Aller au contenu principal
Nomadic lève 8,4 millions de dollars pour gérer les données des véhicules autonomes
RobotiqueTechCrunch AI9sem

Nomadic lève 8,4 millions de dollars pour gérer les données des véhicules autonomes

Résumé IASource uniqueImpact UE
Source originale ↗·

Nomadic a levé 8,4 millions de dollars pour résoudre l'un des problèmes les plus concrets du secteur des véhicules autonomes : la masse de données brutes générées par les robots et véhicules en circulation reste largement inexploitable. La startup propose une solution qui transforme automatiquement les séquences vidéo et capteurs collectées par ces machines en jeux de données structurés et interrogeables, grâce à un modèle de deep learning développé en interne.

L'enjeu est considérable pour les équipes d'ingénierie et de recherche : aujourd'hui, récupérer une situation précise dans des heures de footage — un piéton qui traverse hors clou, une manœuvre inhabituelle à un carrefour — nécessite un travail manuel chronophage. En rendant ces données indexables et recherchables, Nomadic permet aux développeurs de systèmes autonomes d'accélérer l'entraînement de leurs modèles et d'identifier plus rapidement les cas limites critiques pour la sécurité.

Le marché des données pour la robotique et la conduite autonome est en pleine expansion, porté par des acteurs comme Waymo, Tesla ou les nombreuses startups de livraison autonome qui accumulent des pétaoctets de données de terrain. Ce financement de 8,4 millions place Nomadic dans la catégorie des infrastructures invisibles mais essentielles de l'IA embarquée — un segment où la valeur réside moins dans le véhicule lui-même que dans la capacité à exploiter intelligemment ce qu'il observe.

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

À lire aussi

L'IA physique soulève des questions de gouvernance pour les systèmes autonomes
1AI 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
SquareMind lève 18 millions de dollars pour sa plateforme de dermatologie robotisée
2Robotics Business Review 

SquareMind lève 18 millions de dollars pour sa plateforme de dermatologie robotisée

La startup SquareMind vient de lever 18 millions de dollars pour accélérer le déploiement commercial de Swan, sa plateforme robotique dédiée au dépistage du cancer de la peau. Ce tour de table a été mené par Sonder Capital, fonds co-fondé par Fred Moll, pionnier de la robotique médicale et fondateur d'Intuitive Surgical, avec la participation notamment du Deeptech 2030 Fund géré pour le compte du gouvernement français via une initiative Bpifrance, ainsi qu'Adamed Technology, Calm/Storm Ventures et Teampact Ventures. Les fonds serviront à renforcer les équipes commerciales, d'ingénierie et de support client en vue d'un lancement prochain aux États-Unis et en Europe. Swan est décrit par SquareMind comme le premier robot au monde capable de réaliser une imagerie dermoscopique standardisée du corps entier en quelques minutes : le patient se tient debout face au bras robotisé, qui se déplace autour de lui sans contact physique en capturant l'ensemble de la surface cutanée. Le système s'intègre directement dans les workflows cliniques et est couplé à un logiciel d'IA permettant de suivre l'évolution des grains de beauté au fil du temps, tandis que le médecin conserve l'intégralité du jugement clinique. L'enjeu est considérable : le dépistage cutané est la procédure la plus fréquente en dermatologie, et la demande dépasse structurellement les capacités disponibles, avec des listes d'attente qui s'étendent sur plusieurs mois. Or 80 % des mélanomes, cancer de la peau potentiellement mortel, apparaissent sous forme de nouvelles lésions, ce qui rend la documentation exhaustive et régulière critique pour une détection précoce. Dans ce contexte, Swan vise à soulager la charge cognitive des dermatologues, de plus en plus exposés à la fatigue décisionnelle, en automatisant la phase d'imagerie et de documentation, libérant ainsi du temps pour la prise en charge clinique à valeur ajoutée. Pour les établissements de santé, la plateforme promet d'augmenter la capacité de dépistage sans nécessiter de ressources humaines supplémentaires. SquareMind a développé Swan en collaboration étroite avec des dermatologues de premier plan, ce qui lui confère une légitimité clinique solide dès le départ. L'entreprise évolue dans un secteur de la robotique médicale en pleine expansion, porté par le vieillissement démographique et une préoccupation croissante pour les soins cutanés. La participation de Bpifrance via le Deeptech 2030 Fund souligne l'ancrage franco-européen de la startup et l'intérêt stratégique des gouvernements pour les technologies médicales avancées. Avec un lancement commercial imminent des deux côtés de l'Atlantique, SquareMind se positionne pour établir Swan comme standard mondial en dermatologie moderne, sur un marché où aucune solution robotisée équivalente n'existe encore à grande échelle.

