Robotique

La Chine entraîne ses robots dans le monde réel plutôt qu’en laboratoire

Selon les informations disponibles, des chercheurs chinois développent leurs robots humanoïdes en les testant directement en conditions réelles plutôt qu'en environnement contrôlé de laboratoire. L'approche consiste à sortir les machines des centres de recherche pour les confronter à des situations concrètes de la vie quotidienne, où elles doivent interagir avec des humains dans des contextes non scénarisés. Cette stratégie d'apprentissage par l'expérimentation directe vise à accumuler des données issues de situations variées et imprévisibles, difficiles à reproduire artificiellement en laboratoire. Les équipes de recherche chinoises misent ainsi sur le volume et la diversité des interactions réelles pour affiner les capacités de leurs robots. Cette méthode répond à un défi central de la robotique humanoïde : un robot qui excelle dans un environnement contrôlé échoue souvent face à l'imprévisibilité du monde réel, que ce soient les irrégularités d'un trottoir, les réactions imprévues d'un passant ou les obstacles non répertoriés. En multipliant les expositions à ces situations concrètes, la Chine cherche à accélérer l'acquisition de comportements adaptatifs plus robustes que ceux obtenus par simulation seule. L'enjeu est de taille pour l'industrie : la capacité à déployer des robots réellement fonctionnels en environnement humain conditionne l'ensemble des applications commerciales visées, du service à la personne à l'assistance logistique, et pourrait déterminer qui prendra l'avantage sur ce marché émergent. Cette approche s'inscrit dans la compétition mondiale intense autour de la robotique humanoïde, où la Chine investit massivement pour rattraper puis dépasser les acteurs occidentaux et notamment américains sur ce terrain. Les entreprises chinoises du secteur bénéficient d'un soutien étatique important et d'un écosystème industriel favorable au déploiement rapide de prototypes à grande échelle. Reste à savoir si cette stratégie du terrain, plus risquée en termes de sécurité et d'image, permettra réellement de combler l'écart technologique avec des acteurs qui misent davantage sur la simulation et les tests contrôlés avant tout déploiement public.

Robostral Navigate de Mistral AI : un modèle de 8 milliards de paramètres qui permet aux robots de naviguer dans des environnements complexes avec une simple caméra RGB

Mistral AI a dévoilé Robostral Navigate, son premier modèle conçu pour la navigation robotique incarnée. Ce modèle de 8 milliards de paramètres prend en entrée des images RGB issues d'une simple caméra et une instruction en langage naturel, puis pilote un robot à travers un environnement complexe, qu'il s'agisse de bureaux, d'immeubles résidentiels ou commerciaux, ou d'espaces extérieurs. Contrairement à la plupart des systèmes de navigation qui s'appuient sur des capteurs de profondeur, du LiDAR ou plusieurs caméras, Robostral Navigate fonctionne avec une seule caméra RGB classique, sans capteur de profondeur. Il atteint 79,4% de taux de réussite sur le benchmark R2R-CE (Room-to-Room in Continuous Environments, basé sur Matterport3D) en validation sur environnements connus, et 76,6% en validation sur environnements inconnus, dépassant de 9,7 points la meilleure approche à caméra unique et de 4,5 points les meilleurs systèmes utilisant profondeur ou caméras multiples. Pour l'entraînement, Mistral a généré environ 400 000 trajectoires réparties sur 6 000 scènes simulées, et a appliqué ensuite un algorithme d'apprentissage par renforcement en ligne nommé CISPO, qui a permis un gain supplémentaire de 3,2% de taux de réussite. Cette avancée compte pour l'industrie robotique car elle réduit drastiquement le coût matériel nécessaire à une navigation autonome fiable: une seule caméra ordinaire suffit là où les concurrents multiplient les capteurs LiDAR ou de profondeur, ce qui rend le déploiement à grande échelle plus abordable pour les fabricants de robots domestiques, industriels ou de service. La méthode de "pointing", où le modèle prédit directement les coordonnées du point cible dans l'image plutôt que des déplacements métriques, rend aussi le système plus robuste aux changements de caméra ou d'échelle du monde réel, un problème récurrent qui limitait jusqu'ici la généralisation des robots entre différents matériels. Enfin, l'optimisation de l'entraînement via une technique de mise en cache des préfixes a permis de réduire le nombre de tokens d'entraînement par un facteur 22, transformant des cycles de recherche qui prenaient des mois en quelques jours seulement. Ce lancement s'inscrit dans la stratégie plus large de Mistral AI visant à construire des modèles fondamentaux au-delà du seul traitement du langage, en misant sur ses modèles de vision-langage déjà entraînés pour des tâches de repérage, de comptage et de localisation d'objets, dont la navigation apparaît comme une extension naturelle. Cette approche s'oppose au recours classique aux modèles open source existants et positionne l'entreprise française comme un acteur crédible face aux géants américains dans la course à la robotique généraliste, un secteur où Google DeepMind, Tesla et plusieurs startups spécialisées investissent massivement. Les prochaines étapes attendues concernent probablement l'élargissement à d'autres tâches de manipulation robotique et le déploiement sur du matériel commercial réel.

💬 Reste à voir si ça tient en prod, mais sur le papier c'est du solide : Mistral divise le coût matériel de la navigation robotique en remplaçant LiDAR et caméras multiples par une simple caméra RGB, et ça bat quand même les systèmes plus équipés sur R2R-CE. Le vrai coup, c'est la méthode de pointing qui prédit un point cible dans l'image plutôt qu'un déplacement métrique, ça règle un problème de généralisation qui plombait le secteur depuis des années. Selon Le Fil IA, Mistral vient de prouver qu'on n'a plus besoin de capteurs chers pour faire naviguer un robot correctement, et ça change le calcul économique de toute une industrie.

Le socle logiciel pour robots polyvalents

X Square Robot, entreprise chinoise spécialisée dans l'IA incarnée, mise sur une pile technologique intégrée pour doter les robots d'une capacité générale, faute de recette éprouvée comme celle qui a fonctionné pour les grands modèles de langage. Sa stack combine des données d'interaction, un modèle du monde capable de prédire les changements physiques, et un modèle d'action regroupant perception, planification, raisonnement et décision, le tout réuni dans une architecture baptisée World Unified Model. L'entreprise a développé un système de collecte de données, l'Universal Manipulation Interface, commercialisé sous le nom QUANXTA Zero Series : des humains portant un dispositif à double pince enregistrent des démonstrations, sans passer par la téléopération d'un robot. La particularité tient à un contrôle qualité strict, avec une boucle d'inspection qui rejoue physiquement un échantillon de trajectoires sur un vrai robot ; seules celles qui accomplissent réellement la tâche sont retenues comme valides. Une pince qui se referme une fraction de seconde trop tôt, par exemple, ressemble à une saisie réussie dans les données mais a en fait repoussé l'objet, et se trouve donc écartée. X Square Robot pré-entraîne ensuite ses modèles sur un large volume de démonstrations humaines avant d'ajouter une petite quantité de données robotiques réelles pour ancrer le modèle à la dynamique précise de la machine. Cette approche s'attaque à ce que l'entreprise considère comme le principal frein au développement de robots généralistes : non pas le nombre de paramètres des modèles, mais le coût et la qualité des données d'interaction. Selon X Square Robot, la combinaison de données humaines bon marché et d'un faible volume de données robotiques permet d'atteindre des performances comparables à un jeu de données entièrement robotique, pour un coût de collecte environ 20 fois inférieur, principalement parce que le dispositif portable coûte beaucoup moins cher à déployer qu'une flotte de robots téléopérés. Pour l'industrie, cela change la donne économique de l'entraînement robotique et pourrait accélérer l'émergence de robots capables de transférer leurs compétences d'une tâche à une autre, voire d'une machine à une autre, un problème resté largement irrésolu jusqu'ici. Le choix de publier cette pile en accès ouvert s'inscrit dans un débat plus large sur la manière de construire l'IA incarnée : faut-il un modèle unique et massif, ou un ensemble de composants complémentaires partageant une base de code commune, comme le défend X Square Robot avec ses modèles du monde et d'action présentés comme indépendants mais liés ? L'entreprise mise sur trois principes structurants : considérer l'interaction, et non la simple trajectoire, comme unité de base des données robotiques ; viser un pré-entraînement directement exploitable plutôt qu'une simple initialisation à affiner ; et modéliser le comportement autour d'événements physiques plutôt que de simples découpages temporels. Ces choix, encore débattus dans le secteur, positionnent X Square Robot parmi les acteurs qui tentent de définir la future norme technique des robots généralistes, dans un contexte de concurrence croissante entre laboratoires chinois et occidentaux sur ce terrain.

💬 C'est ce genre de choix technique qui va décider qui gagne la course aux robots généralistes. X Square Robot parie sur des humains qui filment leurs mains plutôt que sur des flottes de robots téléopérés, et ça change tout niveau coût, environ 20 fois moins cher. Le vrai test c'est leur boucle de contrôle qualité, rejouer les trajectoires sur un vrai robot pour virer les fausses bonnes prises, ça sent le truc pensé par des gens qui se sont pris le nez dans le mur en prod.

La Chine dévoile Orca, un modèle du monde qui égale les systèmes robotiques spécialisés sans avoir jamais vu la moindre étiquette d'action

L'Académie de Pékin pour l'Intelligence Artificielle (BAAI) a dévoilé Orca, un nouveau modèle du monde conçu pour prédire des états abstraits de l'environnement plutôt que des tokens ou des pixels bruts. Le système a été entraîné sur 125 000 heures de vidéo, sans qu'aucune étiquette d'action n'ait été fournie durant l'apprentissage. Malgré cette absence totale de supervision directe sur les gestes à accomplir, Orca parvient à égaler les performances de π0.5, un modèle spécialisé de référence en robotique, sur cinq tâches distinctes de manipulation robotique. Ce résultat compte parce que l'entraînement de systèmes robotiques performants se heurte depuis longtemps à un obstacle majeur : la rareté des données annotées avec des actions précises, coûteuses à collecter car elles nécessitent souvent des démonstrations physiques enregistrées manuellement. En apprenant uniquement à partir de vidéos brutes, Orca ouvre la voie à des modèles capables de généraliser à partir de sources bien plus abondantes et moins onéreuses à réunir, comme les innombrables heures de contenu vidéo déjà disponibles en ligne. Pour les industriels de la robotique, cela pourrait réduire drastiquement le coût et le temps nécessaires pour doter des machines de nouvelles compétences. Cette approche s'inscrit dans une tendance plus large de la recherche en IA, où les modèles du monde gagnent du terrain face aux architectures classiques centrées sur la prédiction de texte ou d'image. La BAAI, acteur chinois de premier plan dans la recherche fondamentale en intelligence artificielle, mise sur cette représentation abstraite pour rapprocher la compréhension du monde physique par les machines de celle des humains, qui raisonnent rarement en pixels. Reste à voir si Orca tiendra ses promesses sur des tâches robotiques plus complexes et diversifiées, au-delà des cinq scénarios testés jusqu'ici.

💬 Le vrai coup, c'est l'absence totale d'étiquettes d'action pendant l'entraînement, Orca apprend juste en regardant des vidéos et ça suffit à rivaliser avec un modèle spécialisé en robotique. Si ça se confirme sur des tâches plus complexes, ça veut dire qu'on peut former des robots avec le stock de vidéos déjà sur internet plutôt qu'avec des démonstrations physiques hors de prix à collecter. Cinq tâches testées, c'est encore mince pour crier victoire, mais le principe change la donne sur le coût d'accès à la robotique généraliste.

Ant Group dévoile LingBot-VA 2.0, un modèle causal vidéo-action conçu nativement pour l'IA physique

Ant Group, via sa filiale dédiée à l'IA incarnée Robbyant, a dévoilé LingBot-VA 2.0, un modèle fondation vidéo-action conçu nativement pour le contrôle de robots généralistes. Contrairement à l'approche dominante qui consiste à réutiliser un VAE de reconstruction et un backbone de diffusion vidéo bidirectionnel pensé pour la création de contenu, puis à y greffer un module d'action, l'équipe de recherche a préentraîné l'intégralité de la pile pour l'incarnation robotique dès le départ. La première version de LingBot-VA avait consisté à affiner un modèle existant vers une architecture causale ; la version 2.0 va plus loin en préentraînant directement un DiT (Diffusion Transformer) causal. Le système repose sur deux briques : un tokenizer visuel-action sémantique, qui aligne les latents visuels sur un encodeur de perception gelé et extrait des variables de transition compactes entre images consécutives via des modèles de dynamique directe et inverse, et un DiT causal à mélange d'experts épars (MoE) comprenant 128 experts routés SwiGLU avec un routage top-8. Le backbone vidéo pèse environ 13 milliards de paramètres, dont 1,9 milliard actifs, et l'ensemble du système atteint 15,3 milliards de paramètres pour 2,5 milliards actifs par inférence. Cette refonte architecturale répond à des limites concrètes qui freinaient jusqu'ici le déploiement de robots généralistes capables d'exécuter des tâches de manipulation complexes. Le débruitage itératif typique des modèles de diffusion vidéo est trop lent pour du contrôle en boucle fermée, où chaque décision doit s'enchaîner en temps quasi réel. De plus, les objectifs d'entraînement génériques utilisés pour la génération vidéo n'apprennent jamais à un modèle comment ses actions transforment concrètement le monde physique, un manque comblé ici par le partage d'un même espace latent entre états du monde et actions, ce qui permet d'exploiter de la vidéo web non annotée comme source de supervision. Pour l'industrie de la robotique, cela représente un pas vers des modèles capables d'apprendre à manipuler des objets sans dépendre exclusivement de données de téléopération coûteuses à collecter, tout en gagnant en vitesse d'entraînement. L'équipe a également introduit une technique de prédiction multi-segments (MCP) pour éviter que le modèle ne se contente de copier l'apparence des images plutôt que d'apprendre une dynamique réelle, obtenant en test un gain de vitesse d'entraînement de 2,3 fois. Cinq objectifs sont coentraînés simultanément, du texte-vers-image jusqu'à la coopération humain-robot, selon un calendrier progressif allant de l'ancrage visuel simple au contrôle vidéo-action complet. Au-dessus de cette politique de contrôle par segments, un planificateur VLM affiné par LoRA génère des instructions structurées à environ 2 Hz, opérant en parallèle asynchrone pour ne jamais bloquer l'exécution du robot, un mécanisme que Robbyant nomme "raisonnement par anticipation" et qui vise à réduire la latence perçue lors de l'exécution de tâches physiques.

💬 LingBot-VA 2.0, c'est le genre de truc qu'on attendait depuis 2 ans dans la robotique : au lieu de bricoler un module d'action sur un générateur vidéo pensé pour du contenu, Ant Group repart de zéro avec une pile entraînée nativement pour l'action. Le vrai apport, c'est de partager le même espace latent entre états du monde et actions, ça permet d'apprendre sur de la vidéo web brute sans dépendre uniquement de téléopération, qui coûte une fortune à collecter. Selon Le Fil IA, cette architecture illustre le vrai goulot d'étranglement de la robotique généraliste aujourd'hui : ce n'est plus la puissance de calcul, c'est la donnée d'entraînement de qualité et son coût de collecte.

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.

Pourquoi l’Europe pourrait devenir le premier marché mondial des robots humanoïdes

Le secteur des robots humanoïdes est en train de passer du stade de simple vitrine technologique à celui d'industrie naissante. Depuis deux ans, les annonces s'enchaînent : Tesla accélère le développement de son robot Optimus, Figure AI a commencé à déployer ses premiers modèles directement sur des sites industriels, et la Chine voit émerger des dizaines de fabricants capables de produire ces machines à des coûts de plus en plus bas, grâce à une chaîne d'approvisionnement locale déjà rodée sur l'électronique et la robotique. Dans ce contexte de course mondiale entre les Etats-Unis et la Chine, une question émerge : quelle place reste-t-il pour l'Europe, qui n'a pour l'instant produit aucun acteur comparable à Tesla ou Figure AI sur ce segment. C'est justement là que se joue l'enjeu principal : plutôt que de rivaliser sur la fabrication, l'Europe pourrait s'imposer comme le principal marché de déploiement de ces robots. Son tissu industriel dense, ses usines automobiles et logistiques, ainsi que sa pénurie de main-d'œuvre dans certains secteurs manuels en font un terrain d'adoption particulièrement favorable. Pour les industriels européens, l'enjeu n'est plus seulement de suivre l'innovation américaine ou chinoise, mais de décider rapidement quels partenaires équiper en priorité, ce qui pourrait redessiner les rapports de force entre fournisseurs de robots et donneurs d'ordre. Cette dynamique s'inscrit dans une compétition technologique plus large entre les Etats-Unis, qui misent sur l'innovation portée par des entreprises comme Tesla et Figure AI, et la Chine, qui mise sur les volumes et la baisse des coûts de production. L'Europe, dépourvue de champion national dans ce domaine, devra choisir entre importer massivement ces technologies ou tenter de construire sa propre filière industrielle, une décision dont dépendra sa position dans cette nouvelle chaîne de valeur mondiale.

