher à ROS 2 directement. Si cette promesse se confirme à l'échelle, elle pourrait redistribuer les cartes dans la compétition entre intégrateurs spécialisés et solutions clé-en-main. OLO Robotics s'inscrit dans une tendance plus large de "no-code/low-code" robotics qui voit émerger plusieurs acteurs cherchant à réduire la friction logicielle : Wandercraft côté exosquelettes en France, ou encore des initiatives autour de VLA (Vision-Language-Action models) pour simplifier la programmation par démonstration. Le marché des AMR et de la cobotique reste dominé par des solutions nécessitant un paramétrage expert, ce qui laisse un espace significatif à qui saurait proposer une expérience développeur réellement simplifiée. Les prochaines étapes pour OLO Robotics -- pilotes industriels, partenariats intégrateurs, levées de fonds éventuelles -- seront déterminantes pour valider si l'accessibilité annoncée résiste au contact de contraintes de production réelles.

Infrastructure❧Opinion

1 source

43

4786Interesting Engineering 

Vidéo : une entreprise chinoise montre un modèle unique pilotant à la fois un humanoïde et un bras robotique

MindOne Robotics, startup chinoise fondée à Shenzhen en 2025, a présenté une démonstration de son framework robotique Mind-0, capable de piloter simultanément des robots humanoïdes Unitree G1 et des systèmes bras-double fixes à partir d'un unique modèle d'IA. Le scénario illustré couvre un workflow logistique complet: récupération d'objets, transport, emballage et fermeture de caisses, avec une flotte mixte opérant sous la même intelligence centralisée. L'entreprise revendique une précision de manipulation inférieure au centimètre sur la plateforme Unitree G1 en conditions réelles. L'architecture Mind-0 sépare le raisonnement de haut niveau (perception, planification, décision) du contrôle moteur bas niveau, ce qui permet de déployer le même cerveau logiciel sur des morphologies différentes sans pipeline d'entraînement séparé par plateforme. Particularité notable: le modèle est entraîné exclusivement sur des données humaines capturées par motion capture corps entier, caméras égocentrées et dispositifs manuels, et non sur de la téléopération robot directe, ce que MindOn présente comme un moyen de préserver les comportements naturels de résolution de problèmes. L'enjeu industriel est double. D'abord, l'agnosticisme matériel: si un seul modèle orchestre humanoïdes et bras fixes sur une même tâche, les intégrateurs n'ont plus à développer des pipelines d'IA distincts par plateforme, ce qui réduit le coût d'entrée dans les déploiements multi-robots. Ensuite, MindOn s'attaque frontalement au sim-to-real, l'un des verrous les plus persistants de la robotique moderne: son Real-World Execution Compensation Model utilise un volume réduit de données réelles pour corriger les dérives dues aux différences de dynamique entre simulation et environnement physique. Les métriques annoncées (précision sub-centimétrique sur une démonstration sélectionnée) restent toutefois à valider dans des conditions de déploiement industriel répétable, avec cadences et taux d'erreur documentés. Le système de raisonnement hiérarchique compensant les délais d'actuation répond par ailleurs à un problème souvent sous-estimé: contrairement aux démonstrations humaines, les robots subissent des latences de capteur, de calcul et d'actionneur que le modèle doit continuellement corriger en temps réel. MindOne Robotics évolue dans un espace concurrentiel très chargé. Sur l'agnosticisme matériel et les modèles unifiés cross-embodiment, elle fait face à GR00T N2 de NVIDIA (conçu pour humanoïdes multiples), à pi0 de Physical Intelligence (modèle généraliste pour la manipulation), ainsi qu'aux stacks maison de Fourier Intelligence et d'Unitree. En Europe, Enchanted Tools avec son robot Miroka et Wandercraft positionnent des approches verticales différentes. MindOne reste une très jeune société, et cette démonstration constitue à ce stade un teaser technologique, non un produit commercialement déployé: aucun client pilote ni délai de mise en production n'ont été annoncés publiquement. L'entreprise indique vouloir étendre ses datasets humains et industrialiser son pipeline cross-embodiment, sans préciser de calendrier.

Chine/Asie❧Opinion

1 source

35

4787Robotics & Automation News 

Ryan Gariepy, cofondateur de Clearpath Robotics : la plupart des industries canadiennes sont sous-automatisées

Ryan Gariepy, cofondateur de Clearpath Robotics, a accordé une interview dans laquelle il affirme que la majorité des secteurs industriels canadiens sont sous-automatisés, malgré un écosystème de recherche en robotique reconnu mondialement. Le Canada abrite des universités de premier plan (Waterloo, Toronto, McGill), des startups pionnières et des technologies appliquées à la fabrication, la logistique, l'agriculture, l'exploitation minière et la défense. Clearpath, fondée en 2009 à Kitchener (Ontario), s'est imposée comme l'un des principaux fournisseurs de robots mobiles autonomes (AMR) pour la recherche et l'industrie avant d'être absorbée par Rockwell Automation via sa division OTTO Motors. Le constat de Gariepy pointe un paradoxe structurel : la capacité de recherche ne se convertit pas automatiquement en déploiement industriel à l'échelle. Pour les décideurs B2B et les intégrateurs, cela signifie que le marché canadien reste un terrain sous-exploité, avec des opportunités réelles dans des verticales comme l'agroalimentaire, les ressources naturelles ou la logistique d'entrepôt, où l'adoption robotique reste inférieure à la moyenne des pays du G7. Ce gap n'est pas technologique mais organisationnel et financier, selon cette lecture. Clearpath a traversé plusieurs pivots stratégiques : d'abord orientée recherche académique avec ses plateformes Husky et Jackal, elle a pivoté vers l'industriel via OTTO Motors, spécialisé dans les AMR d'entrepôt, avant l'acquisition par Rockwell en 2023 pour un montant non divulgué. Dans ce paysage, les concurrents directs incluent MiR (acquis par Teradyne), Locus Robotics et 6 River Systems côté AMR, ainsi que Boston Dynamics pour les robots mobiles avancés. La question ouverte reste de savoir si le Canada dispose de la politique industrielle nécessaire pour accélérer cette transition.

Industriel❧Opinion

1 source

49

4788Interesting Engineering 

Un hôpital de Milan déploie un robot humanoïde de 1,20 m pour assister les services et transmettre les données patients

L'hôpital IRCCS Maugeri de Milan a lancé un déploiement opérationnel en conditions réelles d'un robot humanoïde de service baptisé Alter-Ego, actuellement en phase pilote dans un service dédié aux patients atteints de sclérose latérale amyotrophique (SLA). La plateforme mesure 1,2 mètre de hauteur et se déplace sur une base bi-roues. Elle a été conçue conjointement par l'Institut Italien de Technologie (IIT) et l'Université de Pise. Alter-Ego assure des missions de support logistique répétitives : accueil des nouveaux arrivants, guidage dans les couloirs, livraison de provisions au chevet des patients. En parallèle, le robot relaie des métriques patient en temps réel vers les postes infirmiers. Le système fonctionne selon deux modes : un mode téléprésence, dans lequel un médecin à distance pilote la machine via un casque immersif et un joystick pour effectuer des visites de suivi, et un mode autonome où le robot opère sans supervision humaine directe. Ce déploiement est notable parce qu'il s'effectue dans un environnement clinique actif, avec des patients à vulnérabilité élevée, et non en contexte contrôlé de laboratoire. Le retour terrain des premiers mois est positif : les patients SLA, initialement susceptibles de réagir négativement à une présence mécanique, ont bien accepté le robot, en partie grâce à des sourcils expressifs conçus pour générer une dynamique d'interaction non menaçante. Sur le plan technique, la décision d'exclure toute composante rigide industrielle au profit de bras à rigidité variable (modules compliants fonctionnant comme des muscles artificiels) et de mains SoftHand inspirées de la robotique souple représente un choix d'architecture orienté cohabitation humaine. Ces mains peuvent saisir des objets délicats, actionner des poignées de portes et transmettre des objets directement aux patients sans risque de blessure par impact. Ce cas valide concrètement l'hypothèse que des robots à morphologie souple peuvent opérer sans cage de sécurité dans des espaces cliniques non restructurés. L'IIT travaille sur Alter-Ego depuis plusieurs années, dans le cadre d'une recherche plus large sur la téléprésence incarnée et la robotique souple humanoïde. Ce déploiement à Maugeri constitue le premier test en milieu hospitalier européen à cette échelle. En termes de positionnement concurrentiel, Alter-Ego se distingue des plateformes industrielles comme Optimus de Tesla ou Figure 03 par sa focalisation explicite sur la sécurité de contact et l'interaction à longue durée avec des patients fragiles, plutôt que sur la manipulation de charges lourdes ou la cadence industrielle. Aucun déploiement commercial n'a été annoncé à ce stade : il s'agit d'un pilote de validation académico-clinique. Les prochaines étapes probables incluent l'extension à d'autres services hospitaliers et l'affinement des protocoles d'autonomie, avant toute discussion sur une industrialisation avec des partenaires médicaux ou des intégrateurs de systèmes de santé.

FR/EU ecosysteme⚡Actu

1 source

35

478936Kr 

Un équipementier aérospatial intelligent issu du programme grand avion national lève plusieurs dizaines de millions de yuans

