RobotiqueHuggingFace Blog · 5 mars 2026, 15:16· 1 min de lecture

Apportant l'IA des robotiques sur les plateformes embarquées : enregistrement de données, affinage fine VLA et optimisations sur appareil

Cet article traite de l'application de l'intelligence artificielle des robots sur des plateformes embarquées grâce à la collecte de données, le affinage précis du VLA et les optimisations on-device.

Impact France/UE

L'application décrite dans l'article permet aux entreprises françaises et européennes de robotique de développer des systèmes plus efficaces et autonomes grâce à l'amélioration des algorithmes d'IA embarquée, en conformité potentielle avec le futur AI Act, tout en respectant les exigences du RGPD concernant les données collectées et traitées sur appareils.

Cet article vous a été utile ?

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

À lire aussi

1arXiv cs.RO

Optimisation cinématique des rapports de longueur des phalanges dans les mains robotiques par dextérité potentielle

Des chercheurs ont publié sur arXiv (référence 2604.20686) un cadre méthodologique permettant d'optimiser les proportions des phalanges dans les mains robotiques à cinq doigts, sans avoir à définir au préalable des objets précis ou des tâches de manipulation. Le système repose sur quatre métriques d'évaluation : la manipulabilité globale, le volume de l'espace de travail atteignable, le volume d'espace de travail partagé entre les doigts, et la sensibilité des extrémités. L'espace de travail est discrétisé via une représentation en voxels, et les mouvements articulaires sont découpés à intervalles uniformes pour permettre une évaluation systématique. L'optimisation s'applique séparément au pouce et aux quatre autres doigts, en excluant les combinaisons de conception qui ne génèrent pas de chevauchement d'espace de travail entre les doigts. Ce travail répond à un problème concret du développement robotique : jusqu'ici, évaluer quantitativement l'impact des ratios de longueur des phalanges sur la dextérité nécessitait de simuler des scénarios de manipulation spécifiques, ce qui rendait la phase de conception longue et peu généralisable. En proposant une fonction objectif pondérée applicable dès la phase de conception cinématique, les auteurs offrent aux ingénieurs un outil de décision précoce, indépendant des cas d'usage. Les résultats montrent que chaque phalange ne contribue pas de manière égale à la dextérité globale, et que le choix des coefficients de pondération ne conduit pas mécaniquement à maximiser chaque indicateur individuellement, en raison de la distribution non uniforme des mesures dans l'espace de conception. La conception des mains robotiques multi-doigts constitue l'un des défis persistants de la robotique humanoïde et de la manipulation industrielle. Des acteurs comme Boston Dynamics, Shadow Robot ou Agility Robotics investissent massivement dans la dextérité des effecteurs, qui conditionne directement l'utilisabilité des robots dans des environnements non structurés. Ce cadre méthodologique, en analysant systématiquement les compromis entre accessibilité, dextérité et contrôlabilité, pourrait accélérer les cycles de prototypage et s'imposer comme référence dans la conception cinématique des mains robotiques de nouvelle génération.

RobotiquePaper

1 source

2Apple Machine Learning

MoMo : le "mode mouvement" pour la manipulation robotique via tokenisation spatio-temporelle des actions

Une équipe de recherche en robotique présente MoMo, un nouveau système d'apprentissage par imitation permettant aux robots manipulateurs de faire varier la façon dont ils exécutent leurs gestes, et pas seulement les gestes eux-mêmes. Concrètement, MoMo repose sur deux étages: un tokeniseur d'actions spatio-temporel qui encode les mouvements dans le temps et l'espace, puis un transformeur de clonage comportemental qui prend en entrée la tâche à accomplir ainsi qu'un paramètre continu appelé mode de mouvement. Les chercheurs ont testé leur approche sur six tâches de manipulation réalisées par un robot réel, et ont montré qu'en faisant varier ce paramètre de mode de mouvement, le comportement du bras robotique évolue de façon régulière et contrôlable, sans nécessiter de réentraînement pour chaque style d'exécution. Cette capacité répond à un besoin concret de l'industrie robotique: un même robot doit souvent adapter la vitesse, la fluidité ou la prudence de ses gestes selon le contexte, par exemple manipuler un objet fragile plus lentement qu'un objet robuste, ou ajuster son comportement selon la présence d'un humain à proximité. Jusqu'ici, la plupart des systèmes de clonage comportemental apprenaient une seule façon d'exécuter chaque tâche, ce qui limitait leur flexibilité en usage réel. En traitant le style d'exécution comme un facteur réutilisable et partagé entre les tâches, MoMo ouvre la voie à des robots capables de moduler leur comportement à la demande, un atout pour les applications industrielles et domestiques où les conditions varient constamment. Ce travail s'inscrit dans une tendance plus large de la recherche en robotique, qui cherche à rendre l'apprentissage par imitation plus général et plus adaptable, au-delà de la simple reproduction de démonstrations humaines. La tokenisation spatio-temporelle des actions, en particulier, s'impose progressivement comme un outil clé pour représenter des mouvements complexes de manière compacte et manipulable par des modèles de type transformeur. Les prochaines étapes pour cette ligne de recherche incluront probablement l'extension à un plus grand nombre de tâches et de robots, ainsi que l'intégration de ce contrôle du style de mouvement dans des systèmes robotiques déployés en conditions réelles.

RobotiquePaper

1 source

3Next INpact

Robots domestiques : la collecte de données d’entraînement passe par le ménage gratuit

La startup allemande MicroAGI a lancé à New York un service baptisé Shift qui propose le nettoyage gratuit d'appartements par des professionnels, en échange d'un consentement précis : les agents portent des caméras filmant chacun de leurs gestes pendant l'intervention. Ces vidéos constituent des données d'entraînement pour des intelligences artificielles destinées à piloter des robots domestiques. L'entreprise rémunère par ailleurs des volontaires 20 dollars de l'heure pour enregistrer leurs tâches quotidiennes chez eux ou au travail. Au premier trimestre 2026, MicroAGI affirme avoir versé plus de 5 millions de dollars à 10 000 "opérateurs" répartis dans une dizaine de pays. Ce modèle répond à un problème structurel que toute l'industrie de la robotique humanoïde bute sur le même mur : l'absence de corpus de données équivalent à ce dont disposent les modèles de langage. Là où une IA générative peut s'alimenter de milliards de textes produits par l'humanité, un robot domestique a besoin de voir des milliers d'heures de mains humaines en train de frotter, plier, trier, saisir. Le constructeur 1X l'a illustré concrètement avec son humanoïde Neo, qui dépend encore régulièrement d'un téléopérateur humain pour accomplir certaines tâches chez le client. Shift contourne le problème en finançant la collecte par la valeur même des enregistrements, transformant le nettoyage en une transaction data contre service. La question de la vie privée est au coeur du modèle, et MicroAGI la gère avec des promesses techniques et juridiques dont la robustesse reste à éprouver. Les caméras floutent automatiquement visages, documents, écrans et pièces d'identité directement à la capture, avant tout téléversement. L'entreprise invoque le RGPD pour garantir un droit à l'effacement, mais considère simultanément que les données anonymisées échappent au champ des lois sur la protection des données, une position juridique contestable. Shift s'inscrit dans une tendance plus large de "travail du clic" appliqué à la robotique, où des entreprises comme Scale AI ou Labeling Tech ont construit des modèles comparables pour d'autres types de données. Avec des investissements massifs dans les humanoïdes chez Figure, Apptronik ou Tesla, la compétition pour ces corpus d'entraînement va s'intensifier, et les appartements new-yorkais ne seront vraisemblablement pas les derniers à servir de terrain de collecte.

UELa startup allemande MicroAGI invoque le RGPD pour légitimer sa collecte de données dans des domiciles privés, mais sa position juridique sur l'anonymisation des données est contestable et pourrait attirer l'attention des autorités européennes de protection des données.

RobotiqueOpinion

1 source

4The Decoder

Nouveaux modèles de robotique : Ai2 met à disposition des versions entraînées uniquement en simulation pour éviter la collecte de données dans le monde réel

L'Allen Institute for AI (Ai2) franchit une étape significative dans le domaine de la robotique en publiant de nouveaux modèles entraînés exclusivement en environnements virtuels simulés, sans recourir à la moindre donnée issue du monde réel. Ces modèles sont capables d'opérer dans des environnements physiques réels malgré l'absence totale de données d'entraînement réelles, une démonstration qui remet en question une hypothèse fondamentale du domaine. L'enjeu est considérable : la collecte de données robotiques dans le monde réel est l'un des principaux goulets d'étranglement du secteur. Elle est coûteuse, lente et difficile à mettre à l'échelle. Si la simulation seule suffit à produire des modèles fonctionnels, cela ouvre la voie à un développement beaucoup plus rapide et accessible de systèmes robotiques, en particulier pour des acteurs qui ne disposent pas de flottes de robots physiques ou d'infrastructures de collecte à grande échelle. Ai2 s'inscrit dans une tendance plus large dite de "sim-to-real transfer", qui consiste à entraîner des agents dans des mondes virtuels avant de les déployer dans la réalité. Ce qui distingue ici l'approche de l'institut, c'est la revendication d'un transfert sans aucune donnée réelle, là où la plupart des méthodes actuelles combinent simulation et fine-tuning sur données physiques. Les modèles sont mis à disposition publiquement, signalant une volonté de contribuer à la recherche ouverte en robotique. Cette publication pourrait accélérer les travaux sur des architectures de modèles robotiques plus généralisables, réduisant la dépendance aux données propriétaires coûteuses, un avantage stratégique non négligeable à mesure que la compétition dans la robotique incarnée s'intensifie entre laboratoires académiques et acteurs industriels comme Google DeepMind, Figure ou Physical Intelligence.

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

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic