Des chercheurs inventent un capteur qui permet aux robots de voir ce qu’ils touchent

BlueME : Ils ont créé la tech qui permet aux robots de communiquer à 700m sous la mer

Des chercheurs de l'Université de Floride ont développé BlueME, une antenne magnétoélectrique compacte permettant à des robots sous-marins autonomes de communiquer entre eux sur plus de 700 mètres de profondeur. Dirigé par le Dr Md Jahidul Islam, spécialiste en robotique marine, le projet repose sur un réseau d'antennes qui vibrent à leur fréquence naturelle pour émettre des signaux électromagnétiques à très basse fréquence. La consommation énergétique du système est remarquablement faible : environ 10 watts à pleine puissance, soit moins qu'une caméra stéréo standard. Ces signaux traversent les eaux troubles, les sédiments et les environnements sous-marins les plus hostiles sans être perturbés par les particules en suspension ni les échos, contrairement aux technologies acoustiques ou laser actuellement utilisées. Cette percée répond à une limitation critique des drones sous-marins actuels : incapables d'échanger des données complexes en pleine mission, ils doivent régulièrement interrompre leurs opérations et remonter à la surface pour transmettre des informations ou recevoir de nouvelles consignes. BlueME élimine cette contrainte en offrant des communications robot-à-robot fiables et continues dans des profondeurs significatives. Les applications envisagées sont nombreuses et concrètes : les marines militaires pourraient déployer des essaims de drones coopératifs pour détecter des dangers sans exposer de personnel humain, les entreprises offshore pourraient automatiser l'inspection de pipelines sous-marins, et les scientifiques pourraient surveiller des écosystèmes marins en temps réel sans interruption de mission. L'origine de BlueME illustre la fécondité des collaborations interdisciplinaires inattendues. Le Dr Adam Khalifa, spécialiste des implants médicaux miniatures sans fil, a rejoint le projet en apportant une analogie surprenante : le corps humain, composé essentiellement d'eau légèrement salée, pose aux signaux sans fil des défis physiques similaires à ceux rencontrés en milieu sous-marin. L'eau salée absorbe rapidement les ondes radio, forçant habituellement le recours à des antennes volumineuses ou à des niveaux de puissance élevés pour maintenir une communication. En transposant les techniques développées pour faire transiter des signaux à travers les tissus humains, l'équipe a conçu une architecture radicalement différente. Alors que la course à l'autonomie des drones sous-marins s'intensifie, notamment dans les secteurs de la défense, de l'énergie et de la recherche océanographique, BlueME positionne l'Université de Floride comme un acteur clé d'une infrastructure de communication sous-marine qui reste aujourd'hui l'un des derniers grands angles morts des réseaux connectés mondiaux.

Amazon et l'université du Michigan dotent des robots d'un sens du toucher

Amazon et l'Université du Michigan ont développé HydroShear, un nouveau simulateur physique qui donne aux robots un véritable sens du toucher pour manipuler des objets avec précision. Le projet s'attaque à un problème resté sans solution malgré des années de recherche : modéliser le cisaillement tactile, c'est-à-dire les forces qui apparaissent quand un objet glisse ou tourne au contact d'un capteur. Les équipes se sont appuyées sur des capteurs tactiles à base de vision, comme le GelSight Mini, dont les caméras intégrées dans des embouts souples capturent la géométrie du contact. Pour calibrer leur simulateur, les chercheurs ont collecté des données réelles avec un bras robotique, isolant quatre paramètres clés : la dissipation des forces sur la surface du capteur, l'accumulation des forces tangentielles et normales, et le coefficient de friction entre l'objet et l'élastomère. Résultat : des politiques de manipulation entraînées entièrement en simulation ont été transférées sans aucune modification vers des robots réels, avec un taux de réussite moyen de 93% sur quatre tâches complexes, dont l'insertion de chevilles cylindriques. Cette avancée compte parce qu'elle lève un verrou majeur pour l'automatisation dans des secteurs comme la logistique entrepôt ou l'assistance chirurgicale, où les robots doivent accomplir des tâches délicates nécessitant un contact fin avec les objets. Jusqu'ici, les simulateurs de physique peinaient à reproduire fidèlement les forces tactiles subtiles : les méthodes basées sur les éléments finis sont précises mais trop lentes pour entraîner des politiques d'apprentissage par renforcement à grande échelle, tandis que les approximations plus rapides simplifient à l'excès la dynamique du contact et ratent des événements critiques, comme l'instant où un objet saisi commence à glisser. En résolvant ce compromis, Amazon et l'université ouvrent la voie à des robots capables d'apprendre des compétences de manipulation dextre directement en simulation, sans coûteuses phases d'essais physiques, ce qui pourrait accélérer le déploiement de robots plus habiles dans l'industrie et réduire les coûts de développement. L'innovation centrale de HydroShear repose sur ce que les chercheurs appellent le suivi de force dépendant du chemin parcouru, une extension des modèles de contact hydroélastique existants. Contrairement aux méthodes classiques qui calculent les forces uniquement à partir du contact instantané, HydroShear conserve en mémoire l'historique du mouvement de l'objet sur le capteur, suivant individuellement chaque point de contact pour modéliser la déformation de l'élastomère souple. Le système gère des mouvements en trois dimensions complets, incluant l'inclinaison et le roulement, et peut être parallélisé sur GPU pour permettre un entraînement à grande échelle. Cette capacité à combiner fidélité physique et rapidité de calcul pourrait redéfinir la manière dont l'industrie robotique conçoit et entraîne ses systèmes de préhension, ouvrant la voie à une nouvelle génération de robots capables de manipuler des objets avec une dextérité proche de celle de la main humaine.

💬 Sur le papier, ça résout un vrai casse-tête : entraîner en simu sans jamais toucher un vrai robot avant, et ça marche à 93% en transfert direct. C'est ce chiffre qui compte, pas le nom du modèle : jusqu'ici l'écart simu-réel sur le toucher forçait à passer par des phases d'essais physiques longues et chères, et si HydroShear tient sa promesse, ça change le coût d'entrée pour développer des mains robotiques dextres. Reste à voir si ça tient sur d'autres tâches que les quatre testées, parce qu'un simulateur qui généralise bien sur des chevilles cylindriques n'a encore rien prouvé sur le reste.

Les modèles d'action universels permettent aux robots de simuler les conséquences avant d'agir

Les World Action Models (WAM) constituent une nouvelle famille de modèles d'IA pour la robotique, documentée dans une étude récente qui recense et organise une centaine de publications scientifiques autour de deux grandes lignes architecturales. Contrairement aux systèmes actuels, ces modèles ne se contentent pas d'associer des mouvements à des images de caméra : ils simulent mentalement les conséquences d'une action avant de l'exécuter, en modélisant comment l'environnement va évoluer. L'enjeu est considérable pour le secteur. Les robots industriels et domestiques actuels restent fragiles face à l'imprévu, car leurs modèles n'ont aucune représentation interne de la physique du monde. Les WAM offrent une capacité de planification proactive : un bras robotique peut anticiper qu'attraper un objet d'une certaine façon le fera basculer, et corriger sa trajectoire avant même de bouger. Cela ouvre la voie à des robots beaucoup plus robustes et adaptables dans des environnements non contrôlés. L'avantage décisif de cette approche réside dans les données d'entraînement : les WAM peuvent apprendre à partir de vidéos ordinaires du monde réel, sans étiquetage des actions robotiques, un type de donnée qui était jusqu'ici quasi inutilisable pour les IA robotiques classiques. Cette propriété lève un verrou majeur, car les vidéos non annotées sont disponibles en quantité massive sur internet. La compétition entre laboratoires de recherche et géants de la tech pour maîtriser ce type de modèle devrait s'intensifier dans les prochains mois.

💬 Ce qui m'intéresse là-dedans, c'est pas le robot qui réfléchit avant de bouger, c'est qu'il peut apprendre à partir de vidéos ordinaires, sans annotation spécifique. Les données robotiques étiquetées coûtent une fortune à produire, les vidéos YouTube non, et il y en a des milliards d'heures. C'est le genre de verrou qui, une fois levé, accélère tout le reste.

Des blocs reconfigurables permettent aux robots d'assembler et réutiliser des bâtiments

Des chercheurs du MIT ont mis au point un système de construction modulaire dans lequel des unités structurelles légères, appelées voxels, peuvent être assemblées par des robots pour former des bâtiments à l'échelle réelle. Publiés par le groupe de recherche du MIT, ces travaux présentent des blocs géométriquement conçus pour s'emboîter sans fixations permanentes, selon un principe de réseau en treillis où les forces se répartissent sur l'ensemble de l'assemblage plutôt que de se concentrer dans des colonnes ou des poutres isolées. Les robots progressent le long de la structure au fur et à mesure de sa construction, plaçant et connectant chaque unité en séquence. L'ensemble du système a été pensé autour de ce que les machines peuvent exécuter de manière fiable, une logique inverse par rapport au chantier traditionnel, où les outils robotiques sont généralement intégrés à des méthodes conçues pour des équipes humaines. L'enjeu est à la fois environnemental et économique. Les chercheurs estiment que la construction par voxels pourrait produire une empreinte carbone nettement inférieure à celle des méthodes conventionnelles, grâce à deux facteurs : une utilisation plus légère des matériaux par volume construit, et la possibilité de récupérer et de réutiliser les composants en fin de vie plutôt que de les démolir. Le béton et l'acier génèrent d'importants volumes de carbone incorporé lors de leur fabrication ; un voxel, lui, pourrait théoriquement traverser plusieurs bâtiments successifs au cours de sa durée de vie. L'automatisation modifie également l'équation du travail : en confiant les tâches de placement répétitives à des robots, le système pourrait réduire les coûts et accélérer les délais de construction pour des structures standardisées. Le projet s'inscrit dans une trajectoire de recherche plus large sur la construction numérique, l'idée que les bâtiments, à l'image de produits manufacturés, peuvent être spécifiés en unités discrètes lisibles par des machines. Mais des limites importantes subsistent à ce stade. Le système s'applique uniquement à des formes géométriquement simples ; les plans irréguliers, les structures mixtes en hauteur et l'intégration des réseaux électriques, de plomberie ou de climatisation dans les parois portantes restent hors de portée. L'imperméabilité, l'isolation thermique et acoustique ne sont pas non plus résolues par la géométrie des voxels seuls. La question de la montée en échelle vers des chantiers multi-étages en conditions réelles demeure entière. Si ces obstacles sont surmontés, l'approche pourrait transformer en profondeur la manière dont architectes et ingénieurs conçoivent et démantèlent les bâtiments de demain.