💬 Le vrai coup de billard, c'est que l'Europe n'a pas besoin de fabriquer un Optimus pour peser dans cette histoire. Elle a des usines qui tournent déjà et personne pour les faire tourner, ça change tout sur qui a le rapport de force. Selon Le Fil IA, le prochain champion des robots humanoïdes ne sera peut-être pas celui qui les construit, mais celui qui décide où ils vont travailler en premier. Reste à voir si les industriels européens jouent groupés ou si chacun négocie dans son coin, et ça, ça sent le retard classique made in Europe.

Robbyant lance LingBot-VLA 2.0, un modèle VLA open source de 6 milliards de paramètres pour la manipulation robotique multi-morphologies

Robbyant, filiale d'Ant Group, a publié LingBot-VLA 2.0, un modèle fondation de type Vision-Language-Action (VLA) destiné au contrôle de robots, accompagné d'un rapport technique, d'un code source sous licence Apache-2.0 et d'un checkpoint de 6 milliards de paramètres. Ce modèle, baptisé lingbot-vla-v2-6b, s'appuie sur Qwen3-VL-4B-Instruct comme backbone vision-langage et convertit des images de caméra ainsi qu'une instruction textuelle en commandes robotiques concrètes. Deux modèles enseignants, LingBot-Depth et DINO-Video, supervisent l'entraînement par distillation. Sur une carte graphique NVIDIA GeForce RTX 4090D, une inférence prend environ 130 millisecondes avec 10 étapes de débruitage. L'entraînement s'appuie sur environ 60 000 heures de données, dont 50 000 heures de trajectoires robotiques couvrant 20 configurations différentes, du bras unique à l'humanoïde complet, et 10 000 heures de vidéos égocentriques humaines, issues d'un pool brut de 90 000 et 20 000 heures respectivement, filtré par un pipeline qui élimine les échantillons bruités via des scores de secousse, vitesse et accélération. L'annotation des sous-tâches repose sur le modèle Qwen3.6-27B, qui segmente chaque vidéo selon un vocabulaire fermé de 18 catégories d'actions. L'enjeu central visé par Robbyant est de combler l'écart persistant entre les performances des modèles VLA en laboratoire et leurs limites en déploiement réel, un problème récurrent qui freine l'adoption industrielle de la robotique généraliste. En unifiant la représentation des actions dans un vecteur canonique de 55 dimensions, couvrant bras, effecteurs, mains, poignets, tête et base mobile, LingBot-VLA 2.0 permet à un seul modèle de piloter des architectures robotiques très différentes sans réentraînement spécifique. Cette approche pourrait accélérer le déploiement de robots polyvalents dans l'industrie et la logistique, en réduisant les coûts de développement liés à la création d'un modèle par type de robot. L'ouverture du code sous licence permissive vise aussi à stimuler la recherche communautaire sur les modèles VLA multi-embodiment. Le choix d'une architecture Mixture-of-Experts pour l'expert d'action, inspirée des mécanismes de routage sans perte d'équilibrage introduits par DeepSeek-V3, s'inscrit dans une tendance plus large de la recherche en IA visant à augmenter la capacité des modèles sans alourdir le calcul actif. À paramètres actifs équivalents, cette architecture MoE surpasse un modèle dense de référence sur les tâches du benchmark GM-100. LingBot-VLA 2.0 introduit également une distillation à double requête, avec des jetons apprenants ciblant l'observation présente et une observation future, pour anticiper la dynamique du monde plutôt que réagir seulement à l'instant présent. Ces choix technique reflètent la compétition croissante entre laboratoires chinois et occidentaux sur la robotique générale fondée sur des modèles fondation, un terrain où Ant Group cherche désormais à s'imposer aux côtés d'acteurs comme Figure, Physical Intelligence ou Google DeepMind.

💬 C'est le pattern qu'on va voir se répéter partout en robotique cette année : un seul modèle qui pilote bras, mains et humanoïde sans réentraînement par machine. Un vecteur d'action unifié à 55 dimensions, ça règle enfin le vrai problème, celui de devoir refaire un modèle à chaque nouveau robot. Reste que 130ms d'inférence sur une RTX 4090D, c'est loin d'être garanti stable en usine, et Ant Group arrive tard face à Figure ou Physical Intelligence sur ce terrain.

Comment l'IA pourrait permettre des robots autonomes au travail, et peut-être à la maison

Boston Dynamics, entreprise de robotique basée à Waltham dans le Massachusetts, illustre une transformation profonde dans la manière de concevoir l'autonomie des robots. Matt Malchano, vice-président logiciel de la société, rappelle qu'il y a environ quinze ans, l'objectif d'une équipe de recherche qu'il dirigeait se limitait à faire naviguer un robot d'un point A à un point B. Aujourd'hui, dit-il, l'autonomie recouvre un champ beaucoup plus vaste de tâches qu'un robot peut accomplir seul, sans intervention humaine constante. Cette évolution s'inscrit dans un contexte où des voitures robotisées circulent déjà sans conducteur dans plusieurs grandes villes et où des drones de livraison déposent des colis de manière entièrement autonome au domicile des clients. Cette montée en puissance de l'autonomie robotique pourrait, à terme, permettre à des robots polyvalents d'assister les humains non seulement dans les entrepôts et les usines, mais aussi potentiellement dans les foyers. Pour les entreprises, cela représenterait un changement majeur dans l'organisation du travail, avec des machines capables de gérer des séquences de tâches complexes plutôt que de simples opérations répétitives et isolées. Pour les travailleurs et les ménages, la perspective de robots capables d'assumer des missions variées ouvre autant d'opportunités de productivité que de questions sur l'avenir de certains emplois et sur l'acceptabilité de ces technologies au quotidien. Cette ambition n'est pas nouvelle, mais elle est désormais nourrie par les progrès récents de l'intelligence artificielle moderne, qui donnent aux robots une capacité de compréhension et de décision bien supérieure à celle d'il y a quinze ans. Le secteur attire des investissements massifs, se chiffrant en milliards de dollars, et de nombreux chercheurs spécialisés en robotique et en IA ont quitté le monde académique pour fonder leurs propres startups. Cette dynamique rappelle celle qui a permis l'essor des véhicules autonomes et des drones commerciaux, deux technologies longtemps jugées futuristes avant de devenir progressivement opérationnelles dans l'espace public.

Les robots autonomes pourraient bientôt travailler, au bureau comme à la maison

Les robots autonomes capables d'accomplir des tâches complexes dans les usines, les entrepôts et peut-être un jour dans les foyers se rapprochent d'une réalité concrète, portés par les progrès récents de l'intelligence artificielle. Matt Malchano, vice-président logiciel chez Boston Dynamics, entreprise basée à Waltham dans le Massachusetts, rappelle qu'il y a environ quinze ans, diriger une équipe dédiée à l'autonomie robotique signifiait simplement faire naviguer un robot d'un point A à un point B. Aujourd'hui, ce même mot recouvre un champ d'action bien plus vaste : manipulation d'objets, prise de décision, adaptation à des environnements changeants et exécution de tâches complexes sans intervention humaine continue. Cette évolution s'inscrit dans un contexte où les voitures autonomes circulent déjà sans chauffeur dans plusieurs grandes villes et où les drones de livraison déposent des colis de façon indépendante, deux exemples qui rendent l'idée de robots généralistes moins futuriste qu'il y a une décennie. Cette montée en autonomie change la donne pour l'industrie robotique dans son ensemble. Des entreprises comme Boston Dynamics, mais aussi de nombreuses start-up fondées par d'anciens chercheurs, misent sur des robots capables d'apprendre et de s'adapter grâce à l'IA moderne, plutôt que de suivre des instructions rigides préprogrammées. Pour les entreprises, cela promet des gains de productivité dans la logistique, la fabrication et potentiellement les services à domicile, avec des machines capables de gérer des imprévus sans reprogrammation constante. Cette ambition attire des investissements massifs, chiffrés en milliards de dollars, de la part d'investisseurs convaincus que les modèles d'IA générative et les avancées en apprentissage automatique peuvent enfin combler l'écart entre la robotique de laboratoire et des machines réellement utiles au quotidien. Les enjeux restent toutefois considérables : fiabilité, sécurité, coût de fabrication et acceptation sociale conditionneront la vitesse à laquelle ces robots passeront des entrepôts industriels aux environnements domestiques, où la marge d'erreur tolérée par les utilisateurs est bien plus faible.

Le Japon veut déployer 10 millions de robots d’ici 2040, et le plan est déjà lancé

Le Japon a dévoilé un plan gouvernemental visant à déployer environ 10 millions de robots humanoïdes sur son territoire d'ici 2040, dans le cadre d'une stratégie baptisée « intelligence artificielle physique ». Le programme cible 18 secteurs d'activité, avec une priorité donnée aux soins aux personnes âgées, à l'agroalimentaire, à la gestion des catastrophes et à plusieurs pans de l'industrie. Pour piloter ce chantier, le gouvernement s'appuie sur Noetra, une coentreprise réunissant SoftBank, NEC, Sony Group et Honda, quatre poids lourds industriels et technologiques japonais. Des centres d'excellence dédiés à la robotique et à l'IA doivent également être créés afin de former les talents nécessaires et d'accompagner les entreprises dans cette transition. Il ne s'agit donc pas d'une simple déclaration d'intention : les acteurs industriels sont déjà désignés et des investissements en recherche, formation et intégration sont prévus. Cette ambition répond à un problème démographique aigu. Le Japon fait face depuis plusieurs années à un vieillissement accéléré de sa population et à une pénurie de main-d'œuvre qui fragilise plusieurs secteurs, notamment les soins aux personnes âgées et l'industrie. En misant sur des robots dotés d'un corps capable d'agir dans le monde physique, plutôt que sur de simples chatbots conversationnels, Tokyo cherche à maintenir son activité économique malgré la baisse de sa population active. Pour les entreprises japonaises, c'est aussi l'occasion de consolider une avance technologique dans la robotique humanoïde, un secteur jugé stratégique pour l'avenir industriel du pays. Si le plan se concrétise, il pourrait transformer en profondeur des métiers physiques jusqu'ici peu automatisés, des maisons de retraite aux chaînes de production agroalimentaires. Le Japon n'est cependant pas seul dans cette course mondiale aux robots humanoïdes. La Chine ambitionne de mettre en service 10 000 robots à usage commercial dès fin 2026, dans la logistique, la fabrication et l'accompagnement des personnes âgées, et a déjà exporté plus de 10 millions de robots entre janvier et mai 2026 pour une valeur d'environ 20 milliards de yuans, selon les douanes chinoises, même si les robots humanoïdes ne représentent encore que 8 000 unités sur ce total, largement dominé par les robots de nettoyage. En Corée du Sud, Hyundai Motor Group prévoit de déployer des robots humanoïdes dans certaines usines américaines à partir de 2028. Singapour, les Émirats arabes unis et l'Allemagne financent eux aussi des projets d'automatisation physique. Cette compétition internationale illustre un basculement plus large de l'IA : après des années centrées sur le langage et les chatbots, les investissements se tournent désormais vers des machines capables d'agir concrètement dans le monde réel.

Les jeux vidéo vont-ils entraîner les robots de demain ?

Les jeux vidéo occupent une place de plus en plus centrale dans l'entraînement des intelligences artificielles physiques, à mesure que les limites des données textuelles se font sentir. Les grands modèles de langage comme GPT ou Llama se sont nourris de milliards de pages web, mais cette source s'épuise et ne suffit plus pour les nouveaux besoins de l'IA incarnée. Les robots, les véhicules autonomes et les agents capables d'interagir avec le monde physique nécessitent un tout autre type de données : des environnements 3D riches, des scènes dynamiques, des interactions complexes entre objets et personnages. Les jeux vidéo, avec leurs mondes simulés à grande échelle, leur physique réaliste et leurs millions d'heures de gameplay généré par les joueurs, constituent un gisement quasiment inexploité pour ce type d'apprentissage. Cette bascule change la donne pour l'industrie du jeu vidéo, qui pourrait voir ses moteurs graphiques et ses bases d'assets valorisés bien au-delà du divertissement. Pour les constructeurs de robots et les entreprises de véhicules autonomes, disposer de simulations réalistes permet d'entraîner des agents à moindre coût et sans risque, avant tout déploiement dans le monde réel. Les studios de jeux, les éditeurs de moteurs comme Unreal Engine ou Unity, et les fabricants de cartes graphiques se retrouvent ainsi au cœur d'une nouvelle chaîne de valeur stratégique. Ce virage s'inscrit dans une tendance plus large où l'industrie de l'IA cherche de nouvelles sources de données après avoir épuisé le texte accessible sur internet. Des acteurs comme Nvidia investissent déjà massivement dans la simulation pour la robotique, tandis que plusieurs studios explorent des partenariats avec des laboratoires d'IA. La question qui se pose désormais est celle de la propriété de ces données et du partage de valeur entre créateurs de jeux et développeurs d'intelligence artificielle.

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

Des chercheurs de la Queen Mary University of London ont mis au point un nouveau type de capteur tactile pour robots, capable de traduire la pression en couleurs visibles par une simple caméra. Le principe repose sur un matériau souple composé de plusieurs couches de silicone associées à une structure optique particulière : lorsqu'une pression s'exerce sur sa surface, son organisation interne se déforme légèrement, ce qui modifie la façon dont la lumière est réfléchie et fait apparaître différentes nuances de couleur. Une caméra USB filme ces variations en temps réel, chaque teinte correspondant à un niveau précis de pression, sans nécessiter de reconstruction d'image en trois dimensions ni de calculs complexes. Les travaux, publiés dans la revue Science Advances, annoncent une résolution proche de 100 micromètres, soit environ l'épaisseur d'un cheveu. Pour valider le système, l'équipe l'a testé sur plusieurs objets, un doigt humain, une feuille d'arbre et une pièce de monnaie, produisant à chaque fois une carte de pression extrêmement détaillée. Le résultat le plus marquant reste la capacité du capteur à révéler les fines crêtes d'une empreinte digitale grâce aux seules variations de couleur. Cette avancée pourrait changer la manière dont les robots interagissent physiquement avec leur environnement. Les solutions tactiles existantes s'appuient généralement sur des réseaux de microcapteurs électroniques répartis sur toute la surface, un dispositif qui devient plus coûteux et plus complexe à fabriquer à mesure que le nombre de capteurs augmente. En misant sur un matériau qui encode lui-même l'information avant toute analyse, les chercheurs simplifient radicalement le traitement des données. Concrètement, cela pourrait permettre à des pinces robotiques industrielles de manipuler des composants fragiles sans les endommager, en rendant visible chaque variation de force appliquée. Dans le domaine médical, des instruments chirurgicaux recouverts de ce matériau pourraient aider les praticiens à distinguer différents types de tissus selon leur réponse à la pression, une fonction utile par exemple pour repérer une tumeur au toucher. Cette recherche s'inscrit dans un effort plus large visant à combler le retard du toucher robotique par rapport à la vision et à l'audition, deux sens que les machines ont appris à exploiter bien plus tôt. Le toucher est resté longtemps le point faible des robots, alors qu'il est essentiel pour des tâches délicates comme saisir un objet fragile. Les chercheurs britanniques évoquent aussi les prothèses de nouvelle génération, où une peau artificielle plus sensible pourrait transmettre davantage d'informations sensorielles à son utilisateur. Ces applications restent pour l'instant expérimentales et devront être validées par des essais en conditions réelles avant d'envisager un déploiement industriel ou médical à grande échelle.

