RobotiqueLe Big Data6sem

Anduril collabore avec l’US Army pour perfectionner des drones autonomes et des programmes IA

Résumé IASource uniqueImpact UE

Le 13 mars 2026, l'US Army a notifié à Anduril Industries un contrat-cadre de type IDIQ plafonné à 20 milliards de dollars sur dix ans, structuré en deux périodes de cinq ans. Cet accord consolide plus de 120 programmes d'achats technologiques existants au sein d'un cadre unique géré depuis le centre d'Aberdeen. Un premier financement de 87 millions de dollars est déjà fléché vers le NORAD pour déployer la plateforme d'intelligence artificielle Lattice dans la lutte anti-drones. Concrètement, Lattice fusionne en temps réel les données de radars, capteurs infrarouges et systèmes Sentry pour détecter et intercepter des menaces en quelques secondes, y compris sans signal GPS grâce à la vision par ordinateur. Les drones Altius, déjà utilisés par centaines en Ukraine depuis 2022 et livrés à Taïwan en août 2025, le missile intercepteur réutilisable Roadrunner, et le drone furtif Fury, produit depuis fin mars 2026 dans l'usine Arsenal-1 en Ohio, forment le coeur de l'arsenal déployé sous ce contrat. La startup vise un chiffre d'affaires de deux milliards de dollars d'ici fin 2026, soit le double de son niveau actuel.

Ce contrat repositionne Anduril comme pilier central de la modernisation militaire américaine, au moment où le Pentagone cherche à opérer à ce que Gabe Chiulli, directeur technique du bureau CIO du DoD, appelle la "vitesse machine". L'architecture décentralisée de Lattice garantit une haute résilience face au brouillage électronique, point critique sur les théâtres modernes. En remplaçant les anciens dispositifs de commandement par un logiciel ouvert interopérable entre forces terrestres, navales et aériennes, l'armée américaine réduit ses délais administratifs d'acquisition et accélère l'équipement des unités en opération. Pour l'industrie de défense, le signal est sans ambiguïté : les startups logicielles à cycle court concurrencent désormais frontalement les géants historiques comme Lockheed Martin ou Raytheon sur des marchés jusqu'ici captifs.

Ce rapprochement s'inscrit dans une accélération dictée par deux crises majeures. D'un côté, la guerre en Ukraine a validé en conditions réelles l'efficacité des drones autonomes à bas coût et du logiciel Lattice, malgré des réserves de l'US Air Force sur la fiabilité de certains systèmes, réserves qui alimentent désormais directement l'apprentissage automatique des engins. De l'autre, la menace d'essaims de drones en mer de Chine impose une réponse scalable que les systèmes traditionnels ne peuvent pas fournir. L'intégration de Lattice au réseau militaire global JADC2 et les outils de commandement en réalité augmentée comme les lunettes EagleEye dessinent un champ de bataille unifié que Washington veut opérationnel bien avant la fin de la décennie.

Impact France/UE

La validation opérationnelle de drones autonomes à bas coût en Ukraine accélère la pression sur les armées européennes, dont française, pour moderniser leurs doctrines d'acquisition vers des solutions logicielles agiles face aux menaces d'essaims de drones.

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1NVIDIA AI Blog

NVIDIA lance des compétences agents pour l'IA physique : véhicules autonomes, robotique et vision

NVIDIA a profité de la conférence CVPR 2026 pour dévoiler une série de nouveaux outils d'IA physique destinés aux chercheurs travaillant sur les véhicules autonomes, la robotique et les systèmes de vision artificielle. Ces annonces s'appuient sur le lancement, quelques jours plus tôt, de NVIDIA Cosmos 3, présenté comme le premier modèle fondamental unifié de l'industrie combinant raisonnement visuel, génération de mondes et génération d'actions. Parmi les outils dévoilés figurent InstantNuRec, qui reconstruit des scènes routières en 3D à partir d'images sans optimisation par scène ; AlpaGym, un framework open source d'apprentissage par renforcement en boucle fermée capable de s'exécuter sur des milliers de GPU ; OmniDreams, un modèle génératif qui produit des rendus photoréalistes en temps réel en réponse aux actions d'une politique de conduite ; et Alpamayo 2 Super, un modèle VLA (vision-langage-action) de 32 milliards de paramètres conçu pour le développement de véhicules autonomes de niveau 4. Le problème central que cherche à résoudre NVIDIA est la fragmentation des workflows en IA physique. Aujourd'hui, reconstruire une scène réelle, générer des scénarios rares, entraîner une politique, évaluer son comportement et itérer rapidement implique de jongler entre des outils disparates, ce qui ralentit considérablement la recherche. Pour les véhicules autonomes en particulier, le défi est la « longue traîne » des situations de conduite : les interactions rares, les géométries routières inhabituelles, les variations d'éclairage qui sont difficiles à collecter en conditions réelles mais critiques pour la validation. Les nouveaux outils de NVIDIA permettent aux agents IA d'automatiser ces étapes, de la reconstruction de scènes à partir de données de flotte jusqu'à la génération de conditions synthétiques variées. Pour la vision industrielle, des compétences Metropolis permettent de générer des défauts visuels rares sur différentes surfaces, résolvant le problème chronique du manque de données pour la détection d'anomalies. Ces annonces s'inscrivent dans une stratégie cohérente de NVIDIA pour s'imposer comme infrastructure de référence de l'IA physique, un marché qu'elle considère comme la prochaine vague majeure après les grands modèles de langage. Cosmos 3, socle de l'ensemble de l'écosystème présenté, est positionné comme modèle ouvert dominant sur les benchmarks publics de l'IA physique. En combinant simulation haute fidélité, modèles fondateurs ouverts et frameworks d'entraînement scalables, NVIDIA tente de reproduire avec l'IA embarquée et robotique ce qu'elle a réussi dans le calcul haute performance : rendre son infrastructure si centrale que les chercheurs n'envisagent pas d'alternatives. Les prochaines étapes passeront par l'adoption de ces outils par les grands constructeurs automobiles et les laboratoires de robotique, qui testent actuellement leurs capacités sur des flottes réelles.

UELes constructeurs automobiles européens (Renault, Stellantis, BMW) et les laboratoires de recherche en robotique pourront utiliser ces outils open-source pour accélérer le développement de véhicules autonomes de niveau 4 et réduire leur dépendance à la collecte de données réelles.

RobotiqueOpinion

1 source

2AI News

L'IA physique soulève des questions de gouvernance pour les systèmes autonomes

La convergence de l'intelligence artificielle et des systèmes physiques pose des questions de gouvernance inédites pour les entreprises, les régulateurs et les ingénieurs. En 2024, la Fédération internationale de la robotique recensait 542 000 robots industriels installés dans le monde, soit plus du double du niveau enregistré dix ans plus tôt. Les projections tablent sur 575 000 unités en 2025 et plus de 700 000 d'ici 2028. Dans ce contexte, le marché de ce que les analystes appellent désormais la "Physical AI" -- robotique, edge computing et machines autonomes -- était estimé à 81,64 milliards de dollars en 2025 par Grand View Research, avec des projections atteignant 960,38 milliards en 2033. En mars 2025, Google DeepMind a franchi une étape concrète en lançant Gemini Robotics et Gemini Robotics-ER, deux modèles construits sur Gemini 2.0 et conçus pour le contrôle direct de robots et le raisonnement spatial. En avril 2026, une nouvelle version, Gemini Robotics-ER 1.6, a été mise en préversion via l'API Gemini, avec des capacités renforcées de planification de tâches, de détection de succès et de raisonnement par étapes intermédiaires. L'enjeu dépasse largement celui de l'automatisation logicielle classique. Lorsqu'un modèle de langage produit une réponse incorrecte, l'erreur reste dans le domaine informationnel. Lorsqu'un modèle piloté un robot, une sortie erronée peut se traduire par un mouvement physique dans un environnement partagé avec des humains ou connecté à des équipements industriels critiques. Google DeepMind identifie trois propriétés fondamentales pour des robots véritablement utiles : la généralité (capacité à traiter des objets et environnements inconnus), l'interactivité (adaptation aux instructions humaines et aux conditions changeantes), et la dextérité (précision des gestes physiques). Des systèmes comme Gemini Robotics peuvent suivre des instructions en langage naturel et exécuter des séquences complexes -- plier du papier, emballer des objets, manipuler des éléments jamais vus à l'entraînement. Mais cette même flexibilité complique la définition de limites de sécurité claires et de procédures d'arrêt d'urgence. Derrière la performance technique se profile un problème de gouvernance systémique encore non résolu. Contrairement aux logiciels, les systèmes physiques autonomes opèrent dans des espaces réels, soumis à des normes de sécurité industrielles, de responsabilité civile et de certification qui n'ont pas été conçues pour des agents capables de raisonner et de décider de façon autonome. La mise à disposition de Gemini Robotics-ER 1.6 via l'API Gemini rapproche le développement de ces systèmes des environnements de tests accessibles aux développeurs, mais transfère aussi une partie de la responsabilité vers les intégrateurs. Le secteur se retrouve face à une question centrale : qui valide, surveille et peut arrêter un agent physique lorsque son comportement s'écarte des limites prévues ? Les réponses réglementaires et industrielles à cette question seront déterminantes pour le déploiement à grande échelle de la Physical AI dans les prochaines années.

UELes industriels et régulateurs européens devront réviser les cadres de responsabilité civile, de certification et de sécurité des machines pour couvrir des agents physiques autonomes capables de raisonner, un vide que l'AI Act actuel n'adresse pas encore directement.

RobotiqueOpinion

1 source

3arXiv cs.RO

CARLA-Air: infrastructure unifiée pour drones et agents autonomes aériens et terrestres dans CARLA

Des chercheurs ont publié CARLA-Air, une plateforme de simulation open source qui permet, pour la première fois, de faire voler des drones multirotor directement dans l'environnement urbain de CARLA, le simulateur de référence pour la conduite autonome, développé initialement par Waymo et maintenu par la communauté. La plateforme tourne au sein d'un unique processus Unreal Engine, garantissant une cohérence spatiale et temporelle stricte entre les agents au sol et les drones, tout en capturant simultanément jusqu'à 18 modalités de capteurs à chaque pas de simulation. Elle préserve les API Python natives de CARLA et d'AirSim, ainsi que les interfaces ROS 2, ce qui permet de réutiliser du code existant sans aucune modification. L'enjeu est considérable pour les équipes qui travaillent sur les systèmes robotiques mixtes air-sol, un domaine en pleine expansion avec le développement des économies à basse altitude, livraisons par drone, inspection d'infrastructures, mobilité urbaine aérienne. Jusqu'ici, les simulateurs de conduite manquaient de dynamique aérienne réaliste, tandis que les simulateurs de drones proposaient des environnements urbains trop simplifiés. Les solutions de co-simulation par pont introduisaient des décalages temporels incompatibles avec l'entraînement de politiques de navigation ou de perception multi-modale. CARLA-Air supprime ces compromis en offrant un seul environnement avec trafic conforme aux règles de circulation, piétons à comportement social, et dynamique aérodynamique cohérente. Le projet répond aussi à une urgence pratique : Microsoft a archivé le développement d'AirSim, le simulateur de drones le plus utilisé dans la recherche académique, laissant orphelines de nombreuses équipes. CARLA-Air reprend cet héritage et l'intègre dans une infrastructure moderne et activement maintenue. La plateforme est déjà conçue pour accueillir des charges de travail avancées : coopération air-sol, navigation incarnée, actions guidées par le langage, construction de jeux de données et entraînement par renforcement. Le code source complet et des binaires précompilés sont disponibles sur GitHub, ce qui devrait faciliter son adoption rapide dans la communauté robotique et autonome.

UELes équipes de recherche européennes en robotique et mobilité urbaine aérienne disposent d'une alternative open source maintenue à AirSim pour développer et entraîner des systèmes autonomes mixtes air-sol.

RobotiqueOpinion

1 source

4AI News

Les drones deviennent plus intelligents pour les grandes exploitations agricoles

DroneDash Technologies, basée à Singapour, et GEODNET ont annoncé la création d'une coentreprise baptisée GEODASH Aerosystems, dédiée au développement de drones de pulvérisation agricole destinés aux grandes exploitations industrielles. La technologie, proche du stade de production, vise à supprimer deux contraintes majeures des systèmes actuels : la nécessité de cartographier chaque champ avant chaque vol, et la reconstruction systématique des plans de vol lorsque les conditions au sol changent. Le drone combinera le système de vision par IA de DroneDash avec la technologie de correction de positionnement de GEODNET, pour atteindre une précision au centimètre. En vol, l'appareil est capable d'identifier les rangées de cultures, les arbres, le relief et les zones à traiter, d'ajuster son altitude et ses débits de pulvérisation en temps réel. Des déploiements pilotes ont été conduits tout au long de 2025 et début 2026 ; la commercialisation est prévue pour le troisième trimestre 2026. L'enjeu est considérable pour les grandes exploitations, notamment les plantations de palmiers à huile où les opérations de cartographie préalable mobilisent du temps et des équipes, limitant la surface couvrable par jour. Avec GEODASH Aerosystems, le drone n'a plus besoin de carte existante : il opère à l'intérieur de zones géo-délimitées en prenant ses propres décisions de trajectoire selon l'environnement perçu. Chaque vol alimente en outre le backend d'intelligence artificielle Smart Farming de DroneDash, générant des métriques sur la densité du couvert végétal, la santé des plantes, l'efficacité de la pulvérisation et les profils de terrain. Le drone devient ainsi une double plateforme : applicateur de traitement et capteur aérien permanent, capable d'informer les exploitants sur les besoins en fertilisation, en contrôle phytosanitaire ou en replantation. Les drones agricoles actuels sont pour la plupart des adaptations de modèles grand public, pensés pour des environnements structurés et prévisibles. Or, les plantations tropicales avec des cultures d'âges mixtes, l'érosion des sols ou la croissance végétale rendent les cartes statiques rapidement obsolètes. La frontière décisive en robotique intelligente est précisément là : la capacité à agir dans des environnements changeants, sans tout hard-coder. GEODASH Aerosystems cible en priorité les plantations de palmiers à huile en Asie du Sud-Est, les grandes cultures en rangs aux États-Unis et les vastes domaines en Amérique du Sud, trois marchés où la taille des exploitations rend prohibitif le temps de préparation des opérations traditionnelles. Le positionnement assumé de la société résume l'ambition : "L'agriculture n'a pas besoin de drones plus grands, elle a besoin de drones plus intelligents", selon Paul Yam, PDG de DroneDash.

RobotiqueActu

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour