RobotiqueMarkTechPost2h

Genesis AI lance Nyx, Quadrants et Genesis World 1.0, une plateforme physique pour évaluer les modèles de robotique à grande échelle

Résumé IASource uniqueImpact UE

Genesis AI a lancé Genesis World 1.0, une plateforme de simulation conçue pour accélérer le développement des modèles de fondation en robotique. La suite se compose de quatre éléments : un moteur physique, Nyx (un moteur de rendu par lancer de rayons en temps réel), Quadrants (un compilateur Python vers GPU), et une interface de simulation. Le problème que tente de résoudre cette plateforme est concret : évaluer une politique robotique sur une centaine de tâches avec plusieurs centaines d'épisodes chacune nécessite normalement plus de 200 heures de fonctionnement continu avec un opérateur humain et un seul robot. Genesis World 1.0 ramène cette même évaluation à moins de 30 minutes, sans intervention humaine ni matériel physique, avec une reproductibilité bit à bit des résultats. C'est un gain d'environ deux ordres de grandeur sur le temps de cycle d'évaluation.

Ce bond de performance change fondamentalement la manière dont les équipes de recherche peuvent comparer des variantes de modèles. Jusqu'ici, la lenteur de l'évaluation réelle obligeait à faire des choix brutaux sur le nombre de checkpoints testés, biaisant de facto les décisions de développement. Genesis AI a délibérément choisi d'utiliser la simulation pour l'évaluation avant de l'utiliser pour la génération de données d'entraînement, et ce pour une raison méthodologique précise : si entraînement et évaluation partagent la même distribution simulée, un gain de performance peut simplement refléter une meilleure adaptation au simulateur, et non un progrès réel. L'approche retenue, baptisée "zero-shot real-to-sim", consiste à évaluer en simulation des politiques entraînées exclusivement sur des données réelles. Les résultats de corrélation sont probants : la corrélation de Pearson entre les performances en simulation et sur robot physique atteint 0,8996 (intervalle de confiance à 95 % : [0,7439 ; 0,9314]), calculée sur trois variantes de modèles (Small, Medium, Large), 14 tâches et 200 épisodes par tâche, avec un million d'itérations bootstrap. Le Mean Maximum Rank Violation (MMRV) s'établit à 0,0166, ce qui signifie que le simulateur préserve fidèlement le classement relatif des modèles entre eux.

Genesis AI évolue dans un secteur en pleine structuration, où des acteurs comme Google DeepMind, Physical Intelligence ou encore Boston Dynamics investissent massivement dans les modèles de fondation pour la robotique généraliste. La qualité du simulateur est devenue un avantage compétitif direct : Genesis revendique un écart de réalité réduit de 45 % par rapport au meilleur simulateur concurrent, mesuré par le score FID sur leur jeu de données. Pour diagnostiquer précisément les sources de divergence simulation-réalité, l'équipe a construit un banc de test côte à côte permettant de faire fonctionner simultanément le simulateur et un robot physique depuis la même initialisation, en permutant les sources d'observations (caméra, proprioception) pour isoler si les écarts viennent de la physique, du rendu, des communications ou du contrôle. Nyx, le moteur de rendu intégré, vise des images 1080p sans bruit en moins de 4 millisecondes sur un GPU grand public haut de gamme, en s'appuyant sur le lancer de rayons matériel et des splats gaussiens 3D pour les zones où la reconstruction en maillage reste insuffisante.

Dans nos dossiers

Robots humanoïdes

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

À lire aussi

1IEEE Spectrum AI

GoZTASP : une plateforme zero-trust pour la gouvernance des systèmes autonomes à grande échelle

GoZTASP est une plateforme de gouvernance et d'assurance conçue pour superviser des systèmes autonomes déployés à grande échelle dans des environnements réels. Elle intègre au sein d'une architecture zero-trust unifiée des équipements hétérogènes, drones, robots, capteurs et opérateurs humains, en s'appuyant sur deux modules clés : le Secure Runtime Assurance (SRTA), qui vérifie en continu l'intégrité des systèmes, et le Secure Spatio-Temporal Reasoning (SSTR), qui raisonne sur les données spatiales et temporelles pour maintenir la cohérence opérationnelle. La plateforme a franchi le niveau de maturité technologique TRL 7, validant son fonctionnement dans des environnements à haute criticité. Les composants centraux, notamment les contrôleurs de vol sécurisés Saluki, ont atteint le TRL 8 et sont d'ores et déjà déployés dans des systèmes clients en production. L'enjeu de ZTASP dépasse largement le cadre militaire dans lequel il a été initialement développé. La capacité à maintenir une opération résiliente même dans des conditions dégradées, pannes partielles, attaques, perte de connectivité, répond à un besoin critique dans des secteurs comme la santé, les transports autonomes et les infrastructures sensibles. En imposant une vérification permanente de chaque composant sans présupposer de confiance implicite entre les sous-systèmes, le modèle zero-trust apporte une couche de sécurité fondamentalement différente des approches périmètriques traditionnelles, particulièrement adaptée aux flottes de robots ou de véhicules autonomes où la surface d'attaque est distribuée et dynamique. Le concept de zero-trust, né dans la cybersécurité des réseaux d'entreprise dans les années 2010, connaît aujourd'hui une extension vers les systèmes cyber-physiques autonomes, où les conséquences d'une compromission sont directement matérielles. La prolifération des drones commerciaux et des robots industriels dans des environnements non contrôlés rend la question de la gouvernance à l'exécution de plus en plus pressante. ZTASP s'inscrit dans une tendance plus large où des acteurs de la défense et de l'industrie cherchent à formaliser des cadres d'assurance capables de répondre aux exigences réglementaires émergentes autour des systèmes autonomes, notamment en Europe et aux États-Unis, où plusieurs initiatives législatives sont en cours d'élaboration.