NVIDIA AI présente ASPIRE, un framework robotique auto-améliorant qui atteint 31% en zero-shot sur les tâches longues de LIBERO-Pro

Un consortium de chercheurs de NVIDIA, de l'université du Michigan, de l'UIUC, de UC Berkeley et de Carnegie Mellon a présenté ASPIRE (Agentic Skill Programming through Iterative Robot Exploration), un système d'apprentissage continu destiné à la robotique par code. Contrairement aux agents de codage robotique classiques, qui ne reçoivent qu'un retour grossier indiquant simplement l'échec ou la réussite d'une tâche, ASPIRE s'appuie sur un moteur d'exécution en boucle fermée capturant des traces multimodales détaillées pour chaque appel de perception, de planification et de contrôle: images RGB, superpositions visuelles, candidats de préhension, poses d'objets et résultats de planification de mouvement. Dans les tests en simulation, l'agent de codage utilisé est Claude Code avec Claude Opus 4.6 et une fenêtre de contexte d'un million de tokens, les programmes étant écrits dans CaP-X, un cadre open source basé sur MuJoCo Playground. L'agent n'a accès à aucune donnée privilégiée du simulateur: toute lecture directe de fichiers physiques ou d'assets comme les fichiers .bddl, .xml ou .urdf est interdite, seule l'information qu'un robot réel équipé d'une caméra pourrait obtenir étant autorisée. Sur le benchmark LIBERO-Pro pour les tâches longues, le système atteint 31% de réussite en zero-shot. L'apport principal d'ASPIRE tient à sa capacité à transformer chaque échec en connaissance réutilisable plutôt qu'en information perdue. Une architecture coordinateur-acteurs orchestre plusieurs agents de codage qui n'échangent jamais l'historique complet de leurs conversations ni leurs trajectoires brutes, mais uniquement des compétences distillées et validées, stockées dans une bibliothèque centrale. Ces compétences prennent la forme de règles compactes comprenant une signature d'échec, une condition d'application et une stratégie de réparation, parfois accompagnée d'un exemple de code. Le coordinateur ne les admet qu'après validation par débogage et vérification de conformité à l'API. Concrètement, cela signifie qu'un robot confronté à sa centième tâche bénéficie de l'expérience accumulée sur les quatre-vingt-dix-neuf précédentes, contrairement aux systèmes actuels où chaque tâche repart de zéro. Pour l'industrie robotique, cela ouvre la voie à des flottes de robots capables de s'améliorer progressivement en production, réduisant le besoin de reprogrammation manuelle coûteuse à chaque nouvel échec rencontré sur le terrain. Le défi de fond que résout ASPIRE est celui de la fragilité des systèmes de code-as-policy, où les modèles de langage composent des programmes robotiques exécutables à partir de perception multimodale, de dynamiques de contact physique et de configurations variées, un processus jusqu'ici difficile à faire passer à l'échelle. L'équipe illustre le mécanisme par un exemple concret tiré du benchmark BEHAVIOR-1K: un robot chargé de saisir une radio près d'une table échoue de manière répétée car la position cible se situe à environ vingt centimètres du bord de la table, à l'intérieur de la zone tampon d'évitement de collision, provoquant une erreur de planification du planificateur de mouvement cuRobo. En analysant la trace d'exécution, l'agent identifie que la cause est l'inaccessibité de la cible et non un problème de perception ou de préhension, puis génère une réparation en échantillonnant plusieurs poses de retrait autour de l'objet. Pour éviter que le système ne s'enferme dans des boucles de correction locales sur une même stratégie défaillante, ASPIRE intègre aussi une recherche évolutive proposant plusieurs programmes candidats à chaque itération, conditionnés sur les meilleures versions précédentes et leurs traces d'échec restantes, ce qui favorise l'exploration de stratégies véritablement distinctes plutôt que le simple raffinement d'une solution unique.

💬 31% en zero-shot sur des tâches longues, ça paraît faible, mais c'est pas le chiffre qui compte ici. Le vrai truc, c'est que chaque échec du robot devient une compétence stockée et réutilisable au lieu de finir à la poubelle, et ça change la logique même du déploiement en flotte. Sur le papier ça évite la reprogrammation manuelle à chaque loupé terrain, reste à voir si ça tient quand les tâches se corsent vraiment.

L'Extrémité au manque de main-d'œuvre au Japon : un modèle d'IA pour 10 millions de robots

Le Japon a transformé son projet de robots dotés d'intelligence artificielle en stratégie nationale officielle cette semaine. Le gouvernement a confirmé les chiffres qui circulaient depuis des mois : 10 millions de robots équipés d'IA déployés dans 18 secteurs d'ici 2040, avec un financement public pouvant atteindre mille milliards de yens, soit environ 6,1 milliards de dollars, sur cinq ans. Le ministère de l'Industrie (METI) et l'agence pour l'innovation NEDO ont officiellement confié à l'entreprise Noetra et au laboratoire national AIST le développement d'un modèle d'IA physique multimodal, capable de traiter simultanément langage, images, vidéo et données de capteurs, pour que les robots interprètent réellement leur environnement au lieu d'exécuter des mouvements préprogrammés. Une première version doit sortir dès cette année fiscale, avec des mises à jour annuelles ensuite. Le budget de l'année en cours s'élève à environ 2,3 milliards de dollars, prélevés sur une enveloppe de 387,3 milliards de yens financée par des obligations de transition économique GX. Seules les deux premières années sont garanties, le reste étant soumis à un examen annuel par étapes qui permet à Tokyo de suspendre les fonds si les objectifs ne sont pas atteints. Noetra est détenue majoritairement par SoftBank, NEC, Sony Group et Honda, tandis que Fujitsu et Rakuten étudieraient la possibilité de les rejoindre. Le ministre de l'Industrie Ryosei Akazawa a justifié cette initiative par la volonté de généraliser l'usage des robots dans la restauration, l'agroalimentaire et le secteur médical. Derrière cette annonce se cache un marché du travail exsangue : le vieillissement démographique du Japon, combiné à une politique migratoire restrictive, prive de nombreux pans de l'économie de main-d'œuvre sans solution rapide en vue. Pour les entreprises japonaises du secteur, notamment celles qui fabriquent déjà le matériel nécessaire, de la robotique de Honda aux capteurs d'imagerie de Sony, ce financement public accélère directement leurs plans industriels. Le Japon ne part pas de zéro : le pays a accumulé une expertise en robotique dans les soins aux personnes âgées, la gestion de catastrophes, l'industrie manufacturière et jusqu'au nettoyage du site de Fukushima Daiichi. Ce projet vise à transformer cette expérience en produit exportable. Le timing n'est pas anodin non plus : la Corée du Sud a annoncé sa propre stratégie robotique à peine un jour après celle de Tokyo, signe que les deux pays voient désormais l'IA physique comme le prochain front d'une compétition technologique jusqu'ici dominée par les chatbots et le cloud. Le véritable test arrivera lors du premier examen d'étape : si Noetra livre un modèle exploitable cette année, la liste des investisseurs devrait s'élargir rapidement.

💬 Bon, on savait que la démographie japonaise allait finir par pousser vers le tout-robot, mais là c'est officialisé avec un budget d'État de six milliards de dollars, pas juste un plan sur PowerPoint. Le pari, c'est un vrai modèle d'IA physique multimodale, pas des bras préprogrammés qui répètent un geste : si Noetra livre un truc qui marche cette année, tu vas voir SoftBank, Sony et Honda accélérer très vite. Retiens ça : le Japon vient de faire de la robotique dotée d'IA une politique industrielle d'État, exactement comme la Chine l'a fait pour les semi-conducteurs, et l'Europe regarde le train passer sans même être sur le quai.

Robot Park : Apptronik ouvre un immense terrain d’entraînement pour ses robots humanoïdes

Apptronik a inauguré le 30 juin 2026 son Robot Park à Austin, au Texas, un centre d'entraînement de près de 8 400 mètres carrés conçu pour ses robots humanoïdes Apollo 2. Loin des vidéos promotionnelles où les machines montent des escaliers ou servent un café, ce site reproduit des conditions de travail réelles inspirées de la logistique, de l'industrie et du commerce. Plusieurs flottes d'Apollo 2, disponibles en version bipède ou montée sur roues, y répètent des tâches comme le tri ou la manipulation d'objets, encore et encore, afin d'accumuler des millions de données d'entraînement. Pour Jeff Cardenas, PDG d'Apptronik, l'entreprise ne vend pas seulement des robots mais produit aussi des données, un positionnement qui a déjà convaincu les investisseurs : la société a levé plus de 520 millions de dollars pour financer ce développement. L'enjeu dépasse la simple démonstration technologique. Faire marcher un robot une fois devant une caméra est relativement simple ; le rendre fiable, capable de répéter un geste sans erreur dans un environnement imprévisible, est beaucoup plus difficile et constitue le véritable obstacle à l'adoption en entreprise. En misant sur la collecte massive de données plutôt que sur des démonstrations scénarisées, Apptronik cherche à accélérer l'apprentissage automatique de ses machines et à raccourcir le délai avant un déploiement industriel à grande échelle. Ces données alimentent également Gemini Robotics, développé avec Google DeepMind dans le cadre d'un partenariat de recherche visant à combiner les avancées de l'IA générative avec la robotique physique, c'est-à-dire des modèles capables non seulement de répondre à des questions mais aussi d'agir concrètement dans le monde réel. Cette stratégie s'inscrit dans une course de plus en plus disputée entre fabricants de robots humanoïdes, où la rareté des données issues de situations réelles constitue un goulot d'étranglement majeur pour entraîner des modèles performants. Au-delà du Robot Park, Apptronik déploie déjà des prototypes chez des partenaires industriels comme Mercedes-Benz, ce qui lui permet de varier les contextes d'apprentissage de façon difficilement reproductible en laboratoire. Le passage des essais pilotes à des cadences véritablement industrielles reste cependant un défi technique de taille, et Jeff Cardenas lui-même reconnaît que la prudence s'impose. Reste à voir si ces investissements massifs déboucheront, dans les prochaines années, sur des robots humanoïdes réellement utiles et rentables à grande échelle.

Import AI 463 : robots qui s'améliorent seuls, cluster GPU chinois de 10k, et essai élégiaque sur l'ère humaine

Des chercheurs de NVIDIA ont présenté ENPIRE, un système logiciel conçu pour permettre aux robots physiques de s'améliorer de manière autonome, sans intervention humaine continue. Le principe s'inspire directement des boucles d'expérimentation utilisées par les agents IA : des bras robotiques tentent des tâches, échouent, analysent leurs erreurs et affinent leur approche de façon répétée. Le système repose sur quatre modules distincts, un module d'environnement qui réinitialise automatiquement la scène entre chaque essai, un module d'amélioration de politique qui lance le raffinement des stratégies, un module d'exécution qui évalue les performances en temps réel, et un module d'évolution dans lequel des agents de codage analysent les journaux d'erreurs, consultent la littérature scientifique et modifient le code d'entraînement pour corriger les défaillances. Côté matériel, chaque station de test est équipée de deux bras YAM (Yet Another Manipulator) de l'entreprise I2RT en configuration bimanuelle, d'un ensemble de caméras, et d'un poste de travail animé par une NVIDIA RTX 5090. Les modèles testés pour piloter ces agents incluent GPT-5.5 via Codex, Claude Opus 4.7 via Claude Code et Kimi-2.6, les deux premiers se disputant la première place selon les tâches. Les résultats obtenus sur des tâches de manipulation dextère sont frappants : le système atteint un taux de réussite de 99 % sur des exercices comme le jeu PushT, le rangement de broches dans un boîtier ou la découpe de colliers de serrage avec un cutter. Les chercheurs ont également testé l'insertion de cartes GPU dans une carte mère. L'un des enseignements clés est l'avantage du passage à l'échelle multi-agents : faire travailler en parallèle 8 agents au lieu d'un seul permet non seulement d'arriver plus vite à de bonnes solutions, mais parfois d'atteindre un score absolu plus élevé, grâce à une exploration plus large de l'espace des solutions possibles. ENPIRE s'inscrit dans une tendance de fond qui vise à réduire la dépendance à l'effort humain dans l'entraînement robotique, deux des obstacles historiques étant précisément l'évaluation manuelle des essais et la remise en état de la scène après chaque échec. En automatisant ces deux étapes, NVIDIA ouvre la voie à des cycles d'apprentissage continus et peu supervisés, ce que les auteurs qualifient de "procédure d'optimisation contrôlable". Des limites subsistent néanmoins : lorsque les agents lisent des journaux, écrivent du code ou attendent une réponse du modèle de langage, les robots restent inactifs, ce qui fait chuter l'utilisation effective de la flotte à mesure que le nombre de machines augmente. La question de la généralisation à des tâches plus complexes, nécessitant des évaluations et des resets que seul un humain peut effectuer, reste entière.

World Models contre VLAs : la fracture qui divise l'IA physique

L'industrie de la robotique est traversée par un débat technique majeur qui divise les acteurs de la Silicon Valley : quelle architecture d'intelligence artificielle doit piloter les robots de demain ? D'un côté, les partisans des modèles vision-langage-action (VLA), des dérivés des grands modèles de langage (LLM) qui ont été entraînés spécifiquement pour contrôler des robots. De l'autre, les défenseurs des "world models", des modèles entraînés principalement sur de la vidéo pour prédire ce qui va se produire dans un environnement physique lorsqu'un robot exécute une action. Ce clivage s'est cristallisé ce mois-ci avec deux annonces symboliques : la startup de vidéo IA Luma a lancé un laboratoire dédié à l'IA physique centré sur les world models pour la robotique, tandis que la startup de robots humanoïdes 1X a annoncé la création de son propre laboratoire world model. L'enjeu est considérable. Des figures comme Elon Musk et Jensen Huang prédisent un "moment ChatGPT" pour la robotique, où l'IA permettra d'accomplir une large gamme de tâches physiques à une échelle comparable à celle des chatbots aujourd'hui. Le choix de l'architecture sous-jacente déterminera quelles entreprises domineront ce marché, quelles approches bénéficieront des investissements massifs des capital-risqueurs, et in fine quelle technologie se retrouvera au coeur des robots industriels, logistiques et domestiques des prochaines années. Ce débat intervient alors que la robotique entre dans une phase d'accélération inédite, portée par les progrès des LLM et la disponibilité croissante de données vidéo pour l'entraînement. Les VLA profitent de l'élan des modèles de langage déjà bien maîtrisés, mais les world models promettent une compréhension plus profonde des lois physiques et une meilleure capacité à anticiper les conséquences des actions dans le monde réel. La multiplication des laboratoires spécialisés, financés par du capital-risque, suggère que les prochains mois verront des benchmarks décisifs entre ces deux approches.

💬 Le vrai pari IA de 2026, c'est pas les agents logiciels, c'est ça. VLAs contre world models, c'est le choix d'architecture qui va verrouiller le marché robotique pour dix ans, parce qu'un robot déployé en usine sur la mauvaise stack, tu le remplaces pas du jour au lendemain. Ce qui me frappe, c'est que Luma et 1X ont tous les deux basculé world models la même semaine : quelque chose se consolide.

L'imagerie ultrasonique transforme une main robotique en imitateur habile

Des chercheurs du MIT et de l'Université de Californie du Sud ont mis au point un bracelet équipé d'un "patch" à ultrasons capable de contrôler une main robotique avec une précision inédite. Le dispositif, conçu par le professeur Xuanhe Zhao et son équipe, se fixe au poignet grâce à un hydrogel médical et capture en temps réel des images ultrasonores des muscles, tendons et ligaments sous la peau. Un algorithme d'intelligence artificielle, entraîné sur des milliers d'images labellisées manuellement par des humains, traduit instantanément ces images en positions précises des cinq doigts et de la paume. En démonstration, le système a permis à un porteur de contrôler sans fil une main robotique pour jouer une mélodie au piano, lancer un mini-ballon de basket dans un panier de bureau, ou encore manipuler des objets virtuels sur écran en pincant les doigts pour agrandir ou réduire une image. Le bracelet, actuellement de la taille d'un téléphone portable, communique de façon sans fil avec le robot. Cette avancée représente un tournant pour la robotique humanoïde et les interfaces homme-machine. La dextérité manuelle humaine, coordonnant 34 muscles, 27 articulations et plus de 100 tendons, est depuis longtemps un défi insurmontable pour les ingénieurs en robotique, faute de méthodes fiables pour capter ce qui se passe sous la peau en temps réel. Ce bracelet ultrasonore résout précisément ce problème en lisant directement l'état mécanique du poignet, là où convergent tous les "fils" qui actionnent les doigts, selon la métaphore du postdoctorant Gengxi Lu, l'un des auteurs principaux. Les applications concrètes visées incluent la chirurgie robotique à distance, la réalité virtuelle, le design industriel et les jeux vidéo, autant de domaines où le contrôle intuitif et précis des mains constitue un verrou technologique majeur. La recherche en interfaces neuronales et motrices pour la robotique est en pleine effervescence, avec des acteurs comme Meta, Apple ou Ctrl-Labs (racheté par Meta en 2019) qui misent sur l'électromyographie et d'autres capteurs de surface. L'approche par ultrasons du MIT se distingue par sa capacité à imager en profondeur les structures anatomiques plutôt que de simplement capter des signaux électriques musculaires de surface, offrant une résolution bien supérieure des mouvements fins. L'équipe prévoit de miniaturiser davantage le matériel, d'élargir les données d'entraînement à des morphologies de mains plus variées, et de constituer une base de données de gestes manuels suffisamment vaste pour entraîner des robots humanoïdes à des tâches de précision. À terme, l'objectif est de commercialiser un tracker portable universel permettant à n'importe qui de piloter des robots ou d'interagir avec des environnements virtuels avec la même aisance qu'une main humaine.

« Tôt ou tard », les 700 000 livreurs de JD.com seront remplacés par des robots

Richard Liu, fondateur et président de JD.com, l'un des plus grands groupes de commerce en ligne en Chine, a déclaré lors du forum des PDG de l'APEC à Shenzhen que ses 700 000 livreurs seraient "tôt ou tard" remplacés par des robots. Sans fixer de calendrier précis, Liu a été catégorique : "Ce seront assurément des robots qui livreront les colis." Des projets pilotes sont déjà en cours sur le territoire chinois, livraison de repas directement aux portes d'embarquement de l'aéroport de Shenzhen, réapprovisionnement de supérettes via les trains de banlieue, posant les jalons d'une transition qui s'annonce massive. Pour accompagner cette mutation, JD.com prévoit d'activer un réseau de 120 établissements de formation afin de reconvertir ses livreurs vers les métiers de maintenance robotique. L'enjeu social est colossal. En Chine, l'économie des petits boulots, la "gig economy", mobilise 320 millions de travailleurs, soit environ 40 % de l'emploi urbain du pays, selon le centre de recherche chinois sur les nouvelles formes de travail. Les livreurs constituent une part significative de cette population précaire. Liu assure vouloir éviter que ses employés se retrouvent "sans revenus, sans emploi", en misisant sur la demande en techniciens chargés d'entretenir les flottes de robots. Mais la promesse de reconversion reste fragile : la maintenance robotique requiert des compétences techniques éloignées du profil des livreurs actuels, et le nombre de postes créés sera mécaniquement inférieur à celui des emplois supprimés. Ce mouvement dépasse largement les frontières chinoises. Amazon travaille depuis des années sur la livraison autonome : en 2019, le groupe américain testait déjà ses robots Scout dans un quartier de Seattle, et en mars dernier il a acquis Rivr, une startup suisse issue du laboratoire de robotique de l'ETH de Zurich, spécialisée dans le "dernier kilomètre" entre camion et client. Selon une enquête du New York Times publiée en octobre, Amazon vise à automatiser 75 % de ses opérations en entrepôt, ce qui lui permettrait d'éviter 600 000 nouvelles embauches d'ici 2033. La convergence entre les ambitions de JD.com et celles d'Amazon dessine une recomposition profonde de la logistique mondiale, où la question n'est plus de savoir si les robots remplaceront les livreurs humains, mais à quelle vitesse les régulations sociales et les dispositifs de reconversion parviendront, ou échoueront, à absorber le choc.

Humanoid Everyday : un jeu de données robotique complet pour la manipulation humanoïde en monde ouvert

Une équipe de recherche a publié sur arXiv (identifiant 2510.08807v2) Humanoid Everyday, un jeu de données massif dédié à l'apprentissage de la manipulation par les robots humanoïdes en conditions ouvertes. Le dataset compile 10 300 trajectoires et plus de 3 millions de frames couvrant 260 tâches réparties en 7 catégories larges : manipulation dextère d'objets, interaction humain-humanoïde, actions intégrant de la locomotion bipède, et d'autres scénarios du quotidien. Les données sont multimodales, RGB, profondeur, LiDAR, retour tactile, accompagnées d'annotations en langage naturel. La collecte repose sur un pipeline de télé-opération supervisée par des humains, optimisé pour maximiser le débit tout en maintenant la qualité des démonstrations. Les auteurs publient simultanément une plateforme d'évaluation cloud permettant à des équipes extérieures de déployer leurs propres politiques de contrôle et d'obtenir des métriques comparables dans un environnement standardisé. Ce dataset comble un vide structurel dans la recherche robotique : la quasi-totalité des benchmarks existants (Open X-Embodiment, DROID, BridgeData V2) ciblent des bras fixes, et les rares datasets humanoïdes disponibles se limitent à des environnements contrôlés, un faible nombre de tâches, et excluent généralement la locomotion et l'interaction avec des personnes. Pour un intégrateur ou un décideur industriel, la portée pratique est double : des données hétérogènes permettent d'entraîner des politiques plus généralisables, notamment des architectures VLA (vision-language-action) ; la plateforme d'évaluation cloud offre pour la première fois un cadre reproductible pour comparer des méthodes d'apprentissage par imitation ou par renforcement sur des tâches humanoïdes réalistes. L'article analyse aussi les performances de plusieurs politiques de référence, en identifiant leurs forces et limites par catégorie. La publication intervient dans un contexte de forte concurrence autour des données d'entraînement pour humanoïdes. Physical Intelligence (Pi-0, π0.5), NVIDIA (GR00T N2), Unitree et Figure AI misent chacun sur des datasets propriétaires pour différencier leurs politiques de contrôle. Côté recherche ouverte, AgiBot World et RH20T ont posé des jalons, mais restent limités dans leur couverture humanoïde. Humanoid Everyday est rendu entièrement public, dataset, code de collecte et plateforme d'évaluation inclus, ce qui en fait une ressource directement exploitable par des laboratoires et startups sans accès à des infrastructures de collecte massives. Les auteurs présentent cette release comme un socle pour de futurs agents incarnés généralistes, sans préciser d'échéancier pour des suites expérimentales.

💬 Le vrai sujet ici, c'est pas juste le volume (10 300 trajectoires, bon), c'est que les benchmarks humanoïdes existants ignoraient presque tous la locomotion et l'interaction avec des humains réels depuis le début. Des acteurs comme Pi-0 ou GR00T N2 misaient sur leurs données propriétaires comme avantage concurrentiel, et une release open-source de cette ampleur vient rogner ce levier directement. Reste à voir si ça tient face à des politiques entraînées en conditions réelles, mais pour des labos sans infrastructure de collecte massive, ça change le rapport de force.

Apprentissage robotique ludique à base d'agents

RATs (Robotics Agent Teams) est un système d'apprentissage robotique agentic présenté dans le preprint arXiv 2606.19419 qui introduit une phase de "jeu" auto-dirigé avant toute tâche explicite. L'agent, basé sur le paradigme Code-as-Policy (CaP), propose lui-même des tâches exploratoires, exécute des politiques en code, vérifie les progrès intermédiaires, diagnostique les échecs avec un feedback dense à chaque étape et distille les exécutions réussies dans une bibliothèque de compétences persistante. À l'inférence, cette bibliothèque gelée est réutilisée par d'autres agents pour résoudre des tâches inédites, sans fine-tuning du modèle sous-jacent. Sur les benchmarks LIBERO-PRO et MolmoSpaces, RATs surpasse la baseline CaP-Agent0 de 20,6 et 17,0 points de pourcentage respectivement ; les compétences acquises sont également transférables à d'autres agents CaP, avec des gains de 8,9 points sur RoboSuite et 8,8 points en déploiement réel. La portée industrielle de cette approche tient principalement à deux éléments. La séparation entre phase d'acquisition de compétences et phase d'exécution crée une bibliothèque réutilisable partageable entre agents hétérogènes sans réentraînement, ouvrant la voie à des bibliothèques de primitives robotiques mutualisées sur des flottes entières. Les gains en transfert réel (+8,8 points) suggèrent par ailleurs que l'apprentissage par jeu améliore la robustesse sim-to-real, défi persistant pour les systèmes VLA (Vision-Language-Action) déployés hors simulation. Il convient toutefois de nuancer : le preprint ne détaille ni les conditions de déploiement réel ni le profil précis des tâches testées, ce qui limite l'évaluation en contexte industriel non contrôlé. Le paradigme Code-as-Policy, introduit par Google DeepMind avec SayCan et Code as Policies entre 2022 et 2023, utilise des LLMs pour générer du code Python interprétable comme politique robotique. RATs y greffe un mécanisme d'exploration issu de la robotique développementale, prolongeant une lignée de travaux sur les agents curieux et l'apprentissage non supervisé de compétences. Dans un paysage dominé par des architectures VLA end-to-end, comme Pi-0 et Helix de Physical Intelligence ou Figure 03 de Figure Robotics, cette approche code-first se distingue par sa modularité et sa moindre dépendance aux données d'annotation denses. Le travail reste à ce stade non revu par des pairs, et des validations à plus grande échelle dans des environnements variés et non structurés seront nécessaires pour confirmer sa portée opérationnelle.

💬 La vraie idée ici, c'est pas le "jeu" (ça fait bien dans un abstract), c'est la bibliothèque de compétences gelée et partageable entre agents sans ré-entraînement. Si ça tient hors labo, tu peux imaginer des flottes entières qui mutualisent leurs primitives robotiques comme des développeurs partagent des packages. Les +8,8 points en déploiement réel sont le seul chiffre qui compte, et il est là.

Apprentissage de la navigation au dernier mètre par catégorie à partir de démonstrations RGB d'une instance unique

Des chercheurs du RPM Lab de l'Université du Minnesota présentent dans un preprint arXiv (2512.11173v3) un framework d'imitation learning pour la navigation au "dernier mètre" d'un robot manipulateur mobile quadrupède. L'enjeu : positionner la base du robot à quelques centimètres de l'objet cible avant toute action de manipulation, une phase où les systèmes RGB existants échouent, ne garantissant qu'une précision métrique insuffisante. Le système n'utilise que des caméras RGB embarquées et fonctionne avec trois entrées : des images objectif, des observations RGB multi-vues, et un prompt texte nommant l'objet cible. Un module de segmentation guidé par le langage et un décodeur de matrice de score spatial gèrent l'ancrage de l'objet et le raisonnement en pose relative. Entraîné sur une seule instance physique par catégorie, le système atteint 74,58 % de succès en edge-alignment (évaluation sur l'orientation réelle) et 89,42 % en object-alignment sur des instances et environnements inédits, y compris avec des conditions d'éclairage et de fond difficiles. Ce résultat comble un angle mort structurel de la manipulation mobile : les politiques de manipulation sont entraînées sur des configurations précises, et un positionnement approximatif suffit à les faire sortir de leur distribution d'entraînement, causant des échecs en chaîne à l'exécution. Supprimer LiDAR, capteurs de profondeur et cartes préalables tout en conservant une précision centimétrique rend le pipeline nettement plus déployable sur des plateformes sans capteurs premium. La généralisation catégorielle (une seule démonstration réelle, des dizaines d'instances inconnues) réduit massivement le coût de collecte de données, un verrou majeur pour la manipulation hors environnement contrôlé. Ce travail s'inscrit dans la dynamique des VLA (Vision-Language-Action) qui cherchent à unifier perception, langage et action dans des politiques généralisables. Les acteurs dominants sur la manipulation mobile incluent Physical Intelligence (Pi-0), Figure AI et les équipes académiques de Stanford et CMU, qui investissent massivement dans la collecte de données téléopérées à grande échelle. L'approche ici contraste délibérément : une seule démonstration par catégorie plutôt que des milliers d'épisodes. Ce résultat reste un démonstrateur académique sans déploiement industriel annoncé ni partenaire B2B identifié, mais une page projet avec des démonstrations visuelles est disponible en ligne.

MemoryWAM : modélisation monde-action efficace avec mémoire persistante

La manipulation robotique longue durée exige une mémoire procédurale que la majorité des modèles actuels ne possèdent pas. MemoryWAM, un modèle monde-action (WAM, world action model) présenté en préprint arXiv (réf. 2506.20562, juin 2026), propose une architecture de mémoire hybride pour combler ce manque. Le système repose sur trois niveaux : des trames récentes pour le contexte immédiat, des trames ancres positionnées aux frontières d'événements clés de la séquence, et des gist tokens, des représentations compressées résumant l'historique long terme. Un mécanisme d'attention sur mesure permet d'interroger simultanément ces trois niveaux, conjuguant précision à court terme et cohérence à long terme. Les auteurs reportent des performances supérieures aux baselines VLA (vision-language-action) et WAM sur des tâches de manipulation à long horizon, en simulation et en environnement réel, avec une latence d'inférence et une consommation mémoire GPU réduites. Le verrou adressé est structurel : les WAM actuels choisissent entre fenêtre d'observation bornée, efficace mais aveugle au passé, et historique complet, précis mais dont le coût en temps et en VRAM croit avec la longueur de la séquence. Dans les environnements non-markoviens, c'est-à-dire lorsque la décision optimale dépend d'événements situés hors de la fenêtre courante, situation fréquente dans les tâches d'assemblage ou de pick-and-place multi-étapes, ce compromis devient rédhibitoire. La stratégie des gist tokens propose une alternative : comprimer sélectivement plutôt que stocker exhaustivement, ce qui maintient des performances d'inférence compatibles avec un déploiement embarqué. Pour les intégrateurs robotiques et les équipes R&D industrielles, l'enjeu est double : des robots capables de réagir à un historique long sans multiplier les ressources GPU, et une voie vers des VLA plus robustes hors des conditions de laboratoire. Les modèles monde-action s'inscrivent dans une lignée qui cherche à dépasser les VLA purs en ajoutant une modélisation dynamique visuelle, la prédiction de frames futures servant de signal de supervision auxiliaire. Des travaux comme UniSim ou DreamerV3 ont exploré cette direction en contexte général ; MemoryWAM l'applique spécifiquement à la manipulation longue durée. Ses concurrents directs incluent des VLA à contexte court tels que Pi-0 de Physical Intelligence, OpenVLA ou RoboFlamingo, qui peinent sur les séquences avec dépendances temporelles distantes. Le papier reste un preprint sans code ni poids publiés, et ses benchmarks proviennent de protocoles internes, ce qui limite la portée immédiate pour les praticiens. Une comparaison sur des jeux de données standardisés comme LIBERO ou RLBench sera nécessaire pour évaluer la généralisation réelle de l'approche. Ni partenariat industriel ni calendrier de déploiement ne sont mentionnés.

RL résiduel centré sur les objets pour l'amélioration zéro-shot des VLA en transfert simulation-réel

Des chercheurs de Microsoft Research ont publié fin juin 2026 un framework baptisé Object-Centric Residual RL (arXiv:2606.18953), conçu pour améliorer la robustesse des modèles Vision-Language-Action (VLA) dans des tâches de manipulation physique précise. Le principe : entraîner une politique correctrice en simulation pure, basée non pas sur des images mais sur les poses des objets, puis la transférer directement sur un robot réel sans aucun fine-tuning supplémentaire. Sur un bras Franka Research 3 (FR3), la méthode fait passer le taux de succès moyen de 42 % à 76 % en zero-shot sur cinq tâches de manipulation, avec une politique résiduelle entraînée exclusivement en simulation, avec injection de bruit de pose et dropout. Le processus inclut également le rejeu des démonstrations de télé-opération en simulation pour entraîner un VLA "jumeau" simulé, auquel la politique résiduelle est ensuite couplée avant transfert zero-shot. L'enjeu est direct pour les intégrateurs et les équipes de déploiement robotique : les VLA actuels, qu'il s'agisse de Pi-0 (Physical Intelligence), d'OpenVLA ou des modèles RT de Google, généralisent bien à travers des tâches variées mais accumulent des erreurs d'exécution lors d'interactions physiques précises (pincements, insertions, assemblages) où la précision millimétrique est requise. Les approches concurrentes butent sur un trilemme classique : les méthodes à états privilégiés nécessitent une distillation coûteuse pour le déploiement, les méthodes basées image souffrent du fossé visuel sim-to-réel, et le RL en conditions réelles reste coûteux et risqué pour le matériel. En substituant les poses d'objets aux images comme espace d'observation, le framework crée une représentation compacte et cohérente entre simulation et réalité, suffisamment légère pour un transfert zero-shot fiable. Autre résultat notable : les rollouts améliorés peuvent être réutilisés pour ré-entraîner le VLA de base, ouvrant une boucle d'auto-amélioration sans télé-opération supplémentaire. Le sim-to-real gap est un problème structurel qui freine la commercialisation des robots polyvalents depuis plusieurs années, et les VLA n'y échappent pas malgré leurs capacités de généralisation linguistique. Cette publication s'inscrit dans une dynamique de recherche intense où Physical Intelligence (Pi-0, Pi-0 FAST), Figure AI et 1X Technologies tentent chacun de réduire cet écart par des voies différentes : données réelles massives, domain randomization, ou standardisation du hardware. Microsoft Research, moins visible sur le déploiement commercial que ces acteurs, confirme ici un axe de recherche sur la correction post-entraînement des fondations robotiques par RL simulé. La page projet est publiée en accès ouvert sur le site de Microsoft Research ; aucun partenariat industriel ni timeline de déploiement n'est mentionné dans la publication, qui reste pour l'heure une contribution académique.

