Actualités

Le robot d'entrepôt Proteus d'Amazon planifie désormais ses tâches directement depuis des instructions textuelles

Amazon a présenté une version mise à jour de son robot autonome Proteus lors de l'événement "Delivering the Future" à Londres, accompagnée d'un investissement annoncé de plus de 10 milliards d'euros dans la modernisation de son réseau logistique européen. La principale nouveauté de ce Proteus de nouvelle génération est son interface en langage naturel : un opérateur saisit une requête textuelle ordinaire, et le robot détermine lui-même la priorité de la tâche, calcule un itinéraire et planifie l'exécution. Contrairement aux versions précédentes cantonnées aux zones de quai (dock operations), il peut désormais circuler dans l'ensemble d'un centre de distribution pour tracter des chariots lourds. Amazon mène actuellement des pilotes dans ses installations de recherche et prévoit un déploiement européen au premier semestre 2027. L'événement a aussi annoncé l'extension de STARK, un système de manutention de bacs de stockage (tote-handling) déjà piloté à Barcelone, vers 15 sites européens d'ici 2027, et la poursuite du déploiement de Vulcan, son robot à préhension tactile. L'intégration d'une interface en langage naturel dans un robot de manutention industrielle représente un changement opérationnel potentiellement significatif. Diriger un AGV ou un robot autonome nécessitait jusqu'ici une programmation spécialisée ou une configuration via interfaces dédiées, une barrière réelle en contexte d'entrepôt à fort turnover. Si cette approche tient à l'échelle, elle réduit le coût d'intégration humain-robot et accélère l'onboarding des opérateurs. Pour les décideurs B2B, le signal est notable : Amazon teste une couche d'abstraction LLM au-dessus de sa flotte robotique, une direction qu'explorent également Figure AI côté humanoïde avec son interface vocale sur Figure 02. L'annonce confirme que le principal verrou n'est plus le sim-to-real mais l'interfaçage homme-machine et la flexibilité de déploiement. Il faut cependant souligner qu'il s'agit ici de pilotes en cours avec un horizon 2027, pas d'un déploiement en production généralisé. Proteus existe depuis 2022, présenté alors comme le premier robot autonome d'Amazon certifié pour opérer aux côtés des humains sans cage de protection, mais limité aux opérations de quai. Amazon compte aujourd'hui plus de 750 000 robots dans ses entrepôts mondiaux, dans un écosystème incluant Sparrow, Cardinal, Vulcan et STARK. En Europe, les concurrents directs sur le segment AMR logistique incluent Exotec (France, système Skypod déployé chez Carrefour et Decathlon) et AutoStore, bien qu'aucun n'ait encore annoncé d'interface LLM pour la direction des robots en langage naturel. L'annonce des 25 000 créations d'emplois en Europe et du milliard de dollars engagé dans le programme Career Choice d'ici 2030 s'inscrit dans la communication habituelle d'Amazon pour contrebalancer les narratifs d'automatisation-suppression d'emplois. Les prochaines étapes à surveiller : la performance réelle des pilotes Proteus en conditions de production, le calendrier précis de l'extension de STARK, et d'éventuelles publications techniques sur l'architecture LLM embarquée.

Generalist lève 400 millions de dollars pour développer ses modèles d'IA généralistes

Generalist AI Inc. a annoncé une levée de fonds de 400 millions de dollars, portant son financement total à plus de 500 millions depuis sa création en 2024. Le tour a été mené par Radical Ventures, avec de nouveaux entrants incluant 8VC, Union Square Ventures, Hanabi Capital et Norwest, auxquels s'ajoutent les investisseurs historiques NVentures (NVIDIA), Boldstart Ventures, Spark Capital et Bezos Expeditions. Parmi les investisseurs individuels figurent Fei-Fei Li, Eric Yuan (PDG de Zoom), Bin Lin et Naval Ravikant. Basée à San Mateo, en Californie, la startup développe des modèles fondamentaux destinés à des robots généralistes, capables d'opérer sur différentes architectures matérielles. En novembre 2025, elle avait lancé GEN-0, présenté comme le premier modèle à appliquer les lois de mise à l'échelle (scaling laws) à la robotique physique. En avril 2026, elle a publié GEN-1, avec des métriques communiquées par la société elle-même: taux de succès moyen de 99 % sur des tâches où les modèles précédents atteignaient 64 %, vitesse d'exécution environ trois fois supérieure sur des manipulations dextères, et seulement une heure de données robotiques nécessaires par compétence apprise. Ces chiffres, s'ils se confirment en conditions industrielles réelles, représenteraient un changement structurel pour la commercialisation de la robotique généraliste. Le principal verrou du secteur reste logiciel: la plupart des intégrateurs investissent encore des semaines de collecte de données pour chaque nouvelle tâche. Un modèle nécessitant une heure de données par compétence transformerait radicalement l'économie du déploiement. Cela dit, les métriques publiées proviennent exclusivement des communications internes de Generalist AI, sans validation indépendante ni précision sur les conditions de benchmark ou la nature des tâches testées. Le concept de "data flywheel", selon lequel les déploiements chez des clients industriels génèrent les données qui alimentent le modèle suivant, est éprouvé dans le logiciel; sa transposition à la robotique physique, avec ses contraintes de sécurité et de variabilité du monde réel, reste à démontrer à l'échelle. Generalist AI a été fondée en 2024 par Pete Florence (CEO), Andy Zeng (Chief Scientist) et Andrew Barry (CTO), trois chercheurs issus des milieux académiques et industriels de la robotique. La startup s'inscrit dans un marché en forte compétition: Physical Intelligence avec son modèle Pi-0, Figure AI avec le Figure 03, Boston Dynamics, Apptronik et 1X Technologies ciblent tous le même segment des modèles d'IA généralistes pour robots physiques. En Europe, Enchanted Tools et Wandercraft progressent sur des verticales plus ciblées. Avec cette levée, Generalist AI prévoit d'accélérer le développement de modèles de nouvelle génération, d'étendre son infrastructure d'entraînement et de renforcer son moteur de collecte de données physiques. La prochaine étape observable sera la documentation de déploiements industriels concrets chez des clients identifiés, seul critère qui permettra de distinguer les performances en laboratoire de la viabilité commerciale annoncée.

💬 500 millions en deux ans, c'est du sérieux. Ce qui m'intéresse vraiment, c'est pas le chèque, c'est cette histoire d'une heure de données par compétence apprise (contre des semaines pour les intégrateurs actuels). Si ça tient en conditions industrielles, tu changes complètement l'économie du déploiement robotique, mais tous les chiffres sortent de chez eux sans validation externe, donc faut voir les premiers clients réels avant de s'emballer.

Robot humanoïde : démonstration de compétences de lutte contre l'incendie en terrain difficile

Deep Robotics, entreprise chinoise spécialisée en robotique, a publié début juin 2026 une nouvelle vidéo de démonstration de son robot humanoïde DR02, montrant l'engin courir sur un terrain herbeux irrégulier, franchir des obstacles, gravir des escaliers en béton et naviguer en extérieur. Deux séquences retiennent particulièrement l'attention : le robot portant un extincteur fixé dans son dos, et évoluant à proximité d'infrastructures électriques haute tension. L'entreprise indique que la plateforme bénéficie désormais d'une capacité de charge et d'une franchissabilité améliorées, sans toutefois publier de spécifications techniques mises à jour. Pour rappel, lors de sa présentation en octobre 2025, le DR02 affichait une taille de 1,73 mètre, une certification IP66 (résistance à la poussière et à l'eau), une plage de fonctionnement de -20°C à 55°C et une charge utile de 20 kilogrammes. La vidéo actuelle constitue une annonce de progression de la plateforme, non un déploiement commercial confirmé. Ce que cette démonstration signale avant tout, c'est une stratégie cohérente de positionnement sur les environnements industriels difficiles et les missions à risque, plutôt que sur les démonstrations grand public. Pour un intégrateur ou un COO industriel, le signal pertinent n'est pas la prouesse locomotrice en elle-même, mais l'orientation résolument terrain : inspection, maintenance, réponse d'urgence. Deep Robotics avait déjà déployé des robots quadrupèdes dans des environnements dangereux, et présenté en mars 2026 un robot-cheval capable de transporter 50 kilogrammes sur terrains non carrossables, destiné à la logistique et à l'exploration industrielle. La récurrence du motif "extincteur + haute tension" suggère que l'entreprise cible activement les opérateurs d'infrastructure énergétique et les services de sécurité industrielle. Il reste que les vidéos sélectionnées ne permettent pas d'évaluer les taux de succès réels ni les conditions de test, un biais classique dans ce type de communication. Deep Robotics arrive à ce stade de communication dans un contexte financier et concurrentiel tendu. L'entreprise a récemment déposé un dossier d'introduction en bourse sur le STAR Market de Shanghai, visant à lever environ 2,5 milliards de yuans (367 millions de dollars) pour financer le développement de systèmes d'IA embarquée, de nouvelles plateformes humanoïdes et des capacités de production. Son concurrent direct Unitree Robotics a simultanément avancé ses propres plans d'IPO, illustrant la course à la capitalisation qui structure désormais le secteur humanoïde chinois. Le véritable enjeu pour les mois à venir ne sera pas la mobilité physique, déjà largement démontrée par plusieurs acteurs (Figure, Boston Dynamics, Agility Robotics côté occidental), mais la capacité à prouver une autonomie réelle dans des environnements non structurés et imprévisibles, condition sine qua non d'un déploiement industriel crédible.