UELes initiatives législatives européennes sur les systèmes autonomes (drones, véhicules autonomes, robots industriels) pourraient s'appuyer sur ce type de cadre d'assurance zero-trust pour définir des exigences de conformité opérationnelle.

RobotiqueOpinion

1 source

2arXiv cs.RO

JoyAI-RA 0.1 : un modèle de base pour l'autonomie robotique

Des chercheurs ont publié le 28 avril 2026 sur arXiv un nouveau modèle de fondation baptisé JoyAI-RA 0.1, conçu pour doter les robots d'une autonomie généralisable dans des environnements réels et variés. Ce modèle de type vision-langage-action (VLA) s'appuie sur un cadre d'entraînement multi-sources et multi-niveaux inédit : il combine des données issues du web, des vidéos en vue subjective de manipulations humaines à grande échelle, des trajectoires générées par simulation, et des données collectées sur de vrais robots. Selon les résultats présentés, JoyAI-RA surpasse les méthodes les plus avancées sur des benchmarks en simulation comme en environnement réel, particulièrement sur des tâches variées nécessitant une capacité de généralisation. L'enjeu central de ce travail est la généralisation inter-robots, un problème récurrent dans le domaine : les modèles entraînés sur un type de robot peinent à s'adapter à d'autres architectures mécaniques ou capteurs différents. JoyAI-RA propose une unification explicite des espaces d'action, ce qui lui permet de transférer efficacement des comportements appris depuis des vidéos de manipulation humaine vers le contrôle robotique. Ce pont entre geste humain et mouvement machine est particulièrement prometteur pour réduire les coûts de collecte de données et accélérer le déploiement de robots polyvalents dans des contextes industriels, logistiques ou domestiques. La robotique autonome bute depuis des années sur deux obstacles structurels : la faible diversité des jeux de données disponibles et l'impossibilité de réutiliser des comportements appris d'un robot à l'autre. JoyAI-RA s'inscrit dans une tendance de fond qui voit émerger des modèles de fondation généralistes pour la robotique, à l'image de RT-2 de Google DeepMind ou d'OpenVLA. La particularité de cette approche réside dans l'intégration massive de vidéos de manipulation humaine comme source de supervision implicite, une stratégie qui contourne partiellement la rareté des données robotiques annotées. La publication en version 0.1 suggère que l'équipe, vraisemblablement liée à l'écosystème chinois au vu du nom JoyAI, entend faire évoluer ce modèle rapidement.

RobotiqueOpinion

1 source

3Robotics Business Review

Flex et Teradyne renforcent leur partenariat pour déployer l'IA physique à grande échelle

Flex et Teradyne Robotics ont annoncé l'élargissement de leur partenariat de longue date pour accélérer le déploiement de l'IA physique et de la robotique intelligente dans le secteur manufacturier mondial. Concrètement, la collaboration repose sur une double stratégie : Flex produit les composants clés des robots de Teradyne tout en devenant l'un des principaux terrains d'expérimentation de ces mêmes machines. L'entreprise prévoit de déployer des robots collaboratifs (cobots) d'Universal Robots et des robots mobiles autonomes (AMR) de Mobile Industrial Robot, deux filiales de Teradyne, dans ses propres usines à travers le monde. Les deux groupes ont déclaré qu'ils travailleront ensemble à résoudre les défis liés à l'alimentation électrique, à la gestion thermique et au passage à l'échelle, en s'appuyant sur des infrastructures IT avancées et des technologies de refroidissement de pointe. Ce rapprochement représente bien plus qu'un accord industriel classique : il efface la frontière traditionnelle entre fabricant de robots et utilisateur final. En intégrant directement les cobots et AMR de Teradyne dans ses lignes de production tout en construisant les composants qui les alimentent, Flex tente de résoudre le problème de mise à l'échelle qui freine depuis des années l'adoption massive de l'automatisation intelligente. Pour le secteur industriel au sens large, ce cas concret devra prouver que la synergie entre fabrication avancée et robotique pilotée par l'IA peut enfin transformer des expérimentations isolées en déploiements cohérents à l'échelle planétaire. Les retours opérationnels continus issus des usines de Flex permettront de valider les technologies en conditions réelles et d'accélérer la réplication des workflows d'automatisation réussis. Flex et Teradyne collaborent depuis plus de vingt ans sur des équipements de test de semi-conducteurs, ce qui donne à ce partenariat élargi une base technique et relationnelle solide. Flex est un géant discret de la chaîne d'approvisionnement mondiale : l'entreprise exploite plus de 100 sites dans 30 pays, emploie 140 000 personnes, travaille avec 16 000 fournisseurs et revendique la gestion de 80 % des besoins critiques en alimentation et en calcul pour les centres de données mondiaux. Teradyne Robotics, dont le siège est à North Reading dans le Massachusetts, s'appuie sur Universal Robots et MiR pour s'imposer comme un acteur central de la robotique industrielle collaborative. L'extension de l'accord vers l'automatisation intelligente reflète une évolution naturelle face à la complexité croissante des environnements de fabrication, notamment dans l'électronique, les équipements industriels et l'infrastructure des centres de données, secteurs en pleine expansion sous l'effet de la course mondiale à l'IA.

UEFlex, qui exploite des sites de fabrication dans plusieurs pays européens parmi ses 100+ usines mondiales, pourrait déployer ces cobots et AMR dans ses lignes de production européennes dans le cadre de ce partenariat élargi.

RobotiqueActu

1 source

4MarkTechPost

Les 10 meilleurs modèles d'IA physique pour robots en 2026

En 2026, une nouvelle génération de modèles d'IA dits "physiques" s'impose comme la colonne vertébrale de la robotique industrielle et de recherche. Ces systèmes ne génèrent pas du texte, mais des commandes motrices : ils permettent à des robots réels d'exécuter des tâches complexes dans des usines, entrepôts et laboratoires. Dix modèles dominent ce paysage. NVIDIA a lancé sa série GR00T N dès mars 2025 au GTC, avec une première version ouverte et personnalisable. La version N1.7, publiée le 17 avril 2026 en accès anticipé, est un modèle de 3 milliards de paramètres, sous licence Apache 2.0, entraîné sur 20 854 heures de vidéo égocentrique humaine couvrant plus de 20 catégories de tâches. NVIDIA a également identifié la première loi d'échelle pour la dextérité robotique : passer de 1 000 à 20 000 heures de données humaines double les performances. Google DeepMind, de son côté, a dévoilé Gemini Robotics 1.5 en septembre 2025, un modèle vision-langage-action bâti sur Gemini 2.0, et a publié le 14 avril 2026 une version Gemini Robotics-ER 1.6 améliorant le raisonnement spatial, développée en collaboration avec Boston Dynamics. Ces avancées marquent un tournant concret pour l'industrie robotique. Des partenaires comme Agile Robots, Agility Robotics, Foxlink, NEURA Robotics et Lightwheel testent ou déploient déjà ces systèmes sur du matériel réel. Les modèles permettent désormais à des robots bimanuels d'accomplir des tâches en plusieurs étapes, de lire des instruments complexes, ou d'apprendre à partir de simples vidéos d'humains au travail, sans nécessiter des mois de génération de données synthétiques. NVIDIA a réduit ce délai à environ 36 heures grâce à son architecture GR00T-Dreams. Pour les opérateurs industriels, cela signifie des cycles de déploiement raccourcis et une polyvalence accrue des robots sans reprogrammation manuelle lourde. Ce bond technologique s'inscrit dans une convergence entre les grands modèles de langage et la robotique physique, amorcée depuis 18 mois environ. Des acteurs comme Physical Intelligence, avec ses modèles pi0 et pi0.5 basés sur le flow matching, Figure AI avec Helix, ou encore OpenVLA et le SmolVLA open-source d'HuggingFace LeRobot, enrichissent un écosystème désormais très dense. NVIDIA s'appuie également sur ses Cosmos World Foundation Models pour simuler des environnements d'entraînement réalistes. La compétition s'intensifie entre approches ouvertes, comme GR00T N1.7, et systèmes propriétaires à accès restreint comme Gemini Robotics 1.5, dont la disponibilité reste limitée à des partenaires sélectionnés. Les prochains mois verront probablement les premières mises en production à grande échelle dans les lignes d'assemblage et la logistique automatisée.

UEL'entreprise allemande NEURA Robotics figure parmi les partenaires industriels testant ces systèmes, et les opérateurs européens de la logistique et de l'assemblage pourraient bénéficier de cycles de déploiement robotique significativement raccourcis.

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