💬 La précision millimétrique, c'est là où tous les VLA craquent en conditions réelles. Microsoft Research contourne le problème par le bon bout : en travaillant sur des poses d'objets plutôt que sur des images, le fossé visuel sim-to-real disparaît, et on monte de 42 % à 76 % de succès sur un Franka réel, zero-shot. Aucun partenaire industriel dans la publication pour l'instant, mais l'approche est solide.

DREAM-Chunk : regroupement d'actions réactif avec modèle du monde latent

DREAM-Chunk (arXiv:2606.18589, juin 2026) est une méthode d'inférence conçue pour corriger une fragilité structurelle des modèles vision-language-action (VLA) : l'exécution en boucle ouverte lors de l'action chunking. Ce paradigme, devenu standard dans les VLA actuels, consiste à inférer à basse fréquence un bloc d'actions (un "chunk") que le robot exécute séquentiellement à haute fréquence, sans rétroaction intermédiaire. Dès qu'un chunk est lancé, le robot le suit à l'aveugle, vulnérable aux perturbations dynamiques, aux erreurs matérielles et à l'observabilité partielle. DREAM-Chunk adresse ce problème sans modifier ni réentraîner la politique sous-jacente : à l'inférence, il génère plusieurs chunks candidats, simule leurs trajectoires dans un espace latent via un world model léger, et sélectionne celui dont l'état prédit correspond le mieux à l'observation réelle. La méthode est validée sur le benchmark Kinetix et sur quatre tâches de manipulation couvrant deux plateformes robotiques et deux architectures VLA distinctes. L'intérêt pratique est direct pour les intégrateurs industriels qui déploient des VLA pré-entraînés sans accès au pipeline d'entraînement : DREAM-Chunk s'insère comme une couche plug-and-play, sans fine-tuning requis. La méthode s'inscrit dans la tendance du test-time compute scaling, bien établie côté LLM mais encore naissante en robotique physique, où dépenser davantage de calcul à l'inférence peut compenser les limites d'un modèle sans passer par un nouveau cycle d'entraînement coûteux. Les résultats montrent que les gains augmentent avec le nombre de chunks candidats échantillonnés, et que l'avantage est particulièrement marqué lorsque les démonstrations contiennent des comportements correctifs, ce qui soulève une question pratique sur la composition des datasets de démo. Les world models latents en robotique ont une longue tradition (DREAMER, TD-MPC2, DreamerV3), mais leur couplage avec des VLA basés sur le chunking reste récent. Physical Intelligence avec pi-0, Figure AI et des équipes de Stanford, CMU et Berkeley explorent simultanément comment améliorer la robustesse en déploiement sans réentraînement complet. DREAM-Chunk se distingue par son caractère agnostique au modèle sous-jacent, ce qui facilite son adoption sur des architectures hétérogènes. La prochaine étape logique serait une validation sur des plateformes commerciales à manipulation dextre (Fourier GR1, Unitree G1) et des tâches à dynamiques hautement stochastiques comme l'assemblage de précision. Le papier ne mentionne ni partenaires industriels ni pilotes commerciaux annoncés.

💬 Le test-time compute scaling arrive enfin en robotique physique, et DREAM-Chunk en est un premier signal propre : générer des trajectoires candidates, simuler dans un espace latent, choisir la meilleure, sans toucher au modèle sous-jacent. Le chunking en boucle ouverte, c'est le point faible silencieux de tous les VLA actuels (ça marche dans 80% des cas, alors on n'en parle pas trop). Pour les intégrateurs qui déploient sans accès au pipeline d'entraînement, une couche qui corrige à l'inférence sans réentraîner, c'est la pièce manquante.

GCNGrasp-VP : planification de vue guidée par les affordances pour une préhension efficace orientée tâche

Une équipe de recherche publie ce mois-ci sur arXiv (référence 2606.19091) GCNGrasp-VP, un framework destiné à améliorer la saisie orientée tâche en robotique de manipulation, en particulier lorsque l'objet cible est partiellement masqué. Le système repose sur deux composants : GCNGrasp-v2, un modèle de préhension qui évalue simultanément la qualité d'une prise et prédit un champ d'affordance en temps constant, et Affordance-VP, un planificateur de points de vue qui utilise ce champ d'affordance comme métrique de gain d'information pour repositionner la caméra du robot vers les zones fonctionnellement pertinentes. Les auteurs rapportent une validation en environnement réel sur des scénarios mono-objet, avec une latence de calcul annoncée à l'échelle de la milliseconde et une correction de point de vue obtenue en un seul déplacement caméra. Le code et les modèles sont rendus publics sur GitHub. L'intérêt technique de cette approche réside dans la dissociation entre perception active et reconstruction de scène. Les méthodes existantes de view planning s'appuient généralement sur une reconstruction 3D complète avant de décider où observer, ce qui introduit une latence incompatible avec les contraintes de cycle industriel. GCNGrasp-VP contourne ce goulot en substituant la carte d'affordance à l'incertitude géométrique comme critère d'exploration, ce qui réduit le nombre d'ajustements nécessaires à un seul dans les tests publiés. Pour les intégrateurs travaillant sur des cellules de picking ou d'assemblage, c'est un angle pertinent : gérer les occlusions partielles sans recourir à un système de vision multi-caméras fixe ou à une reconstruction volumétrique coûteuse. Ce travail s'inscrit dans une tendance plus large vers les modèles de préhension sémantiquement informés, où la notion d'affordance, popularisée par des travaux comme GCNGrasp original et les approches VLA (Vision-Language-Action) de type pi-zero ou GR00T, commence à descendre au niveau de la planification perceptuelle. La contribution reste pour l'instant un preprint non peer-reviewed, validé sur des scénarios mono-objet en laboratoire. Les benchmarks sur des configurations multi-objets avec occlusions sévères, ou dans un contexte industriel réel, n'ont pas encore été publiés. Aucun partenaire industriel ni calendrier de déploiement n'est mentionné.

💬 Ce qui est malin ici, c'est de remplacer la reconstruction 3D complète par une carte d'affordance pour guider la caméra. Un robot qui cherche à voir ce qu'il veut saisir plutôt que de tout reconstruire avant d'agir, c'est un vrai changement de logique dans la perception active, et ça ramène les ajustements caméra à un seul dans les tests. Bon, c'est un preprint sur scénarios mono-objet, donc on garde la tête froide.

Des agents IA de codage ont appris à des robots à installer des GPU et couper des serre-câbles

Des chercheurs du laboratoire NVIDIA GEAR (Generalist Embodied Agent Research), en collaboration avec des équipes de la Carnegie Mellon University à Pittsburgh et de l'Université de Californie à Berkeley, ont développé un cadre logiciel appelé ENPIRE. Ce système permet à des agents IA spécialisés dans l'écriture de code de concevoir et de piloter de manière entièrement autonome des programmes d'entraînement pour des bras robotiques, en leur allouant un budget de tokens étendu. Résultat concret : ces agents ont réussi à apprendre à des robots à couper des serre-câbles et à insérer des cartes graphiques dans des slots de cartes mères, une tâche de précision particulièrement délicate. Jim Fan, directeur de l'IA chez NVIDIA, a résumé l'expérience ainsi dans un post LinkedIn : "Une partie de notre laboratoire NVIDIA GEAR s'améliore désormais sans relâche pendant la nuit. Nous lisons simplement les rapports le matin." L'enjeu central d'ENPIRE est de supprimer le goulet d'étranglement humain dans la boucle d'entraînement robotique. Le cadre dote les agents d'outils, de mémoire, de contexte, de contraintes et de mécanismes de rétroaction, leur permettant de boucler le cycle complet, conception, test, correction, sans supervision. Jusqu'ici, définir ces régimes d'apprentissage exigeait une expertise humaine considérable. Avec ce type d'automatisation, le rythme de développement des robots industriels pourrait s'accélérer radicalement, avec des implications directes pour la fabrication électronique, la logistique et toute industrie nécessitant de la dextérité manuelle répétable. NVIDIA investit depuis plusieurs années dans la robotique humanoïde et l'IA physique, et le laboratoire GEAR représente l'un de ses fronts de recherche les plus actifs. Cette démonstration s'inscrit dans une tendance de fond : les agents IA ne se limitent plus à produire du texte ou du code, mais deviennent des orchestrateurs capables d'agir sur des systèmes physiques dans le monde réel. La collaboration avec CMU et UC Berkeley, deux institutions leaders en robotique, renforce la crédibilité académique de l'approche. La prochaine étape naturelle serait d'étendre ENPIRE à des tâches plus complexes et moins structurées, rapprochant encore davantage la vision d'une usine pilotée en grande partie par des agents autonomes.

Alibaba dévoile des cerveaux IA conçus pour équiper la prochaine génération de robots

Alibaba a annoncé en juin 2026 le lancement de la suite Qwen-Robot, sa première famille de modèles d'IA dite "embodied", développée par son Tongyi Lab et actuellement en phase de pilote avec des clients entreprise d'Alibaba Cloud. La suite repose sur trois modèles spécialisés : Qwen-RobotNav pour la navigation et le suivi de cibles, Qwen-RobotManip pour la manipulation d'objets physiques, et Qwen-RobotWorld pour la modélisation de l'environnement et la prédiction des conséquences d'actions. Le groupe a également publié Qwen-RobotClaw, un framework d'agents qui expose les modèles Qwen-Robot comme outils accessibles à des agents LLM, ainsi que Chat2Robot, une plateforme open-source en navigateur pour tester des interactions avec des robots physiques. Sur le plan des performances déclarées, Qwen-RobotManip a été entraîné sur plus de 38 000 heures de données open-source et a obtenu sur le benchmark RoboChallenge un process score de 59,83 avec un taux de succès de tâches de 45 % dans la catégorie "généraliste". La démonstration de navigation a mis en scène un quadrupède Unitree Go2 équipé d'un NVIDIA Jetson Thor et d'une seule caméra basse résolution, atteignant une latence d'inférence de 196 millisecondes dans un appartement inconnu, sans carte préchargée. Ces résultats méritent d'être lus avec prudence : un taux de succès de 45 % sur un benchmark réel, s'il est confirmé en conditions non contrôlées, reste modeste mais significatif pour un modèle généraliste. Le vrai signal industriel n'est pas le score brut, c'est l'approche architecturale : au lieu de fusionner indifféremment données de navigation, bras robotiques, caméras et véhicules autonomes, Alibaba a opté pour une spécialisation par modalité, évitant les conflits d'apprentissage que génère le mélange hétérogène de données physiques. Pour les intégrateurs et décideurs B2B, la disponibilité via Alibaba Cloud en pilote marque un premier pas vers la commercialisation d'une couche d'IA robotique as-a-service, potentiellement utilisable sur du matériel tiers sans pipeline de training propriétaire. Alibaba entre dans une course déjà engagée par plusieurs acteurs de premier plan. Aux États-Unis, Google DeepMind fait avancer Gemini Robotics sur des architectures Vision-Language-Action (VLA) similaires, tandis que Physical Intelligence (Pi-0), Figure AI (Figure 03) et Boston Dynamics misent sur des pipelines de données propriétaires et des déploiements industriels réels. NVIDIA pousse son framework GR00T N2 comme socle hardware-logiciel pour l'humanoid. Côté chinois, Unitree et Agibot ont déjà des robots en production, mais sans la couche LLM intégrée qu'Alibaba apporte. L'open-sourcing de Chat2Robot et les pilotes cloud suggèrent une stratégie d'écosystème : capter les développeurs et intégrateurs autour des modèles Qwen-Robot avant que le marché des robots généraux ne se consolide, probablement d'ici 2027-2028 selon les timelines annoncées par les principaux concurrents.

💬 45 % de réussite sur un benchmark généraliste, c'est pas brillant, je sais, mais tu regardes au mauvais endroit. Le vrai signal, c'est l'architecture : trois modèles spécialisés par modalité plutôt qu'un gros fourre-tout, parce que mélanger navigation, manipulation et caméras dans le même pipeline, ça crée des conflits d'apprentissage que tout le monde a sous-estimés depuis le début. Alibaba ne cherche pas à gagner les benchmarks robotiques, ils cherchent à s'installer comme la couche cloud entre le matériel tiers et l'IA physique avant que le marché se consolide.

Autonomique déploie des robots semi-humanoïdes et de l'IA chez un équipementier automobile canadien de rang 1

Autonomique Inc., startup californienne fondée en 2024 et issue des laboratoires de SRI International (Menlo Park), annonce le passage en déploiement industriel de sa plateforme d'IA physique chez F&P Manufacturing, équipementier automobile Tier 1 canadien basé à Tottenham, Ontario, spécialisé dans les systèmes de chassis et de suspension. La société ne commercialise pas de robot propre mais une couche logicielle hardware-agnostique conçue pour ajouter dextérité et raisonnement à des bras industriels existants, issus notamment de Denso, Staubli et RealMan Robotics. Son PDG, Vikrant Tomar, docteur en IA et ancien fondateur de Fluent.ai, insiste sur la distinction entre démonstration et production : les métriques annoncées (temps de cycle, précision, réduction de rebuts) restent à ce stade déclaratifs, sans données publiques indépendantes pour les valider. Le déploiement chez F&P est présenté comme un pilote progressant vers une industrialisation, non comme un rollout à l'échelle déjà opérationnel. L'intérêt technique réside dans l'architecture dite "généraliste-spécialiste" : plutôt qu'un unique modèle vision-langage-action (VLA) monolithique, la plateforme orchestre dynamiquement des compétences déterministes (apprentissage par renforcement en ligne pour les insertions de précision, par exemple) et des modèles VLA plus flexibles pour gérer les anomalies ou les tâches non prévues. Cette approche répond à une critique structurelle du secteur : les VLA génériques peinent à tenir les cadences et la répétabilité exigées en production réelle. Si Autonomique tient ses promesses chez F&P, ce serait un signal concret que le sim-to-real gap peut être comblé sur des workflows multi-étapes en environnement industriel contraint, sans recours à des end-effectors coûteux comme les mains robotiques polyarticulées. Autonomique s'appuie sur des licences de technologies SRI, dont le système de télé-opération déjà utilisé par l'armée américaine pour le déminage et par des laboratoires pharmaceutiques en salles blanches, ce qui donne à sa base de données d'entraînement une provenance inhabituelle pour une startup robotique. Ses concurrents directs dans le segment "software layer for industrial arms" incluent Covariant (racheté par Amazon), Machina Labs ou Physical Intelligence (Pi-0), tandis que des acteurs comme 1X Technologies ou Figure AI ciblent l'humanoïde complet, segment qu'Autonomique juge prématuré pour la production. Les prochaines étapes annoncées : extensions de partenariats avec Holiday Robotics et Rainbow Robotics, discussions en cours avec des développeurs d'humanoïdes, et réplication du blueprint F&P sur d'autres lignes et sites. Aucun acteur européen ou français n'est impliqué à ce stade.

💬 La couche logicielle sur bras existants, c'est le seul modèle qui colle vraiment avec la réalité des usines : pas besoin de remplacer le hardware. L'architecture généraliste-spécialiste d'Autonomique (déterminisme pour les tâches de précision, VLA pour gérer les exceptions) s'attaque enfin au problème que personne n'avait résolu proprement en prod réelle. Reste à valider les chiffres sur la durée, parce que pour l'instant c'est Autonomique qui parle d'Autonomique.