Le public américain acclame les robots dansants Unitree pendant que le Congrès cherche à les interdire

Les robots humanoïdes G1 du fabricant chinois Unitree Robotics ont fait une apparition remarquée dans le show télévisé américain America's Got Talent lors du lancement de sa nouvelle saison, décrochant une ovation debout du public en studio. La performance, diffusée en prime time sur une chaîne nationale américaine, a suscité une adhésion populaire immédiate selon les analystes du secteur, même si les chiffres d'audience définitifs n'ont pas encore été communiqués. Le G1 est un humanoïde bipède commercialisé par Unitree à environ 16 000 dollars, positionné comme l'une des plateformes humanoïdes les moins chères du marché mondial. Ce contraste entre l'enthousiasme du grand public et la méfiance des élus illustre une tension structurelle croissante dans le secteur robotique américain. Alors que des législateurs au Congrès examinent des projets de loi visant à restreindre ou interdire l'utilisation de robots et composants d'origine chinoise dans les infrastructures critiques, une exposition télévisée à grande échelle normalise ces mêmes machines auprès de dizaines de millions de foyers. Pour les décideurs industriels et les intégrateurs, ce clivage complique les arbitrages d'approvisionnement : les plateformes chinoises restent attractives sur le plan tarifaire mais exposent à un risque réglementaire croissant. Unitree a connu une montée en puissance rapide, passant des robots quadrupèdes bon marché (série Go) aux humanoïdes G1 et H1. La société s'impose comme le pendant grand public de Figure AI, Agility Robotics ou Boston Dynamics sur le segment entrée de gamme. Les tentatives législatives américaines de restreindre les robots chinois s'inscrivent dans la continuité des régulations visant Huawei ou DJI, et pourraient accélérer la demande pour des alternatives domestiques comme Apptronik ou Sanctuary AI si elles aboutissent.

Amazon développe un robot d'entrepôt que les employés peuvent piloter à la voix

Amazon a présenté une nouvelle version de Proteus, son robot de manutention autonome déployé dans ses entrepôts, capable désormais de recevoir des instructions en langage naturel. Là où les opérateurs devaient auparavant passer par un logiciel spécialisé pour programmer les déplacements de l'engin, ils peuvent désormais lui communiquer des tâches verbalement, comme à un collègue. Le robot, au format bas et trapézoïdal conçu pour déplacer de lourds chariots à travers les allées logistiques, conserve le même châssis que le modèle original annoncé en 2022, la nouveauté est exclusivement logicielle, portée par une surcouche IA. L'enjeu est significatif pour les opérations à grande échelle : éliminer la friction de programmation réduit le temps de formation des opérateurs et permet une réaffectation dynamique des robots sans intervention IT. C'est aussi un signal clair sur la direction qu'Amazon prend dans la course à l'automatisation de ses 1 000+ centres de distribution aux États-Unis, où la pression syndicale et les coûts de main-d'oeuvre accélèrent les déploiements robotiques. Cela dit, l'annonce reste pour l'instant au stade de démonstration capacitaire : Amazon ne communique pas de chiffres de déploiement, de taux d'erreur ni de benchmarks de cycle time dans des conditions réelles. Proteus fait partie d'un portefeuille robotique Amazon qui inclut Sequoia (tri de petits colis), Sparrow (picking d'articles) et Cardinal (manutention de caisses). Sur le volet langage naturel appliqué aux robots industriels, Amazon rejoint une tendance portée par Boston Dynamics (Spot) et Intrinsic (filiale Alphabet), qui intègrent des interfaces LLM pour réduire la barrière à la programmation en atelier. Les prochaines étapes annoncées par Amazon restent vagues, sans timeline précise ni volume de déploiement confirmé.