Dalian Kunda Automation (大连坤达自动化有限公司), constructeur chinois d'équipements d'assemblage intelligent pour l'aéronautique et le spatial, a bouclé un tour de Série A de plusieurs dizaines de millions de yuans, montant non précisé, annoncé le 22 juin 2026. L'investisseur est Yongxin Rongyuan (永鑫方舟, Taizhou), Da'an Capital ayant assuré le rôle de conseiller financier exclusif. Fondée en 2016 à Dalian, la société commercialise des plateformes mobiles lourdes (MRP-T, 2 à 200 tonnes de capacité), des robots mobiles composites (FAMR) à navigation laser SLAM et contrôle multi-véhicule, ainsi que des logiciels de jumeaux numériques et d'ordonnancement. Son chiffre d'affaires s'établit à environ 80 millions de yuans (10,5 millions d'euros) lors du dernier exercice, en hausse de 49 % sur un an. La société revendique plus de 60 brevets et mène une R&D conjointe avec l'université de technologie de Dalian sur les algorithmes d'assemblage haute précision. Elle a récemment été retenue par Bailang Airlines (白鲸航线) pour la ligne de montage final du W5000, un grand drone cargo sans pilote en cours de développement en Chine. Ce positionnement répond à une contrainte structurelle qui distingue l'aéronautique de l'automobile : les composants à assembler (voilures, fuselages, moteurs) atteignent des masses de plusieurs centaines de tonnes, avec des tolérances de repositionnement à l'échelle du millimètre. Les AGV industriels standard ne sont pas conçus pour ces niveaux combinés de charge et de précision. Kunda y adresse des algorithmes de compensation d'erreur multi-degrés de liberté (multi-DOF) et des systèmes de servocommande hybride force-position, couplés à des fonctions de coordination multi-véhicule pour le docking de grandes pièces. La synchronisation de plusieurs châssis lourds sur un même axe de dépose reste un verrou technique non résolu dans la majorité des usines aéronautiques mondiales. Il convient toutefois de noter que les performances avancées dans la communication de la société (précision effective mesurée, temps de cycle) ne sont étayées par aucune mesure tierce publiée, ce qui limite la comparaison objective avec des concurrents établis. Ce tour s'inscrit dans deux accélérateurs simultanés en Chine : la montée en cadence du C919 de COMAC, avion court-moyen courrier concurrent de l'A320neo, et la politique nationale d'économie basse altitude, qui stimule le développement des grands drones cargo. L'équipe fondatrice revendique une expérience directe sur les programmes nationaux de grands avions d'État, argument d'entrée fort dans un marché structurellement fermé. Sur le plan concurrentiel, la société ne cite aucun adversaire et se déclare "premier rang national" sur les AGV/AMR industriels lourds, affirmation non vérifiable indépendamment. À l'international, les acteurs les plus proches dans l'assemblage aérospatial automatisé incluent Comau (groupe Stellantis, Italie) et MTorres (Espagne), mais le marché chinois leur reste de facto inaccessible. Les prochaines étapes annoncées couvrent l'extension aux robots médicaux spécialisés, aux laboratoires intelligents pour universités et au marché de l'usinage industriel général.

Chine/Asie⚡Actu

1 source

40

4790SCMP Tech 

Lingyi, fournisseur d'Apple, vise une IPO de 1,1 milliard de dollars à Hong Kong pour financer l'IA et la robotique

Lingyi iTech, fabricant de composants électroniques coté à Shenzhen et sous-traitant historique d'Apple, vise une introduction en bourse à Hong Kong pour lever jusqu'à 8,3 milliards HKD (environ 1,1 milliard USD). La société propose 811,8 millions d'actions à un prix maximum de 10,18 HKD par titre, avec une première cotation attendue vendredi sur le Hong Kong Stock Exchange. Les fonds levés sont destinés à financer une expansion stratégique dans le matériel pour l'intelligence artificielle et la robotique humanoïde, selon les documents officiels déposés auprès du régulateur. Ce mouvement illustre une tendance de fond dans la chaîne d'approvisionnement électronique asiatique : des équipementiers cherchent à diversifier leurs revenus au-delà du cycle smartphone, perçu comme mature et sous pression tarifaire. Pour Lingyi, coter à Hong Kong offre une visibilité internationale et un accès aux capitaux pour investir en R&D robotique, secteur où les barrières restent élevées (actionneurs, intégration mécatronique, logiciels de contrôle). Il convient cependant de souligner que la démarche demeure, à ce stade, une déclaration d'intention stratégique : aucun produit robotique ni partenariat industriel concret n'est détaillé dans les documents d'introduction disponibles. Lingyi s'inscrit dans une course plus large entre sous-traitants chinois vers la robotique humanoïde, où des acteurs comme Foxconn, BYD Electronic et Luxshare ont également affiché des ambitions similaires. La concurrence avec les intégrateurs de plateformes complètes (Figure, Agility Robotics, Unitree, UBTECH) reste asymétrique : la maîtrise des composants n'équivaut pas à l'intégration système. Les prochaines étapes déterminantes seront les annonces de partenariats OEM et l'affectation précise des fonds levés lors des publications trimestrielles post-cotation.

Industriel⚡Actu

1 source

39

4791Robotics Business Review 

À Automate 2026, Güdel présente le meulage robotisé avec axes vertical et horizontal, au-delà des robots fixes

Güdel AG, filiale américaine du groupe suisse éponyme basé à Langenthal, présentera à Automate 2026 (McCormick Place, Chicago, stand 1806) un système de meulage industriel intégrant deux degrés de liberté supplémentaires par rapport aux cellules robotiques fixes traditionnelles. La démonstration associe un robot FANUC R-1000 monté sur un système TrackMotion Vertical (TMV), lui-même intégré dans un rail au sol TrackMotion Floor (TMF), permettant à un seul bras de couvrir de grandes surfaces sans repositionnement de la pièce. L'application a été développée par l'intégrateur Titan Robotics pour un fabricant majeur d'équipements tout-terrain, confronté aux contraintes du meulage de grandes pièces soudées. L'intérêt industriel de cette configuration tient à trois leviers concrets. D'abord, la réduction du capex : une seule unité robotique desservant un enveloppe de travail étendue remplace plusieurs robots fixes, ce qui simplifie la conception de cellule, la sécurité et les architectures de contrôle. Ensuite, la stabilité de procédé : en maintenant le robot dans une posture articulaire favorable tout au long de cycles de meulage longs et à forte pression de contact, le système limite l'usure des joints et améliore la répétabilité. Enfin, la résistance aux environnements abrasifs : les modules de translation sont conçus pour éloigner les composants critiques des zones de projections de débris, point faible structurel des installations de finition de surface. Sur le plan commercial, l'argument avancé par Güdel est que les évolutions de pièces pourront être gérées par reprogrammation logicielle plutôt que par refonte mécanique de la cellule. Ces affirmations restent à confirmer en production réelle : la démonstration d'Automate est une démo salon, pas un déploiement validé à grande échelle. Güdel Group fournit depuis plusieurs décennies des modules de déplacement linéaire, des unités track motion pour robots industriels et des portiques à l'automobile, l'aérospatiale, la logistique et l'industrie lourde. Sa filiale américaine, établie sur 4 180 m² à Ann Arbor (Michigan), est l'interlocuteur nord-américain pour l'ingénierie et le support client. Dans le segment du meulage automatisé sur grandes pièces, Güdel se positionne face à des intégrateurs spécialisés comme Accentus, Path Robotics ou des configurations multi-robots FANUC/KUKA en cellules fixes. L'association avec FANUC America (dont Lou Finazzo, VP ventes, co-signe la communication) est révélatrice d'un accord de go-to-market conjoint plutôt qu'une simple collaboration technique ponctuelle. Aucune donnée de prix, de temps de cycle chiffré, ni de volume de déploiement client n'a été communiquée à ce stade, ce qui place l'annonce du côté du teaser commercial plutôt que du produit en production avérée. Les suites annoncées restent floues : pas de pilote client nommé, pas de timeline de commercialisation formalisée au-delà de la vitrine d'Automate 2026.

Industriel❧Opinion

1 source

49

4792Pandaily 

Les robots grimpeurs ZeeBot de Cainiao transforment l'automatisation d'entrepôt à l'échelle mondiale

Le 17 juin, Cainiao, la branche logistique d'Alibaba, a inauguré un centre européen de fulfillment aux Pays-Bas, déployant plus de 100 robots grimpeurs ZeeBot de sa propre conception dans un entrepôt de 26 000 m² situé près du port de Rotterdam. L'installation, exploitée sous bail de dix ans, couvre la distribution B2B et le fulfillment B2C à l'échelle européenne. Le ZeeBot se distingue des solutions ASRS traditionnelles (qui nécessitent des véhicules dédiés par niveau de rayonnage) et des AGV classiques (limités à 4 mètres de hauteur) en intégrant dans un seul châssis le transport au sol, l'escalade verticale et la récupération de bacs. La machine atteint jusqu'à 14 mètres de hauteur de stockage (20 mètres en limite de conception) et affiche un espacement de bacs de 80 mm sur rail ou 25 mm en configuration sans rail, soit une densité de stockage annoncée 15 % supérieure à celle des concurrents internationaux. Chaque unité est proposée à moins de 100 000 RMB (environ 13 000 euros). Cainiao revendique un taux de réussite d'entrée sur rail de 100 % et une productivité doublée par rapport à un entrepôt manuel. Ces métriques méritent d'être nuancées. Le taux de 100 % a été mesuré avec 60 à 70 robots en phase de montée en charge ; les tests à 134 unités lors du pic du festival e-commerce "618" n'ont pas encore produit de données publiques à pleine charge. Les gains de productivité cités sont des valeurs de conception laboratoire, pas des mesures opérationnelles consolidées. L'enjeu industriel reste néanmoins significatif : fusionner grimpe verticale, transport horizontal et préhension de bacs dans un seul engin réduit les coûts d'infrastructure et améliore l'utilisation volumétrique par rapport aux ASRS ou AMR à niveaux séparés. Pour un COO en phase de conception d'entrepôt à haute densité, le retour sur investissement annoncé de 18 à 24 mois sur le marché chinois constitue un benchmark utile, même si les projets européens affichent un payback de 5 à 10 ans, reflet des coûts de service locaux plus élevés. Filiale logistique d'Alibaba fondée en 2010, Cainiao déploie le ZeeBot selon une stratégie "incubation interne, expansion externe" : trois projets sont en cours en Chine, et des déploiements sont annoncés en Espagne, Hong Kong, aux États-Unis, au Canada, au Moyen-Orient et au Japon. Sur le marché des robots d'entrepôt grimpeurs, Cainiao affronte notamment Exotec (Lille, France), dont le système Skypod atteint 12 mètres et est déjà déployé chez des enseignes comme Decathlon et Uniqlo à travers l'Europe, ainsi que Geek+ (Chine) et AutoStore (Norvège). La comparaison sur la densité de stockage et le coût unitaire sera déterminante pour les intégrateurs européens. Les limites actuelles du ZeeBot sont reconnues par Cainiao lui-même : le système ne traite que des articles légers et standardisés, les colis irréguliers restant à la charge d'opérateurs humains. L'automatisation complète, incluant le picking autonome et la récupération d'erreurs sur SKU variés, nécessitera selon l'entreprise encore deux à trois ans de développement.