Sanctuary AI valide les performances de son IA physique chez un équipementier automobile de rang 1

Sanctuary AI (Sanctuary Cognitive Systems Corp.), basée à Vancouver, vient de valider une performance industrielle significative chez un équipementier automobile de rang 1 mondial, non nommé. La tâche consiste en l'insertion d'un connecteur filaire souple dans une cible en mouvement sur un convoyeur actif, un problème classique de manipulation dite "contact-rich" qui résiste depuis longtemps à l'automatisation traditionnelle. Le résultat annoncé est un taux de succès supérieur à 99,5% pour un temps de cycle de 2,54 secondes, aligné sur les cadences de production réelle du client. À noter que les métriques sont présentées sans détail sur la durée de l'essai ni le volume de cycles validés, ce qui invite à traiter ce résultat comme un proof-of-concept industriel plutôt qu'un déploiement en série. La démonstration s'inscrit dans la continuité de la présentation en avril 2026 de capacités de manipulation en zero-shot learning pour la préhension dextère. Ce résultat illustre une tendance de fond dans le secteur : face à l'horizon encore incertain de la commercialisation de masse des robots humanoïdes, certains acteurs pivotent vers une approche hardware-agnostique, en injectant leur couche d'IA physique sur des plateformes industrielles existantes. Pour un intégrateur ou un directeur de production, cela représente un chemin à valeur immédiate sans attendre la maturité mécanique des humanoïdes, tout en capitalisant sur des modèles d'IA qui seront ensuite portables vers les systèmes de prochaine génération. Le vrai verrou que Sanctuary prétend avoir levé est le couplage performance/cycle time : les projets de physical AI échouent souvent non par manque de précision mais par débit insuffisant. Si le taux de 99,5% à 2,54 secondes est confirmé en production continue, c'est un signal crédible que les VLA (vision-language-action models) commencent à franchir le seuil de l'exigence industrielle, pas seulement du laboratoire. Fondée au Canada, Sanctuary AI développe depuis plusieurs années une approche centrée sur l'IA généraliste pour corps robotiques, incluant des mains hydrauliques propriétaires haute dextérité. La société avait jusqu'ici communiqué davantage autour de son robot humanoïde Phoenix, mais le pivot stratégique annoncé aujourd'hui signale un repositionnement vers le déploiement accéléré sur bras industriels standards. Dans l'espace concurrent, Figure (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0), NVIDIA (GR00T N2) et 1X (Helix) continuent d'investir massivement dans la voie humanoïde complète. Côté manipulation pure, Festo a testé ce mois-ci son GripperAI et lancé un préhenseur pneumatique léger, tandis que PSYONIC s'est associé à ABB Robotics. Sanctuary semble parier que la voie la plus rapide vers le chiffre d'affaires en manufacturing et logistique passe par l'intégration logicielle sur hardware existant, avant le déploiement des prochains systèmes industriels humanoïdes qu'elle annonce vouloir adresser également.

💬 99,5% à 2,54 secondes sur une cible mobile, c'est le genre de résultat qui sort enfin du labo. Le pivot de Sanctuary est net: plutôt que d'attendre que le robot humanoïde soit prêt, ils injectent leur IA sur les bras industriels existants, ce qui ouvre un chemin court vers la valeur pour pas mal d'intégrateurs. Sans durée ni volume de cycles communiqués, on reste sur du pilote, pas du déploiement série.

RLWRLD désignée Pionnière Technologique du Forum Économique Mondial pour ses avancées en infrastructure d'IA physique

RLWRLD, société spécialisée en "physical AI", a été sélectionnée parmi les 100 Technology Pioneers 2026 du Forum Économique Mondial (WEF). La distinction, attribuée annuellement depuis 2000 à des entreprises technologiques jugées susceptibles d'exercer un impact structurant sur les industries mondiales, récompense ici le développement de RLDX-1, un modèle de fondation en robotique (Robotics Foundation Model) propriétaire. Le WEF cite RLWRLD dans son analyse officielle comme acteur positionné pour transformer l'infrastructure de l'IA physique à long terme. L'article source est toutefois un communiqué court, sans données techniques publiées sur RLDX-1 : payload, degrés de liberté contrôlés, benchmarks de performance ou sites de déploiement ne sont pas mentionnés. Il faut distinguer ici label de visibilité et validation technique : le programme WEF Pioneer est un exercice de sélection éditoriale, pas une certification de performance. Cela dit, pour une startup dans l'espace des foundation models robotiques, l'intégration au réseau WEF représente un accès réel aux décideurs industriels et aux fonds d'investissement à l'échelle mondiale. Le marché des modèles de fondation pour robots physiques est précisément le terrain où se joue la prochaine phase de la course aux humanoïdes et aux bras industriels autonomes. Le secteur des Robotics Foundation Models est en forte compétition en 2026, avec Physical Intelligence (Pi-0), NVIDIA (GR00T N2), et les propres modèles intégrés de Figure AI et 1X. RLWRLD se positionne comme couche d'infrastructure mutualisée, à destination potentiellement de plusieurs constructeurs, plutôt que comme fabricant de hardware. Les prochaines étapes à surveiller : publication de benchmarks sur RLDX-1, annonces de partenariats OEM, et levées de fonds post-label WEF.

Rapport technique Qwen-RobotManip : l'alignement permet le passage à l'échelle des modèles fondation pour la manipulation robotique

L'équipe Qwen d'Alibaba a publié le 22 juin 2026 un rapport technique décrivant Qwen-RobotManip, un modèle fondation Vision-Langage-Action (VLA) conçu pour la manipulation robotique généraliste. Construit sur l'architecture Qwen-VL, le modèle introduit un cadre d'alignement unifié couvrant trois dimensions : la représentation sensorielle, le mouvement, et le comportement. Son corpus d'entraînement atteint environ 38 100 heures de données, constitué exclusivement de jeux de données open source et de vidéos en vue subjective des mains humaines, sans aucune collecte propriétaire. Un pipeline de synthèse convertit ces démonstrations égocentrées en trajectoires robot compatibles avec 15 plateformes matérielles différentes, dont AgileX ALOHA, Franka, UR et ARX. Évalué sur six benchmarks out-of-distribution (RoboCasa365, LIBERO-Plus, EBench, RoboTwin-Clean2Rand, RoboTwin-IF, RoboTwin-XE), Qwen-RobotManip surpasse les modèles précédents sur l'ensemble des configurations et remporte la première place du RoboChallenge avec une amélioration relative de 20 % par rapport à l'état de l'art antérieur. Ce résultat est significatif parce qu'il répond directement à une question centrale du secteur : peut-on appliquer aux données de manipulation robotique la même recette de scaling qui a propulsé les grands modèles de langage ? Jusqu'ici, la réponse restait négative, en raison de l'hétérogénéité structurelle des données de manipulation (formats, espaces d'action, embodiments incompatibles), qui rendait l'entraînement multi-sources incohérent plutôt que synergique. Qwen-RobotManip avance que l'alignement préalable des données résout ce problème, permettant l'absorption à grande échelle sans dégradation. Les capacités émergentes documentées (suivi d'instructions zero-shot, récupération d'erreurs réactive, transfert cross-embodiment) constituent, si elles se confirment en conditions industrielles réelles, un changement de paradigme pour les intégrateurs : moins de fine-tuning spécifique par robot, généralisation à de nouvelles tâches sans redéploiement complet du pipeline. Il convient toutefois de noter que les résultats reposent sur des benchmarks académiques et des validations en laboratoire réel ; aucun déploiement industriel n'est encore documenté, et l'écart sim-to-real reste une inconnue à l'échelle. Qwen-RobotManip s'inscrit dans une course serrée autour des VLA pour la manipulation, où Physical Intelligence (pi0 et pi0.5), Google DeepMind (RT-2, pi-0), et Hugging Face (LeRobot) occupent déjà des positions fortes. Le modèle de Qwen se distingue en revendiquant la performance la plus élevée sur les benchmarks OOD publiés à ce jour, et surtout en n'utilisant aucune donnée propriétaire, ce qui ouvre théoriquement la voie à une adoption plus large. La publication est un preprint arXiv (arXiv:2506.17846v1), pas encore soumis à peer review, et aucune date de disponibilité du modèle ni annonce de pilote industriel n'accompagne ce rapport. Les prochaines étapes probables incluent une intégration dans l'écosystème Hugging Face ou ModelScope et des évaluations indépendantes en conditions réelles.

💬 L'obstacle au scaling en robotique, c'était pas le manque de données, c'était leur incohérence structurelle. Qwen le prouve ici : aligner avant de scaler, et les benchmarks OOD s'envolent de 20%. Bon, c'est encore du labo et je ne vois aucun déploiement industriel documenté, mais avec zéro donnée propriétaire dans le corpus, les intégrateurs sur Franka ou UR ont une vraie porte d'entrée.

Qwen-RobotNav : un modèle de navigation extensible conçu pour un système de navigation à base d'agents

Alibaba Research a publié le 24 juin 2026 le rapport technique de Qwen-RobotNav, un modèle de navigation robotique entraîné sur 15,6 millions d'échantillons et disponible en deux versions, 2B et 8B paramètres. Le modèle expose une interface paramétrée à deux dimensions : des modes de tâches sélectionnables (suivi d'instructions, recherche d'objets, tracking de cible, conduite autonome) et des paramètres d'observation configurables à l'inférence -- budget de tokens, pondération par caméra, fenêtre d'historique visuel. La randomisation de ces paramètres pendant l'entraînement rend le modèle robuste à toute configuration d'inférence sans modification architecturale. Le co-entraînement avec des données vision-langage (VLA) évite l'effondrement en simple mappeur action-séquence, un problème documenté sur les modèles entraînés uniquement sur trajectoires. Les benchmarks navigation annoncés sont en état de l'art sur les principales références du domaine, avec une généralisation zero-shot validée sur robots réels en environnements variés. L'intérêt industriel de Qwen-RobotNav réside dans son architecture modulaire : un planificateur de haut niveau peut décomposer un objectif long-horizon en sous-tâches, basculer dynamiquement le mode et la stratégie de contexte en cours d'épisode, et composer des comportements complexes via des appels répétés au même modèle de base. Pour un intégrateur ou un OEM robotique, cela signifie un seul backbone navigation réutilisable sur plusieurs verticales (logistique, inspection, assistance), sans refonte du pipeline perception-planification. Le passage de 2B à 8B paramètres montre un scaling favorable, avec émergence d'un substrat spatial-planning partagé qui transfère entre familles de tâches -- ce qui valide empiriquement l'hypothèse que l'entraînement multi-tâche peut remplacer des modèles spécialisés distincts. Qwen-RobotNav s'inscrit dans l'effort d'Alibaba DAMO Academy et du groupe Qwen pour étendre leur famille de modèles au-delà du langage pur vers l'action incarnée. En termes de positionnement concurrentiel, le modèle s'inscrit dans un espace occupé par des travaux comme NaviLLM (Microsoft), OpenFMNav et UniNav, tous cherchant un modèle de navigation généraliste. La différence revendiquée par Qwen-RobotNav est l'interface paramétrique unifiée permettant la reconfiguration à l'inférence sans fine-tuning, ce qui facilite l'intégration dans des systèmes agentiques multi-étapes. Le code et les poids ne semblent pas encore publiés au moment du rapport ; les résultats zero-shot sur robots réels restent à confirmer dans des conditions industrielles non contrôlées.

MuseVLA : un modèle VLA multimodal adaptatif pour la manipulation robotique

Des chercheurs présentent ce mois-ci MuseVLA (arXiv:2606.17598, juin 2026), un modèle Vision-Language-Action capable d'intégrer des capteurs non-RGB comme entrées de perception active lors de tâches de manipulation robotique. Sur un robot à main dextre testée en conditions réelles, MuseVLA atteint un taux de succès moyen de 80,6 % sur trois familles de tâches : saisie guidée par la température, recherche d'objet par signal audio, et récupération d'objet dissimulé assistée par radar. L'architecture repose sur un mécanisme en deux temps : le modèle génère d'abord un "sensor token" qui sélectionne dynamiquement la modalité sensorielle pertinente pour la tâche en cours, puis convertit la mesure capteur en une "grounded sensor image", une représentation intermédiaire unifiée fusionnée avec le flux RGB classique avant la génération d'action. Les auteurs introduisent également un pipeline de synthèse de données qui augmente des datasets RGB existants avec des images capteur simulées, contournant ainsi le coût prohibitif de la collecte de données multisensorielles réelles. L'apport principal est architectural plutôt que purement empirique : le découplage entre le traitement capteur spécifique et le backbone VLA permet d'intégrer de nouveaux capteurs sans réentraîner le modèle de base, un principe analogue aux "tool calls" dans les LLM. Cette modularité répond à une limite structurelle des VLA actuels, dont Pi-0 (Physical Intelligence), OpenVLA ou GR00T N2 (NVIDIA), qui opèrent quasi exclusivement sur RGB. La capacité de zéro-shot sur des tâches non vues lors de l'entraînement est notable, même si les conditions expérimentales restent celles d'un laboratoire, sans déploiement industriel rapporté. Les métriques de cycle time ou de robustesse en environnement non contrôlé ne sont pas fournies, ce qui limite l'interprétation du 80,6 % en contexte réel. Le papier s'inscrit dans une effervescence autour des VLA généralistes depuis mi-2024, avec des acteurs comme Physical Intelligence, 1X Technologies, Enchanted Tools côté européen, et les équipes de Google DeepMind ou Carnegie Mellon qui multiplient les approches de fusion multimodale. MuseVLA reste pour l'instant un preprint sans code ni dataset publié, et la question de la généralisation à des capteurs industriels standards (LiDAR, force/torque) n'est pas traitée. Les prochaines étapes naturelles seraient un benchmark comparatif sur des plateformes connues type Franka ou UR, et une validation hors labo pour confirmer la thèse du sim-to-real sur les données capteur synthétiques.

Alibaba dévoile Qwen-Robot : trois modèles fondation pour l'IA incarnée

Alibaba a publié mardi une suite robotique composée de trois modèles fondamentaux : Qwen-RobotNav, Qwen-RobotManip et Qwen-RobotWorld. Qwen-RobotNav étend les capacités vision-langage à la robotique mobile en unifiant quatre tâches au sein d'un même framework : suivi d'instructions, navigation orientée objectif, tracking de cible et conduite autonome. Qwen-RobotManip standardise l'espace état-action et représente le mouvement de l'effecteur terminal sous forme de poses incrémentielles dans le référentiel caméra, une approche conçue pour faciliter la généralisation multi-plateforme. Ce modèle a été entraîné sur plus de 38 100 heures de données entièrement open source. Qwen-RobotWorld, le troisième composant, fonctionne comme un world model généraliste : il prédit des états futurs physiquement cohérents via une interface en langage naturel, couvrant simultanément la navigation, la conduite et la manipulation depuis un seul modèle. L'approche modulaire mais unifiée est la proposition de valeur centrale de cette suite. Un world model unique opérant sur trois domaines d'action représente une architecture qui, si elle tient ses promesses en conditions réelles, réduirait significativement les coûts d'intégration pour les équipes robotiques industrielles. L'utilisation de données entièrement open source pour Qwen-RobotManip est un signal notable dans un secteur où les datasets propriétaires constituent souvent un avantage concurrentiel défensif : Alibaba positionne ainsi Qwen-Robot davantage comme une infrastructure partagée que comme un produit fermé. Réserve importante cependant : l'annonce ne s'accompagne d'aucun benchmark public (RLBench, LIBERO, CARLA) ni de déploiement physique documenté. Il s'agit d'une publication de modèles, pas d'un produit shipé. L'équipe Qwen d'Alibaba est reconnue pour ses modèles multimodaux (Qwen2.5-VL, QwQ), mais ce lancement marque son entrée explicite dans l'embodied AI. Le terrain est disputé : Google DeepMind pousse ses dérivés de RT-2, Physical Intelligence a publié Pi-0 et Pi-0.5, Hugging Face soutient l'initiative LeRobot, et NVIDIA propose GR00T N2 comme backbone pour les robots humanoïdes partenaires. Côté chinois, Unitree, Agibot et Zhiyuan Robot accélèrent eux aussi leurs pipelines VLA (vision-language-action). La prochaine étape pour Alibaba sera de démontrer des résultats sur des plateformes matérielles réelles ; faute de quoi, Qwen-Robot restera un framework académique parmi d'autres dans une course déjà très chargée.