IA physique et fabrication vestimentaire : entretien avec le PDG de CreateMe sur la révolution du sans-couture

CreateMe, startup spécialisée dans l'automatisation du prêt-à-porter et dirigée par Campbell Myers, développe des systèmes de fabrication textile basés sur l'IA physique, des modèles capables de percevoir et de manipuler des matériaux souples en temps réel. L'approche centrale de l'entreprise repose sur le bonding (collage structurel) plutôt que sur la couture traditionnelle, une décision technique qui vise à simplifier radicalement la chaîne d'assemblage. L'industrie de l'habillement emploie plusieurs dizaines de millions de travailleurs à l'échelle mondiale, concentrés principalement en Asie du Sud-Est, et reste l'un des secteurs les moins automatisés de la fabrication industrielle. La manipulation de tissus constitue l'un des derniers grands verrous non résolus de la robotique. Contrairement aux pièces rigides traitées en automobile ou en électronique, les textiles se déforment, se plissent et changent de géométrie entre chaque opération, rendant inutilisables les approches classiques à trajectoire fixe. Passer du stitching au bonding n'est pas qu'un choix de process : c'est une façon de réduire le nombre d'états intermédiaires que le robot doit gérer, ce qui rend le problème de manipulation conditionnellement plus tractable pour les VLA (Vision-Language-Action models) actuels. SoftWear Automation avait tenté une première vague d'automatisation textile avec ses robots Sewbot dès les années 2010, sans atteindre la scalabilité industrielle. Sewts (Munich) travaille sur des segments adjacents liés au tri et au dépliage. CreateMe se positionne en aval, sur l'assemblage final, là où la valeur ajoutée est la plus dense. Le sim-to-real gap sur les déformables reste le principal obstacle technique non résolu ; les prochaines annonces de l'entreprise seront à lire en distinguant soigneusement démos contrôlées et déploiements en conditions réelles.

Un nouveau robot humanoïde apporte perception avancée et manipulation aux robots industriels

VinRobotics, filiale robotique du conglomérat vietnamien Vingroup, a présenté le VR-H3 simultanément à l'ICRA 2026 de Vienne et au COMPUTEX Taipei 2026 fin mai. Ce robot humanoïde de troisième génération embarque plus de 31 actionneurs assurant la coordination corps entier, deux ordinateurs de bord pour le traitement local des données sensorielles, et une capacité de charge utile annoncée entre 6 et 8 kilogrammes. Il est conçu pour la manutention, l'assemblage et la navigation en environnement industriel dynamique. Lors de la démonstration à l'ICRA, VinRobotics a illustré une téléopération via casque de réalité virtuelle couplé à une capture de mouvement intégrée, sans équipement de tracking externe. La même semaine, VinDynamics, autre filiale de Vingroup, dévoilait Dyno, un premier humanoïde dédié à la sécurité, la surveillance urbaine et l'assistance domestique, déjà testé comme guide autonome au Vinpearl Safari Phu Quoc en dialogue multilingue avec les visiteurs. VinRobotics revendique un développement 100 % interne : architecture mécanique, infrastructure temps réel, architecture électrique et électronique, gestion de batterie et framework IA corps entier. Ce double lancement positionne Vingroup comme le premier acteur vietnamien à présenter plusieurs plateformes humanoïdes simultanément dans des conférences de rang mondial. L'intégration verticale revendiquée, si elle est confirmée, confère un avantage potentiel sur la maîtrise des coûts et les cycles d'itération, un levier que cherchent précisément les intégrateurs industriels soumis à des délais d'approvisionnement longs sur les actionneurs. La charge utile de 6 à 8 kg reste cependant modeste face aux références actuelles du secteur (Tesla Optimus Gen 3 annonce 20 kg, Figure 02 vise des tâches similaires avec un payload supérieur). Les vidéos publiées montrent des démonstrations en conditions contrôlées : aucun chiffre de temps de cycle, de taux de succès en tâche répétitive ou de volume de déploiement n'est communiqué, ce qui situe le VR-H3 clairement au stade prototype démontré, pas produit expédié. Vingroup, groupe diversifié dont la capitalisation dépasse 10 milliards de dollars et qui couvre l'automobile (VinFast), l'immobilier et la technologie, a structuré depuis 2023 une branche robotique active avec VinRobotics et VinDynamics. Le contexte global est celui d'une course humanoïde intense : en Chine, Unitree, Agibot et XPENG Robotics produisent déjà à petite série ; aux États-Unis, Agility Robotics déploie Digit chez Amazon ; en Europe, 1X Technologies et Enchanted Tools (Mirokaï) avancent sur des niches de service. Le Vietnam, qui cherche à monter en gamme dans la chaîne de valeur manufacturière, mise sur la robotique comme vitrine technologique nationale. Les prochaines étapes pour VinRobotics restent floues : aucun pilote industriel signé ni timeline de commercialisation n'a été annoncé à l'issue des deux événements.

Serve Robotics s'étend au-delà de la livraison alimentaire avec un service de blanchisserie autonome

Serve Robotics, la startup californienne spécialisée dans la livraison autonome par robot-trottoir, annonce un partenariat commercial avec NoScrubs, service de laverie à la demande en croissance rapide. Le pilote, lancé cette semaine dans plusieurs quartiers de Los Angeles, mobilise la flotte existante de robots autonomes de Serve pour livrer les commandes de linge directement à la porte des clients. Il s'agit du premier contrat de livraison urbaine de l'entreprise en dehors de la restauration préparée. L'article source, issu d'un communiqué de presse, ne fournit pas de métriques opérationnelles (taille de la flotte dédiée, temps de cycle, volumes de commandes cibles), ce qui limite l'évaluation des ambitions réelles du pilote. L'intérêt stratégique réside dans la diversification du cas d'usage : les robots-trottoirs de Serve, jusqu'ici cantonnés à la livraison Uber Eats, démontrent leur capacité à s'intégrer dans des verticales à haute fréquence au-delà du food. Pour les opérateurs de flotte et les intégrateurs logistiques, c'est un signal que le modèle économique de la livraison autonome de dernier kilomètre peut être mutualisé entre secteurs, laundry, pharmacie, épicerie, améliorant le taux d'utilisation des robots et réduisant le coût par livraison. Cela reste toutefois un pilote annoncé, pas un déploiement à l'échelle prouvé. Serve Robotics est issu de Postmates (racheté par Uber), devenu entité indépendante en 2021 avec le soutien de Nvidia au capital. L'entreprise opère principalement à Los Angeles, son seul marché commercial actif à ce jour. Elle fait face à la concurrence de Starship Technologies (déployé sur campus et en banlieue résidentielle aux États-Unis et en Europe), Coco (Los Angeles, modèle téléopéré), et Kiwibot. La prochaine étape décisive sera l'extension géographique du pilote NoScrubs et la publication de données opérationnelles permettant de juger la viabilité du modèle hors restauration.

BYD développe des robots humanoïdes, selon une source

BYD, le géant chinois des véhicules électriques, développe des robots humanoïdes, selon une source proche du dossier citée mercredi par le média financier chinois Yicai. L'information a été confirmée la même semaine par Li Ke, vice-présidente exécutive du groupe, dans une interview où elle a déclaré explicitement : "BYD travaille également sur les robots humanoïdes." Li Ke n'a fourni ni calendrier ni spécifications techniques, et aucun prototype n'a été présenté publiquement, il s'agit donc d'une annonce de programme, pas d'un produit déployé. L'entrée de BYD dans l'humanoïde illustre une convergence industrielle qui s'accélère en Chine : les constructeurs automobiles disposant de capacités de fabrication à grande échelle, de chaînes d'approvisionnement en batteries et en électronique embarquée, et d'équipes d'IA pour les systèmes ADAS, considèrent désormais la robotique humanoïde comme une extension naturelle de leur savoir-faire. Li Ke a explicitement mentionné que les technologies d'IA automobile et robotique partagent des fondations communes, un argument similaire à celui avancé par Tesla pour justifier son programme Optimus. Si la thèse se vérifie industriellement, BYD disposerait d'un avantage structurel sur les pure-players robotiques en termes de coûts de production et d'intégration verticale. BYD rejoint ainsi un écosystème humanoïde chinois déjà dense, avec Unitree, Fourier Intelligence, Agibot et UBTECH, ainsi que les programmes étatiques liés au plan "Made in China 2025". À l'échelle internationale, la concurrence directe inclut Figure AI (Figure 03), Boston Dynamics (Atlas), Agility Robotics (Digit, déployé chez Amazon) et le programme Optimus de Tesla. Li Ke a évoqué la possibilité d'une plateforme robotique ouverte, développement interne couplé à des partenariats avec d'autres entreprises du secteur, et suggéré que le réseau de concessions BYD pourrait servir de canal de distribution si les humanoïdes atteignent le marché grand public. Les prochaines étapes concrètes (prototypes, pilotes industriels, partenaires) restent non communiquées à ce stade.