Industriel❧Opinion

1 source

43

4793Pandaily 

Unitree Robotics : domination des coûts face au défi de l'IA dans la course aux robots humanoïdes

Unitree Robotics, fabricant chinois de robots humanoïdes fondé en 2016 par Wang Xingxing, ancien ingénieur chez DJI, affiche une rentabilité que ses concurrents peinent à atteindre. Le robot G1 coûte 8 976 dollars en pièces détachées, ce qui permet de dégager une marge brute de 67 % sur un prix de vente supérieur à 20 000 dollars, quand la plupart des acteurs du secteur peinent à l'équilibre sur des tarifs similaires de 20 000 à 30 000 dollars. Avec plus de 1 000 employés et un chiffre d'affaires annuel dépassant 1,7 milliard de yuans, Unitree revendique deux exercices consécutifs bénéficiaires. Cette structure de coûts repose sur trois piliers : une intégration verticale à plus de 90 % des composants clés (moteurs, réducteurs, encodeurs) fabriqués en interne à 30-40 % du coût occidental équivalent ; une chaîne d'approvisionnement rodée par des années de production de robots quadrupèdes, du Laikago à 45 000 dollars en 2018 au Go2 à 1 400 dollars en 2023, soit une baisse de 94 % ; et un écosystème manufacturier chinois permettant de recevoir des prototypes personnalisés en une semaine, contre plusieurs trimestres pour les concurrents américains. L'avantage en coût est réel, mais il ne couvre pas encore le spectre complet du marché industriel. Environ 70 % du chiffre d'affaires provient de la recherche et de l'enseignement, signal clair que le fossé entre démonstration et déploiement n'est pas comblé. Les capacités de contrôle du mouvement sont indéniables : backflips documentés, chorégraphies coordonnées à grande échelle. En revanche, l'investissement en IA incarnée (embodied AI) accuse un retard structurel. Lors d'une collaboration avec NVIDIA, c'est une main dextre tierce qui a été utilisée plutôt que la série DEX d'Unitree, ce qui révèle des lacunes en perception tactile. La croissance du chiffre d'affaires, qui dépassait 300 % en glissement annuel, est tombée à 68 % au premier trimestre 2026, tandis que le bénéfice net non-GAAP a chuté de plus de 50 % sur la même période. L'IPO en préparation prévoit d'allouer près de la moitié des 4,2 milliards de yuans levés à la R&D sur les modèles de robots intelligents, confirmant que la compétitivité IA reste le point faible à combler en priorité. Unitree s'est construit sur une base quadrupède, catégorie dans laquelle il a compressé les coûts sur plusieurs générations avant de pivoter vers l'humanoïde. La concurrence s'intensifie sur plusieurs fronts simultanément : Tesla avec Optimus, Xiaomi avec CyberOne, XPeng avec le PX5, et plus de 150 rivaux domestiques chinois, sans compter les acteurs américains comme Figure Robotics, Physical Intelligence ou Boston Dynamics. Les trois prochaines années seront déterminantes : l'avantage de coût actuel constitue une position défendable, mais seulement si Unitree parvient à combler son retard sur les modèles VLA (vision-language-action) et à convertir ses démonstrations en déploiements industriels réels et récurrents.

Chine/Asie❧Opinion

1 source

51

4794Pandaily 

Des milliards investis dans l'IA incarnée, mais le déploiement en usine reste hors de portée

Au premier semestre 2026, le secteur chinois de la robotique embodied AI a absorbé 46 milliards de yuans (environ 6,2 milliards d'euros) répartis sur 288 opérations de financement impliquant 226 entreprises, selon les données d'IT Juzi. La concentration est massive : les cinq premiers acteurs (Qianxun Intelligence, Xiwang Sunrise, Xinghaitu, Zibianliang Robot et Jijia Vision) ont capté 17,1 milliards de yuans, soit 37 % du total, et le top 20 emporte 70 % des fonds. Qianxun Intelligence seule a levé 4,5 milliards de yuans en quatre tours en quatre mois. Le profil des investisseurs change : les grandes rondes au-dessus du milliard de yuans sont désormais pilotées à plus de 40 % par des industriels et des entités publiques (Baidu, ByteDance, Xiaomi, Meituan, SAIC, fonds gouvernementaux), le capital d'État participant à 42 % des transactions à plusieurs centaines de millions. Ce flux d'argent masque un écart criant entre vitrine et déploiement réel. Le cas Daluo est emblématique : valorisée à plus de 20 milliards de yuans, ayant levé 5,4 milliards, la société n'a vendu que 1,4 million de yuans de produits sur les sept premiers mois de 2025 tout en enregistrant 84,25 millions de pertes nettes. La cause structurelle identifiée par le secteur est le manque de données d'interaction physique de qualité : on estime à 500 000 heures seulement le volume mondial de données réelles utilisables pour entraîner des robots, contre des milliards de tokens texte pour les LLM. Les réponses sont proportionnelles : Xinghaitu a lancé une campagne "un million d'heures" à Yizhuang, Qianxun Intelligence a déployé 300 000 points de collecte à l'échelle nationale, JD.com vise 10 millions d'heures sous deux ans. Les résultats restent modestes : un responsable algorithmique a reconnu que des dizaines de millions de yuans investis pour collecter 100 000 heures n'avaient amélioré la capacité des modèles que de 5 %. Le secteur reste en phase de recherche appliquée, loin d'une industrialisation. L'état de l'art interne, estimé sur 100 points par un praticien du domaine, place les bras industriels à 50, les châssis à roues à 40, les quadrupèdes à 30, les humanoïdes bipèdes à 15, les mains dextères à 5, et l'IA embarquée de support à 3. Les approches VLA (Vision-Language-Action) et World Model convergent techniquement mais sans consensus sur la feuille de route. Les acteurs occidentaux comme Figure (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2) font face aux mêmes verrous de sim-to-real et de données, mais le déploiement à l'échelle usine reste introuvable partout. Malgré l'étiquette "année de la production de masse" accolée à 2026, aucun robot polyvalent fiable ne s'est encore imposé commercialement dans des environnements industriels non contrôlés.

Chine/Asie❧Opinion

1 source

43

4795The Robot Report 

La préparation de l'industrie de défense dépend des finitions autonomes, selon GrayMatter Robotics

Les États-Unis ont manqué leurs objectifs de disponibilité opérationnelle sur 42 des 45 flottes d'aéronefs en 2024, selon le rapport du Government Accountability Office (GAO) de mars 2025, une dégradation largement attribuée au manque de techniciens de maintenance qualifiés. Pour les chantiers navals, la Marine américaine projette un déficit de 174 000 travailleurs sur la prochaine décennie, aggravé par un taux d'attrition de 50 à 60 % chez les nouvelles recrues dans leur première année. C'est dans ce contexte que GrayMatter Robotics, basée à Carson en Californie, positionne ses systèmes de finition de surface autonomes comme réponse structurelle à cette crise de main-d'oeuvre. En avril 2026, la société a signé un accord avec HII (Huntington Ingalls Industries), premier constructeur naval américain, pour intégrer son architecture d'IA physique dans des programmes de construction de navires et sous-marins. Cette collaboration inclut le programme HYPR (High-Yield Production Robotics), mené conjointement avec Path Robotics, pour automatiser les lignes d'assemblage navales de défense. L'enjeu dépasse la simple pénurie de recrutement. La préparation de surface, traitement de corrosion, dégraissage et application de revêtements protecteurs, se situe sur le chemin critique des révisions en dépôt, avant toute installation de nouveaux systèmes sur un aéronef ou un navire. Cette étape est géométriquement variable par nature : un train d'atterrissage corrodé après vingt ans d'utilisation présente des irrégularités uniques à chaque pièce, rendant les trajectoires préprogrammées des systèmes traditionnels inopérantes. GrayMatter revendique une architecture "edge-deployed" traitant les données localement, sans routage externe, avec traçabilité complète de chaque surface et absence de cycle de reprogrammation entre pièces. Ces caractéristiques répondent aux exigences sécuritaires des dépôts militaires, bien que leur validation à grande échelle reste à démontrer ; l'accord avec HII est le premier déploiement d'envergure industrielle qui permettra d'en juger. GrayMatter Robotics s'est développée sur le créneau de la finition complexe dans des environnements variés, de l'aéronautique civile à l'automobile, avant de cibler la défense, sous l'impulsion de son co-fondateur et PDG Ariyan Kabir. HII, qui opère Newport News Shipbuilding et Ingalls Shipbuilding et concentre l'essentiel de la construction de sous-marins nucléaires américains, offre à GrayMatter un client de référence stratégique. Path Robotics, partenaire du programme HYPR, est spécialisé dans la soudure autonome adaptative. Sur le plan concurrentiel, Gecko Robotics cible l'inspection de coques et des intégrateurs comme ABB adressent des niches de peinture industrielle, mais la finition adaptative en dépôt militaire reste un segment peu disputé. Aucun calendrier de déploiement précis n'a été communiqué à ce stade.

Industriel❧Opinion

1 source

42

4796Pandaily 

Le robot humanoïde gravit un sommet de 6 000 mètres pour la première fois, cap ensuite sur l'Everest

En juin 2026, un robot humanoïde Unitree G1 modifié, baptisé Pemba José Lani, a atteint le sommet du volcan Chimborazo en Équateur (6 310 mètres), devenant le premier humanoïde à franchir le seuil des 6 000 mètres. L'expédition a été organisée par Geologic Dome, une startup américaine fondée par Pablo Berlanga Boemare, 23 ans. L'ascension totale a duré 16 heures, dont 5,5 heures pour le push final, un rythme comparable à celui d'un alpiniste humain entraîné. Pour résister aux conditions extrêmes, le robot a été équipé d'une veste de montagnard professionnelle, de guêtres, de chaussures à microcrampons et d'un système de ventilation abdominale pour maintenir les batteries à température optimale. Avant le départ, 72 heures d'entraînement par imitation de mouvement ont été réalisées, le chef d'équipe portant un casque VR et des traqueurs de chevilles pour transmettre des patterns d'équilibre au robot. L'autonomie restait partielle : Pemba marchait seul sur les pentes inférieures à 30 degrés ; au-delà, quatre guides le portaient. Ce n'est pas l'exploit sportif lui-même qui compte, mais les données opérationnelles collectées sur la résilience thermique et mécanique du G1 en milieu non structuré. Unitree avait certes testé la plateforme à près de -50°C dans la région de l'Altaï du Xinjiang, mais une traversée de 16 heures en haute altitude constitue un benchmark différent des cycles courts en laboratoire ou des démos en entrepôt contrôlé. Pour les acteurs du monitoring environnemental en terrain difficile, les robots à pattes commencent à apparaître comme une alternative crédible aux caméras fixes et aux drones, notamment dans les canopées forestières denses où ces derniers ne peuvent opérer. Les plateformes humanoïdes compactes comme le G1 (environ 35 kg) pourraient ouvrir un segment que les AMR à roues ne peuvent adresser, à condition toutefois que les preuves d'endurance multi-heures en conditions réelles se confirment au-delà d'expéditions isolées. Le projet s'enracine dans le parcours de Berlanga, ancien chargé de surveillance à distance pour le WWF au Parc National de la Salonga au Congo, dont l'intuition fondatrice est de "donner des jambes aux caméras" pour le suivi de biodiversité en terrain inaccessible. Le financement provient d'Eastworlds Labs, l'initiative robotique du protocole crypto Virtuals Protocol, un modèle inhabituel dans le secteur robotique. Le nom Pemba José Lani renvoie à un plan dit "triple couronne" : Chimborazo, puis Mauna Kea à Hawaï, et enfin l'Everest. Une demande d'expédition de 52 jours a été soumise au département du tourisme du Népal, avec pour objectif la collecte de données de mobilité et d'autonomie batterie entre le camp de base et le camp 4. Sur le créneau de l'exploration extrême en extérieur, les grands acteurs humanoïdes, Boston Dynamics, Figure, Agility Robotics et Unitree eux-mêmes, concentrent leurs efforts sur les environnements industriels contrôlés, laissant ce segment largement non disputé pour l'instant.

Humanoïdes❖Paper

1 source

45

4797Interesting Engineering 

Robot de cuisine à trois bras découpe du saumon cru avec une précision tactile de 95%