UELa startup française SquareMind, soutenue par Bpifrance via le Deeptech 2030 Fund, prépare un lancement commercial en Europe de sa plateforme robotique Swan, susceptible de renforcer les capacités de dépistage du mélanome dans des systèmes de santé confrontés à de longs délais d'attente.

RobotiqueActu
1 source
Mecka AI obtient 60 millions de dollars pour développer ses robots IA
3Le Big Data 

Mecka AI obtient 60 millions de dollars pour développer ses robots IA

La startup new-yorkaise Mecka AI a annoncé le 1er juin 2026 une levée de fonds totale de 60 millions de dollars pour accélérer le développement de son infrastructure de données destinée à la robotique intelligente. Ce financement se décompose en deux tours menés par Framework Ventures : une série A de 25 millions de dollars bouclée en novembre 2025, suivie d'un second tour de 35 millions. Parmi les autres investisseurs figurent Menlo Ventures, SV Angel, Kindred Ventures et Ted Xiao, ancien chercheur chez Google DeepMind. La société affirme déjà avoir sécurisé des contrats lui permettant de viser 100 millions de dollars de revenus annuels. Fondée par Josh Gao et Mogen Cheng, qui n'ont aucun passé dans les grands laboratoires d'IA mais viennent de la fintech et de la crypto, Mecka AI développe des dispositifs propriétaires combinant capteurs corporels et iPhone pour enregistrer à grande échelle les gestes, déplacements et interactions physiques des humains. L'enjeu central est de résoudre un problème fondamental de la robotique moderne : le manque de données dites "incarnées". Contrairement à l'IA générative, qui s'entraîne sur du texte, des images ou de l'audio, un robot qui doit agir dans le monde physique a besoin de comprendre comment un corps humain coordonne ses mouvements. Mecka AI transforme ces comportements en données d'entraînement structurées, offrant aux modèles robotiques une base plus naturelle et plus riche que la téléopération classique, où un humain pilote directement le robot pour générer des exemples d'apprentissage. Cette approche pourrait accélérer le développement de robots polyvalents capables d'opérer dans des environnements non contrôlés, de l'entrepôt logistique au domicile. Le financement de Mecka AI s'inscrit dans un repositionnement plus large du capital-risque technologique. Après des années d'investissements massifs dans les grands modèles de langage, une fraction croissante du capital se déplace vers l'IA physique, ce segment qui cherche à connecter les capacités algorithmiques à des actions concrètes dans le monde réel. Wayve, de son côté, entraîne ses systèmes de conduite autonome sur des flux vidéo embarqués, tandis que MicroAGI collecte des données dans des foyers américains pour sa robotique domestique. Mecka AI ambitionne d'industrialiser cette collecte à travers des verticales multiples et d'en faire une couche d'infrastructure partagée pour l'ensemble de l'écosystème robotique. L'originalité du profil de ses fondateurs, venus de la fintech plutôt que de la recherche académique, suggère une approche davantage orientée vers la scalabilité commerciale que vers la publication scientifique.

RobotiqueOpinion
1 source
NVIDIA lance des compétences agents pour l'IA physique : véhicules autonomes, robotique et vision
4NVIDIA 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

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