Eno : le nouveau robot de Genesis AI préfère être utile plutôt que joli

La startup française Genesis AI a dévoilé le 16 juin 2026 Eno, son premier robot à usage général, conçu pour les environnements industriels plutôt que pour séduire le grand public. Contrairement aux humanoïdes développés par Tesla, Boston Dynamics ou les fabricants chinois qui dominent l'actualité robotique, Eno adopte une base à roues et un tronc ajustable en hauteur, sans jambes articulées ni visage expressif. Ce choix de design délibéré s'explique par une logique simple : la majorité des usines, laboratoires et hôpitaux ne comportent ni escaliers ni obstacles nécessitant une locomotion bipède. Les roues offrent stabilité, vitesse et économie d'énergie supérieures. C'est au niveau des mains qu'Eno se distingue réellement : Genesis AI a déjà démontré leur capacité à jouer du piano, résoudre un Rubik's Cube et manipuler des objets délicats avec une précision comparable à la dextérité humaine. Ces capacités reposent sur GENE, le modèle d'intelligence artificielle maison, qui permet au robot d'interpréter un objectif global, de planifier les étapes, de conserver le contexte en mémoire et d'adapter ses actions en temps réel, sans intervention opérateur à chaque étape. Les premiers déploiements industriels sont prévus avant la fin de l'année 2026. L'enjeu d'Eno dépasse le gadget technologique : il incarne un pari industriel sur ce que la robotique autonome peut réellement apporter aux entreprises à court terme. En ciblant d'abord l'industrie manufacturière, la logistique et les laboratoires, Genesis AI vise des secteurs où la pénurie de main-d'œuvre qualifiée et la répétitivité des tâches rendent l'automatisation économiquement justifiable. L'autonomie cognitive permise par GENE, si elle tient ses promesses sur le terrain, représente un saut qualitatif par rapport aux robots industriels classiques qui n'exécutent que des séquences préprogrammées. Pour les utilisateurs finaux, cela signifie potentiellement des lignes de production reconfigurables sans reprogrammation lourde, et une réduction des coûts d'intégration. Genesis AI s'inscrit dans une course mondiale à la robotique généraliste où les investissements se chiffrent en milliards : Figure AI, 1X Technologies, Apptronik ou encore Agility Robotics ont tous levé des fonds considérables ces deux dernières années, majoritairement aux États-Unis. La startup française choisit une approche pragmatique face à ces géants, en pariant sur la fonctionnalité plutôt que sur l'esthétique humanoïde. Son partenariat avec LG CNS lui ouvre des portes pour tester Eno dans des environnements industriels américains, ce qui sera crucial pour valider le modèle à l'international. À plus long terme, l'entreprise envisage des déploiements dans les hôpitaux, hôtels et domiciles, des marchés au potentiel énorme mais aux contraintes réglementaires et de sécurité nettement plus exigeantes. Tout dépendra des résultats des premières missions industrielles prévues d'ici fin 2026.

Qwen-RobotSuite : trois modèles d'IA incarnée pour la manipulation VLA, la modélisation du monde et la navigation

L'équipe Qwen, la division IA d'Alibaba, a publié Qwen-Robot-Suite, une collection de trois modèles d'IA incarnée destinés à la robotique. Les trois modèles sont distincts et ciblent des problèmes différents : Qwen-RobotManip est un modèle Vision-Language-Action (VLA) pour la manipulation physique, construit sur le backbone Qwen3.5-4B ; Qwen-RobotWorld est un modèle de simulation vidéo du monde réel, doté de 60 couches MMDiT et d'un encodeur Qwen2.5-VL gelé ; Qwen-RobotNav, disponible en versions 2B, 4B et 8B, est dédié à la navigation mobile et s'appuie sur Qwen3-VL. RobotManip et RobotNav sont déjà accompagnés de dépôts GitHub publics. Pour alimenter RobotManip, l'équipe a constitué un corpus d'environ 38 100 heures de données de manipulation, exclusivement issues de jeux de données open source et de vidéos humaines, dont 24 808 heures générées synthétiquement à partir de démonstrations à la première personne converties en trajectoires robotiques sur 15 plateformes différentes. Cette publication s'attaque à l'un des obstacles fondamentaux de la robotique moderne : la fragmentation des données. Chaque robot utilise des formats d'observation et d'action incompatibles, ce qui rend quasi impossible le transfert d'une politique entraînée sur un bras vers un autre. RobotManip résout ce problème via un cadre d'alignement unifié reposant sur un vecteur d'état canonique de 80 dimensions avec masquage binaire par dimension, une paramétrisation des actions en delta dans le référentiel caméra, et un mécanisme d'adaptation en contexte qui lit l'historique d'exécution récent pour identifier l'embodiment sans mettre à jour les paramètres du modèle. RobotWorld, quant à lui, utilise le langage comme interface d'action unifiée pour prédire des séquences vidéo futures, tandis que RobotNav expose une interface d'observation contrôlable pour générer des trajectoires de points de passage en navigation. Ces travaux s'inscrivent dans une course mondiale à la robotique fondationnelle, portée par des acteurs comme Google DeepMind avec RT-2, Physical Intelligence avec pi0, ou encore Tesla avec Optimus. Qwen adopte ici une stratégie modulaire plutôt qu'un modèle généraliste unique, en pariant sur la spécialisation par domaine tout en partageant un même écosystème de backbones de vision-langage. L'accent mis sur des données entièrement open source et des pipelines de synthèse automatisée indique une volonté de démocratiser l'entraînement de politiques robotiques sans dépendre de coûteuses collectes propriétaires. La mise à disposition des codes sources pour deux des trois modèles suggère que Qwen cherche à fédérer une communauté de recherche autour de ces fondations, dans un domaine ou la donnée reste le principal goulot d'étranglement.

Vidéo : un robot DIY fixé au plafond ramasse jouets, vêtements et objets épars

Nathaniel Nifong, un ingénieur indépendant, a publié les plans complets d'un robot domestique open source baptisé Stringman, conçu pour ramasser et trier automatiquement les objets épars au sol. Le système repose sur une architecture à câbles (cable-driven parallel robot) : quatre lignes haute résistance, ancrées aux quatre coins d'une pièce, suspendent un préhenseur à deux doigts équipé d'un mécanisme de poignet, qui se déplace dans l'espace aérien de la pièce et descend environ 50 centimètres sous son point d'accroche pour atteindre le sol, voire sous les meubles. Le robot s'appuie sur la plateforme LeRobot de Hugging Face et apprend par imitation : l'utilisateur pilote le système en télé-opération pour lui enseigner la saisie de différents types d'objets. Des marqueurs fiduciaires clip-on désignent les zones de dépôt (bac à jouets, panier à linge, poubelle). L'ensemble est disponible sous licence Apache 2.0 sur GitHub, et des kits prêts à assembler sont proposés en parallèle pour ceux qui ne souhaitent pas usiner les pièces eux-mêmes. L'intérêt principal de Stringman réside dans son rapport fonctionnalité/coût : avec seulement quatre moteurs, le système atteint une couverture spatiale qu'un bras robotique fixe ne peut pas égaler, sans les contraintes d'une plateforme mobile (batteries, navigation, coût unitaire). C'est la thèse centrale que défend Nifong : de nombreuses tâches domestiques répétitives peuvent être automatisées sans recourir aux robots humanoïdes, dont le coût et la complexité mécanique restent prohibitifs pour le grand public. L'architecture câble-driven évite rails, roues et membres articulés, tout en couvrant la totalité d'une pièce. Des algorithmes de compensation de balancement actif (swing-cancellation) stabilisent le préhenseur en déplacement, un défi classique des systèmes CDPR. Le projet inclut également un mode entièrement local pour le traitement vidéo et la télémétrie, répondant aux préoccupations de vie privée que soulèvent systématiquement les robots domestiques connectés. Stringman s'inscrit dans l'écosystème DIY qui s'est constitué autour de LeRobot depuis son lancement par Hugging Face en 2024, un framework qui a déjà fédéré des centaines de contributeurs autour de manipulateurs de table bas coût comme le SO-100 ou le Koch v1.1. Il se positionne dans un segment distinct : l'espace domestique vertical plutôt que l'établi ou l'atelier. Il n'existe pas encore de concurrent direct sur ce format résidentiel, bien que les grues CDPR soient bien documentées dans la littérature de robotique industrielle. Les limites actuelles sont réelles et assumées par le créateur : la vision machine nécessite encore des ajustements, les objets plats comme les livres restent difficiles à saisir de manière fiable, et les câbles descendent dans la pièce pendant le fonctionnement, ce qui peut gêner les habitants. Un kit commercial est en préparation, mais ni date de disponibilité ni prix n'ont été communiqués.

Kawasaki Robotics dévoile sa plateforme d'IA physique RL030N à Automate

Kawasaki Robotics dévoilera la semaine prochaine, lors du salon Automate 2026 à Chicago (McCormick Place, stand S-2201), sa nouvelle plateforme RL030N, un bras robotique à 8 degrés de liberté (DoF) conçu pour les applications d'IA physique. L'entreprise présentera également deux robots industriels inédits, le MXP360L dédié à la manutention lourde et le BA013L, ainsi que sa technologie d'inspection Pulseboard brevetée. Le RL030N se distingue des bras six axes conventionnels par un axe supplémentaire en configuration dite "plongeoir" ("diving board") : une extension supplémentaire qui permet d'atteindre des positions en espace confiné sans tomber en singularité, c'est-à-dire sans perdre le contrôle du couple cinématique inverse. Selon Paul Marcovecchio, directeur des industries générales chez Kawasaki Robotics (siège américain à Wixom, Michigan), cette articulation maintient également la pleine capacité de charge sur toute l'amplitude de mouvement, un compromis que les bras traditionnels étirent ne peuvent généralement pas tenir. La plateforme repose sur l'API temps réel ouverte KRNX de Kawasaki et supporte l'évitement d'obstacles, la planification de mouvement complexe et l'orchestration externe, c'est-à-dire le pilotage du robot par un superviseur logiciel tiers. L'intérêt industriel de la RL030N réside dans le pont qu'elle tente de construire entre les robots industriels fiables et les exigences de dextérité des nouveaux systèmes d'IA physique. Plusieurs startups ont développé des logiciels de planification de mouvement avancés, mais se heurtaient aux limites cinématiques des plateformes existantes ou à des latences incompatibles avec le contrôle temps réel. Kawasaki répond à cette demande en offrant un matériel pensé dès la conception pour être commandé par des orchestrateurs externes, ce qui réduit la friction d'intégration pour les éditeurs de VLA (Vision-Language-Action models) ou de systèmes de manipulation adaptative. La posture de Kawasaki est délibérément pragmatique : l'entreprise évite le discours "humanoid-first" et mise sur des robots industriels éprouvés reconvertis pour l'IA physique, un pari sur la robustesse plutôt que sur la rupture spectaculaire. Kawasaki Robotics opère dans l'automatisation industrielle depuis 1969, filiale de Kawasaki Heavy Industries, conglomérat japonais actif dans l'aéronautique, le ferroviaire et les véhicules récréatifs. Cette origine manufacture-first explique le discours centré sur les résultats concrets plutôt que sur les benchmarks de laboratoire. Sur un marché où Boston Dynamics, Agility Robotics, Figure ou 1X Technologies concentrent l'attention médiatique autour de l'humanoïde, Kawasaki choisit un positionnement différent : bras industriel augmenté, compatible physique AI, déployable immédiatement dans des lignes existantes. Automate 2026 sera le premier test public de la RL030N ; aucun calendrier de disponibilité commerciale ni tarif n'ont été communiqués à ce stade, ce qui en fait pour l'instant une annonce de salon plutôt qu'un produit disponible à la commande.

Genesis AI lance Eno, son robot polyvalent

Genesis AI a dévoilé le 16 juin 2026 Eno, son robot à usage général, accompagné de GENE, le modèle de fondation développé en interne pour piloter le système. Contrairement aux approches humanoïdes bipedaleset bipèdes dominantes dans le secteur, Eno repose sur une base roulante surmontée d'une colonne articulée dont la hauteur est ajustable en temps réel, permettant au robot de se replier pour le stockage ou d'étendre sa portée selon la tâche. Ses bras sont équipés de mains propriétaires à cinq doigts conçues pour manipuler des outils et objets calibrés pour des utilisateurs humains. Le robot intègre en option un écran affichant en temps réel l'état cognitif du système, c'est-à-dire les intentions et raisonnements en cours, un choix de design rare dans l'industrie. La société, basée à San Carlos en Californie et financée à hauteur de 105 millions de dollars en seed en 2025, prévoit de lancer la production et les premiers déploiements clients d'ici fin 2026, en ciblant en priorité les secteurs industriels (manufacturing, logistique, laboratoires), avant d'adresser l'hôtellerie, les hôpitaux, puis le grand public. L'annonce est notable non pas tant pour les performances revendiquées que pour le positionnement architectural choisi. En optant pour une base mobile sur roues plutôt que la locomotion bipedaleet bipède, Genesis AI fait le pari de la fiabilité opérationnelle sur des sols industriels plats plutôt que de la polyvalence locomotrice, ce qui réduit la complexité mécanique et le risque de chute tout en simplifiant l'intégration en entrepôt et en laboratoire. La transparence cognitive via l'écran intégré est un signal adressé aux opérateurs et intégrateurs, chez qui la confiance dans les décisions autonomes du robot reste un frein réel au déploiement. GENE est présenté comme un système capable de gérer des tâches longues et séquentielles en raisonnant sur le contexte, sans se limiter à des commandes isolées, ce qui correspond à la catégorie des VLA (Vision-Language-Action models) appliqués à la manipulation. Les affirmations de "précision au millimètre" et de "manipulation au niveau humain" restent à valider indépendamment : aucune métrique de benchmark externe n'est citée dans l'annonce. Genesis AI arrive sur un marché déjà très occupé. Figure AI (Figure 03), Physical Intelligence (Pi-0), Boston Dynamics (Atlas), Agility Robotics (Digit) et Tesla (Optimus Gen 3) sont déjà en phase de déploiement pilote ou de production limitée. Nvidia pousse GR00T N2 comme socle commun pour les VLA humanoïdes. Dans ce contexte, Eno se distingue par son format non humanoïde et son interface de transparence, deux paris qui tranchent avec la convergence du secteur vers le robot bipède anthropomorphe. La co-conception corps-cerveau revendiquée par Genesis, où le hardware et le modèle GENE auraient été développés conjointement dès l'origine, reste une tendance lourde que l'on retrouve chez 1X Technologies ou Apptronik. Les prochaines étapes annoncées restent vagues : "déploiements ciblés" fin 2026 sans noms de clients ni volumes. L'annonce est pour l'instant une présentation publique de concept, pas un produit en livraison.

Built Robotics et Penn xLAB s'associent pour développer une IA physique dédiée à la construction

Built Robotics, spécialiste américain de l'automatisation des engins de chantier fondé en 2016, s'associe au Safe Autonomous Systems Lab (xLAB) de l'Université de Pennsylvanie pour développer des modèles d'IA physiques adaptés aux environnements de construction. Le partenariat repose sur le déploiement de petits robots mobiles équipés de suites de capteurs, chargés de collecter des données sur des chantiers actifs : postures corporelles atypiques, occultations, conditions d'éclairage dégradées, comportements humains imprévus. Ces cas limites viennent enrichir un jeu de données déjà conséquent : Built revendique plus de 50 000 heures d'opérations terrain, l'installation de plus de 3 gigawatts de panneaux solaires et une présence sur plus de 40 sites. Depuis son entrée sur le marché du solaire à grande échelle en 2023 avec le RPD 35 (Robotic Pile Driver, son robot de battage de pieux autonome), la société a accumulé des volumes de données opérationnelles dans certains des environnements industriels les plus contraignants du secteur. L'objectif déclaré est de construire un "world foundation model" pour la coexistence sûre entre machines autonomes et opérateurs humains sur site. L'enjeu est structurant pour l'industrie de la construction, l'un des secteurs les plus accidentogènes au monde et l'un des derniers à amorcer sa transition vers l'autonomie robotique à grande échelle. Le partenariat cible explicitement le "sim-to-real gap" : l'écart entre la performance validée en environnement contrôlé et la robustesse réelle sur chantier, avec des centaines d'ouvriers sur des sites pouvant s'étendre sur plusieurs milliers d'acres. Le modèle edge AI de détection de personnes développé en interne par Built sera affiné à partir de ces données d'edge cases, avec l'ambition d'atteindre une perception dite "surhumaine", capable de détecter des dangers transitoires qu'un opérateur humain pourrait manquer. Pour les intégrateurs et les décideurs industriels, ce travail représente un pas vers une certifiabilité effective des systèmes autonomes outdoor, domaine où les standards de sécurité restent embryonnaires. Built est par ailleurs membre de l'Association of Equipment Manufacturers (AEM) et siège au Futures Council de l'organisation, dont Erol Ahmed, VP communications de Built, assure la présidence. Built Robotics a été fondé par Noah Ready-Campbell, diplômé de Penn, ce qui explique en partie la fluidité du rapprochement avec xLAB, dirigé par Rahul Mangharam, professeur en ingénierie électrique et des systèmes. Sur le plan concurrentiel, le segment des robots de construction autonomes voit émerger plusieurs acteurs : Caterpillar et Komatsu investissent dans l'autonomie de leurs engins lourds, tandis que des startups comme Dusty Robotics (traçage au sol) ou Trimble (géolocalisation de chantier) avancent sur des niches complémentaires. En Europe, des initiatives restent plus discrètes sur ce front spécifique. La phase initiale du pilote de recherche porte sur le déploiement du modèle edge AI de Built sur des chantiers actifs avec cartographie haute fidélité, avant une montée en puissance vers un modèle de fondation plus généraliste dont les contours et la timeline publique n'ont pas encore été précisés.

Pilotage des politiques VLA autorégressives par intervention sur les tokens d'action

Une équipe de chercheurs a publié Token Steering (TS), une méthode permettant de piloter dynamiquement les trajectoires générées par des modèles de fondation robotiques de type VLA (vision-language-action autorégressif). Le principe : injecter des entrées utilisateur de faible dimension directement dans l'espace de représentation des tokens d'action du modèle, sans modifier l'architecture du modèle de langage visuel (VLM) sous-jacent. TS opère entièrement à l'inférence, sans réentraînement ni fine-tuning. Évalué sur deux tâches de manipulation domestique, fermeture d'un tiroir après placement d'objet, et permutation d'objets en contexte dynamique, le taux de succès passe respectivement de 10,0 % à 72,5 % et de 16,7 % à 93,8 %. Ces résultats sont issus de la préprint arXiv:2606.15021 et n'ont pas encore fait l'objet d'une révision par les pairs. L'intérêt opérationnel est direct : supprimer le besoin de réentraînement lève un verrou majeur pour le déploiement de robots de fondation en conditions réelles. Des intégrateurs peuvent adapter le comportement d'un VLA pré-entraîné à des variations de scénario sans coût de calcul additionnel significatif. Le mécanisme guide l'action sans l'écraser, ce qui préserve les priors de dextérité et de fluidité appris durant le pré-entraînement. C'est un avantage concret sur les approches classiques de surcharge par commande directe, qui dégradent souvent la qualité du mouvement. L'article évoque également des cas d'usage d'accessibilité pour des personnes à mobilité limitée, piste crédible vers une robotique d'assistance plus inclusive. Les politiques VLA constituent l'un des axes les plus actifs de la robotique actuelle : Physical Intelligence a commercialisé Pi-0, NVIDIA a présenté GR00T N2, et plusieurs groupes académiques développent des variantes d'OpenVLA. Token Steering s'inscrit dans une tendance plus large qui cherche à rendre ces politiques modulables sans réentraînement, direction que poursuit également Enchanted Tools sur le plan applicatif. La contribution reste pour l'heure académique : aucun déploiement industriel ni partenariat n'est annoncé, et le site projet (jasontchan.github.io/token-steering) présente des vidéos de démonstration en environnement contrôlé. Les prochaines étapes attendues sont une validation sur hardware hors laboratoire et une extension aux VLA de génération récente comme Pi-0 ou GR00T N2.

💬 Passer de 10% à 72% de réussite sur une tâche de manipulation sans toucher au modèle, c'est le chiffre qui compte. Le vrai frein des VLA hors du labo, c'est exactement ça : chaque variation de scénario forçait un fine-tuning coûteux, et Token Steering court-circuite ça à l'inférence. Reste à valider sur du hardware moins coopératif, mais c'est précisément le bon problème à avoir résolu en premier.

SimWeaver : transfert simulation-réel RGB sans entraînement pour la manipulation d'objets déformables

Une équipe de recherche présente SimWeaver (arXiv:2606.15338), un système capable d'entraîner des politiques VLA (Vision-Language-Action) en environnement simulé uniquement, puis de les déployer directement sur un robot réel sans aucun affinage sur données réelles. Entraîné sur seulement 200 démonstrations simulées par tâche, SimWeaver atteint plus de 80% de succès par tâche et 91% de taux moyen sur cinq tâches de manipulation d'objets déformables incluant la manipulation de sacs plastique et la saisie de tissu de soie, sans téleopération ni calibration spécifique à chaque tâche. Sur la tâche de saisie de soie, la politique sim-entraînée atteint 100% de succès sous des variations visuelles importantes, là où les baselines entraînées sur données réelles chutent entre 9% et 70%. Le coût par trajectoire est réduit de deux ordres de grandeur par rapport aux approches requérant des données terrain. Ce résultat est notable parce que le sim-to-real pour objets déformables en entrée RGB brute est resté largement non résolu jusqu'ici. La physique des corps mous (tissus, sacs, fils) est notoirement difficile à simuler fidèlement, et l'écart simulation-réalité se traduit généralement par des politiques qui échouent dès le déploiement. SimWeaver contourne ce problème avec une augmentation photométrique tenant compte du pipeline ISP (Image Signal Processor) de la caméra, ce qui réduit le fossé visuel sans nécessiter de données réelles. Pour un intégrateur ou un COO industriel travaillant sur des lignes de conditionnement, de tri textile ou de logistique e-commerce, la réduction du coût de collecte de données et l'absence de recalibration par tâche représentent un levier économique concret. Le problème de la manipulation déformable concentre depuis plusieurs années une part croissante de la recherche en robotique, portée par des applications telles que la préparation de commandes en entrepôt (Exotec, HAI Robotics) ou l'assemblage textile. Les approches précédentes mobilisaient soit des capteurs de profondeur, soit d'importantes campagnes de téleopération pour construire des datasets réels. SimWeaver s'appuie sur quatre modules complémentaires : un simulateur physique calibré (SimWeaver-Sim), un générateur d'assets à partir d'une seule image (SimWeaver-Asset), un synthétiseur de trajectoires déterministe topologie-aware (SimWeaver-Syn) et un protocole de transfer sim-to-real avec augmentation ISP (SimWeaver-Real). Le code et un sous-ensemble d'assets représentatifs seront publiés en open source, ce qui positionne ce travail comme une infrastructure potentielle pour la communauté. Aucun partenaire industriel ni timeline de déploiement commercial n'est mentionné à ce stade : il s'agit d'une contribution académique, pas d'un produit annoncé.

💬 Le sim-to-real sur des objets déformables, c'était le mur que tout le monde contournait faute de physique fiable. 100% de succès sur la soie en sim seul, là où les modèles entraînés sur données réelles tombent entre 9 et 70%, c'est le genre de résultat qui force à prendre ça au sérieux. Bon, c'est encore académique et sans partenaire industriel annoncé, mais le code sort en open source, alors on verra vite si ça tient hors benchmark.

ADAPT : entraînement de politique analytique intégrant les perturbations pour la locomotion humanoïde

Une équipe de chercheurs a publié le 16 juin 2026 sur arXiv (2606.16542) une méthode baptisée ADAPT (Analytical Disturbance-Aware Policy Training), destinée à améliorer la robustesse locomotrice des robots humanoïdes soumis à des perturbations externes. Le système a été validé sur un Unitree G1 dans trois scénarios représentatifs : poussées au niveau du torse, perturbations en posture statique, et charges asymétriques appliquées aux mains. Dans chaque cas, ADAPT surpasse une politique de référence basée uniquement sur la proprioception (capteurs internes articulaires), avec un meilleur suivi de vitesse et une meilleure stabilité, y compris face à des perturbations hors distribution, c'est-à-dire non rencontrées lors de l'entraînement. La méthode n'exige aucun capteur de force/couple externe : elle s'appuie uniquement sur la dynamique interne du robot pour estimer en ligne les résidus de force et de couple appliqués au corps entier. L'intérêt technique d'ADAPT tient à son observateur de perturbations analytique, fondé sur la physique du corps rigide plutôt que sur un réseau de neurones ou une large randomisation de domaine. Les approches existantes présentent chacune un défaut structurel : la randomisation de domaine dégrade la précision, les objectifs de force spécifiques à une tâche limitent la transférabilité, et les estimateurs appris depuis l'historique de mouvement peinent hors distribution. ADAPT contourne ces compromis en fournissant à la politique un signal d'entrée explicite et physiquement fondé sur les forces et couples perturbateurs estimés, ce qui lui permet de se généraliser à des scénarios jamais vus. Un bénéfice secondaire notable : en pénalisant les perturbations inférées au niveau des articulations inférieures, le système favorise une locomotion plus légère, réduisant les impacts au sol, ce qui peut prolonger la durée de vie mécanique et améliorer la discrétion sonore en milieu de travail. Le Unitree G1 est une plateforme humanoïde commerciale abordable, largement utilisée dans la recherche sur la locomotion apprise, ce qui confère à ces résultats une portée pratique directe. Ce travail s'inscrit dans une tendance plus large où les laboratoires cherchent à combler le fossé sim-to-real sans ajouter de capteurs coûteux, une contrainte forte pour les déploiements industriels à grande échelle. Côté concurrence, des approches similaires ont été explorées par des équipes travaillant sur Boston Dynamics Atlas, Agility Robotics Digit et les humanoïdes Figure et 1X, mais souvent avec des capteurs de force dédiés. ADAPT représente une direction sensorless qui, si elle se confirme sur d'autres plateformes, pourrait simplifier l'intégration matérielle. L'article étant un preprint arXiv non encore évalué par les pairs, la reproductibilité reste à confirmer indépendamment, et les conditions exactes des expériences (vitesses testées, amplitude des poussées) ne sont pas précisées dans le résumé disponible.

IVRA : améliorer les relations entre tokens visuels pour la politique d'action des robots grâce à un guidage sans entraînement

Les modèles Vision-Language-Action (VLA) souffrent d'un défaut structurel bien documenté : en aplatissant les patches d'image en une séquence 1D de tokens, ils perdent les repères spatiaux 2D nécessaires à la manipulation précise d'objets. Des chercheurs ont publié sur arXiv (référence 2601.16207v2) IVRA, une méthode d'inférence légère et sans réentraînement qui corrige ce problème en exploitant des signaux d'affinité déjà présents dans l'encodeur visuel natif du modèle. Ces signaux sont injectés sélectivement dans une couche du modèle de langage où résident les caractéristiques au niveau des instances, réalignant les interactions entre tokens visuels et préservant mieux la structure géométrique sans modifier aucun paramètre. Appliqué à trois architectures distinctes, LLaRA, OpenVLA et FLOWER, IVRA a été évalué sur les benchmarks VIMA (manipulation 2D) et LIBERO (manipulation 3D), ainsi que sur des tâches en environnement physique réel. Sur VIMA en régime de faibles données, il améliore le taux de succès moyen de +4,2 % par rapport à la baseline LLaRA. Sur LIBERO 3D, les gains restent cohérents même proches de la saturation (96,3 % vers 97,1 %). L'intérêt industriel est direct : un intégrateur qui a déjà déployé un VLA peut appliquer IVRA à l'inférence sans réentraînement, sans capteur supplémentaire, sans encodeur externe. C'est un avantage immédiat en time-to-value pour des systèmes en production. Le fait que la méthode fonctionne même à 96,3 % de baseline suggère qu'elle améliore la précision géométrique locale plutôt que la compréhension globale de scène, précisément le point de défaillance des VLA sur des tâches de manipulation fine (saisie d'objets proches, tri par forme, assemblage). Pour la recherche, IVRA valide l'hypothèse que les encodeurs visuels embarqués contiennent des informations spatiales latentes exploitables sans supervision supplémentaire, une direction "training-free adapter" qui mérite davantage d'exploration. La perte de structure spatiale dans les VLA est connue depuis les premières publications sur RT-2 (Google DeepMind, 2023) et OpenVLA (Berkeley/Stanford, 2024). Les réponses habituelles consistent à modifier l'architecture ou à ajouter des flux de données supplémentaires (depth, point clouds), augmentant la complexité de déploiement. Physical Intelligence avec pi-0 et NVIDIA avec GR00T N2 misent sur des architectures propriétaires plus lourdes ; IVRA propose une correction orthogonale applicable sur des modèles ouverts, en compétition directe avec les méthodes de spatial token resampling et d'attention guidée comme RoboFlamingo. L'étape suivante logique serait une validation sur des benchmarks plus exigeants (RLBench, BridgeData v2) et sur des manipulateurs industriels à 6 DOF ou plus en conditions réelles, là où la précision spatiale est critique.

APEX : exécution adaptative de politiques pour la manipulation de précision

Une équipe de chercheurs a publié sur arXiv (référence 2606.16504) un framework baptisé APEX, Adaptive Policy Execution, conçu pour combler le fossé d'exécution qui dégrade les performances des robots manipulateurs pilotés par des politiques d'imitation. Dans les benchmarks rapportés, APEX réduit l'erreur de suivi induite par le contrôleur de 41,2 % sur la relecture de démonstrations, et améliore le taux de succès en manipulation de 4,8 à 25,8 points de pourcentage selon la classe de politique testée, visuomoteur ou VLA (Vision-Language-Action). Ces résultats couvrent quatre familles de politiques distinctes, ce qui constitue une base de comparaison plus large que la plupart des papiers du genre. Le problème que APEX adresse est structurel dans le domaine : les politiques d'imitation modernes génèrent des références d'action de haut niveau (positions cibles, trajectoires) que des contrôleurs bas niveau exécutent ensuite. Or ces politiques sont entraînées sans modéliser la dynamique du contrôleur sous-jacent, ce qui crée un écart systématique entre les actions commandées et les actions réalisées, un problème particulièrement critique pour les tâches de manipulation de précision (assemblage, insertion, saisie fine). Les approches existantes nécessitaient soit de modifier l'architecture de la politique pré-entraînée, soit de reprogrammer le contrôleur bas niveau. APEX se positionne comme une couche intermédiaire plug-and-play, traitant la politique et le contrôleur comme des boîtes noires inaccessibles. Il reconstruit une référence dynamiquement faisable à partir des sorties de la politique, puis s'adapte en temps réel via le feedback d'état bas niveau. Les auteurs fournissent une garantie formelle de convergence, ce qui est notable dans un champ souvent dominé par des résultats empiriques sans fondement théorique. Le contexte est celui d'une course intense au déploiement des VLA dans des environnements industriels réels : des modèles comme pi0 (Physical Intelligence), OpenVLA ou RT-2 (Google DeepMind) affichent des résultats impressionnants en simulation ou en laboratoire, mais peinent à translater leurs performances sur des robots physiques en raison précisément de ce sim-to-real gap d'exécution. APEX s'inscrit dans une tendance émergente, sans toucher aux poids du modèle, améliorer l'exécution physique, qui concurrence les approches de fine-tuning sur robot réel. La publication ne mentionne pas de partenaires industriels ni de timeline de déploiement ; il s'agit d'une contribution de recherche, pas d'un produit annoncé. L'enjeu pour les intégrateurs est direct : si le framework tient ses promesses à plus grande échelle, il pourrait devenir un composant standard entre n'importe quelle politique foundation et n'importe quel bras robot commercial, sans nécessiter d'accès au code source de l'un ou de l'autre.

DataLadder : une chaîne d'outils d'interconversion par simulation pour la pyramide de données de l'IA incarnée

Une équipe associée à JD Cloud publie DataLadder (arXiv:2606.16776, juin 2026), un pipeline de conversion bidirectionnel entre robots réels, simulation et démonstrations humaines, conçu pour scaler la génération de données d'entraînement et l'évaluation de politiques robotiques généralistes. L'outil repose sur deux flux complémentaires via le simulateur JoySim. Le premier, Robot vers Simulation vers Human, reconstruit des tâches réelles de rangement sur table en jumeaux numériques calibrés, puis mobilise des retours humains pour affiner la naturalité des trajectoires simulées, permettant une évaluation reproductible sans mobiliser de robot physique en continu. Le second, Human vers Simulation vers Robot, projette des démonstrations humaines filmées en vue égocentrique dans JoySim, les confronte aux contraintes physiques du robot cible, et en extrait trajectoires, annotations et observations visuelles directement utilisables en entraînement. Les modules de reconstruction, rendu et augmentation de réalisme sont exposés en services cloud sur JD Cloud. Ce travail adresse une asymétrie bien documentée : les données issues de robots réels restent la source la plus fiable, mais leur collecte est lente et coûteuse, tandis que la simulation seule souffre du sim-to-real gap. DataLadder introduit un filtre de cohérence physique dans la boucle de conversion human-to-robot, ce qui dépasse les approches de retargeting naïves. Pour les équipes développant des architectures VLA (vision-language-action), cette infrastructure pourrait réduire significativement la dépendance aux démos téléopérées, dont le coût est souvent estimé à plusieurs milliers de dollars par heure de collecte. L'accessibilité via API cloud simplifie également le déploiement pour des équipes sans cluster de simulation dédié. DataLadder s'inscrit dans la course au "data flywheel" pour robots généralistes, lancée par RT-2 (Google DeepMind, 2023) et accélérée par des politiques comme pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA). JD.com, conglomérat e-commerce chinois opérant une large flotte logistique autonome, a un intérêt direct à industrialiser cette chaîne pour ses propres lignes de tri et de picking. Aucun benchmark comparatif avec les simulateurs concurrents Isaac Lab (NVIDIA) ou MuJoCo Playground (DeepMind) n'est fourni dans ce preprint, ce qui rend les affirmations de performance difficiles à évaluer pour l'instant. La prochaine étape attendue serait une validation quantitative sur des benchmarks standardisés de manipulation comme LIBERO ou MetaWorld.