Des chercheurs de l'Université norvégienne de sciences et de technologie (NTNU) ont développé Sashimi-Bot, un système à trois bras robotisés capable de préparer du sashimi de saumon avec une intervention humaine minimale. Le premier bras stabilise et positionne le filet, le second pilote un couteau de cuisine, le troisième manipule des baguettes pour déposer les tranches sur un plateau de service. Pour apprendre au robot à repositionner le poisson, qui se déforme constamment lors de la manipulation, l'équipe a utilisé le deep reinforcement learning en environnement simulé, puis transféré le modèle directement sur le robot physique sans entraînement supplémentaire sur du saumon réel. La détection du contact lame-planche a été confiée à un capteur tactile GelSight, une surface en gel souple couplée à une caméra interne mesurant les variations de pression. Entraîné sur 12 000 échantillons issus de 157 mouvements de coupe, ce module atteint 95 % de précision pour la détection du contact et 99 % lors des tests de précision. En conditions réelles, le système a produit 34 tranches de 6 à 16 mm d'épaisseur : les 6 tranches ayant adhéré à la lame ont toutes été récupérées, 26 des 28 tranches restées sur la planche ont rejoint le plateau sans incident, et 2 pièces très fines ont glissé des baguettes. Les résultats ont été publiés dans la revue npj Robotics. Ce travail est significatif parce que le poisson cru sert ici de proxy pour une catégorie entière de matériaux mous et déformables, angle mort historique de la robotique industrielle. Les lignes de conditionnement alimentaire existantes traitent massivement des produits rigides et confient encore aux opérateurs humains le découpage à la demande ou la présentation de plats frais préparés. Le transfert sim-to-real réussi sans ré-entraînement sur de vrais filets suggère que les moteurs physiques de simulation des matériaux mous ont atteint une fidélité suffisante pour réduire le sim-to-real gap qui freinait ces approches jusqu'ici. Pour un intégrateur ou un responsable opérationnel dans l'alimentaire, c'est un signal que la manipulation de protéines crues commence à sortir du laboratoire, même si les 2 échecs sur tranches très fines rappellent que le système n'est pas encore dimensionné pour une cadence industrielle. La robotique alimentaire bute depuis longtemps sur la combinaison texture variable, hygiène stricte et diversité des produits. Des acteurs comme Miso Robotics (cuisine rapide, États-Unis), Kawasaki (manipulation de viandes en abattoir) ou Stäubli (bras pour environnements alimentaires humides) ont progressé sur des tâches plus standardisées ; ce travail du NTNU ouvre une voie vers des découpes à la demande sur produits frais. En France, des entreprises comme Pollen Robotics ou Enchanted Tools, qui développent des robots polyvalents à manipulation douce, sont directement concernées par ces avancées en perception tactile et en transfert sim-to-real. La publication dans npj Robotics, et non une annonce commerciale, signale clairement que ce système reste en phase de recherche : les prochaines étapes porteront probablement sur la vitesse de cycle et la généralisation à d'autres espèces ou types de découpe.

Recherche❖Paper

1 source

46

4798Interesting Engineering 

Nouvelle technologie de sécurité visuelle pour robots industriels travaillant à proximité des humains

Sensory Robotics vient d'obtenir la double certification cULus 1740 et ISO 13849 Performance Level d pour son système SR-1, une technologie de supervision visuelle conçue pour supprimer les cages de protection autour des robots industriels. Cette validation ouvre la voie à un déploiement commercial aux États-Unis et au Canada, et s'appuie sur une combinaison de vision 3D stéréoscopique, de capteurs et d'un logiciel temps réel qui génère des zones de sécurité virtuelles ajustables autour des bras robotiques. Contrairement aux cobots conçus pour fonctionner lentement à proximité de l'humain, SR-1 cible les robots industriels haute vitesse existants : le système s'installe en retrofit sur des cellules déjà en production, sans remplacement de l'équipement. Le CEO Chris Edwards et le COO Mark Gagas précisent que le processus de certification a évalué les réponses du système aux défaillances matérielles, aux interruptions des fonctions de sécurité et aux risques résiduels pour les opérateurs. La société a par ailleurs reçu une subvention DoD SBIR Phase II de 1,25 million de dollars, avec un appui de l'Université de Cincinnati. La portée de cette certification dépasse le seul SR-1 : elle valide le principe que des zones de sécurité purement logicielles et visuelles peuvent satisfaire les exigences normatives des environnements manufacturiers régulés, ce qui n'était pas acquis. En pratique, chaque interruption de sécurité dans une cellule robotique traditionnelle peut imposer un arrêt complet suivi d'un redémarrage, parfois 10 minutes par incident selon Gagas, un coût opérationnel qui s'accumule sur une ligne entière. Supprimer les cages libère également de l'espace au sol et redonne de la flexibilité aux flux de production. Pour les intégrateurs, l'argument retrofit est décisif : éviter le remplacement de cellules existantes réduit drastiquement le coût de migration vers la collaboration humain-robot. Les secteurs visés (automobile, aérospatial, logistique, défense) sont précisément ceux où cette coexistence est à la fois la plus nécessaire et la plus contraignante sur le plan réglementaire. La prudence s'impose toutefois : aucun chiffre de déploiement réel n'est communiqué à ce stade, et les performances annoncées restent à confirmer en conditions de production variées. Sensory Robotics s'inscrit dans une tendance qui voit plusieurs acteurs tenter de résoudre le compromis historique entre vitesse robotique et proximité humaine. Les cobots (Universal Robots, FANUC CR-Series, ABB YuMi) ont contourné le problème en limitant les capacités cinématiques ; d'autres approches utilisent des rideaux lumineux ou des tapis sensoriels, moins adaptatifs par nature. La vision 3D temps réel de SR-1 se positionne comme une alternative scalable pour les robots conventionnels non-collaboratifs. Côté européen, des acteurs comme Pilz ou SICK proposent des systèmes de sécurité périmétrique avancés, mais la certification ISO 13849 PLd obtenue ici est également reconnue en Europe, ce qui laisse envisager une extension géographique. Les prochaines étapes logiques passeront par des pilotes terrain dans les secteurs cibles et la publication de données de retour d'expérience industrielles.

Industriel❧Opinion

1 source

47

4799IEEE Spectrum Robotics 

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

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

Industriel⚡Actu

1 source

47

4800Interesting Engineering 

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

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

Industriel❧Opinion

1 source