Appetronix acquiert Cibotica pour étendre son automatisation robotique de la restauration au-delà de la pizza

Appetronix, spécialiste des systèmes robotisés pour la restauration, a annoncé l'acquisition de Cibotica, une entreprise spécialisée en robotique alimentaire. Les termes financiers de la transaction n'ont pas été divulgués. L'opération intègre au portefeuille d'Appetronix la technologie de Cibotica en matière de distribution automatisée d'ingrédients et de dosage, ainsi que son robot Remy. L'objectif déclaré est d'étendre la plateforme d'automatisation au-delà de la pizza, vers d'autres catégories de plats préparés en restauration rapide et collective. Cette acquisition illustre une tendance de consolidation dans le segment de la robotique de cuisine, où les acteurs cherchent à passer de solutions mono-usage à des plateformes polyvalentes. La capacité à automatiser le dosage et la préparation sur plusieurs types de produits est un enjeu central pour la commercialisation à grande échelle : un robot uniquement capable de faire des pizzas reste difficile à amortir pour un opérateur multi-concepts. Intégrer la technologie de Cibotica permettrait à Appetronix de proposer une offre plus généraliste, réduisant la friction commerciale auprès des chaînes de restauration diversifiées. Le marché de la robotique alimentaire reste fragmenté, avec des acteurs comme Miso Robotics (friteuses), Picnic (pizzas), ou Hyphen (bowls) qui ont chacun misé sur une spécialité. Appetronix cherche visiblement à se différencier par la largeur de gamme plutôt que la profondeur verticale. Aucun chiffre de déploiement ni calendrier de lancement pour les nouveaux cas d'usage n'a été communiqué à ce stade, ce qui place l'annonce davantage du côté du teaser stratégique que du produit livré.

Ce que mesurent réellement les benchmarks en manipulation robotique

Un article de recherche déposé sur arXiv le 4 juin 2026 (arXiv:2606.04233) remet en cause la fiabilité de cinq benchmarks standards en manipulation robotique : LIBERO, CALVIN, SimplerEnv, RoboCasa et RoboTwin 2.0. Les auteurs identifient quatre modes de défaillance structurelle qui invalident leur usage comme proxy de la capacité de manipulation générale : résolution par raccourci (shortcut solvability), absence de significativité statistique, surapprentissage rampant (creeping overfitting) et dépendance à la source de données. Sur LIBERO, une sonde de 90 millions de paramètres, sans encodeur de langage, atteint des scores au niveau ou proches de l'état de l'art rapporté dans la littérature récente, ce qui suggère que les modèles exploitent des artefacts du benchmark plutôt que des compétences réelles. Sur CALVIN, la simple randomisation des positions des blocs dans la plage d'entraînement fait chuter les performances de toutes les politiques testées, révélant une généralisation quasi nulle même dans des conditions marginalement différentes. Ces résultats ont des implications directes pour les équipes qui évaluent des architectures VLA (Vision-Language-Action). Si LIBERO et CALVIN échouent à plusieurs diagnostics, les progrès revendiqués sur ces benchmarks ne constituent pas une preuve crédible de capacité de manipulation générale. La plupart des gains rapportés sur LIBERO ne sont pas statistiquement significatifs, ce qui signifie que de nombreuses publications revendiquent des améliorations qui pourraient n'être que du bruit. Pour les intégrateurs et les décideurs industriels, cela signifie que les scores de benchmarks courants ne sont pas des indicateurs fiables de la maturité réelle d'un système avant déploiement. Le problème n'est pas nouveau, mais il devient critique au moment où des VLA comme pi0 (Physical Intelligence), GR00T N2 (NVIDIA) ou OpenVLA sont massivement benchmarkés dans la littérature. RoboCasa et RoboTwin 2.0, moins fréquemment cités dans les claims de progression récents, résistent mieux aux diagnostics proposés et constituent des alternatives plus robustes pour mesurer des progrès réels. Les auteurs publient leurs quatre diagnostics avec des implémentations de référence sur ripl.github.io/manipulationbenchmarkaudit, à destination des chercheurs et des reviewers, pour application avant soumission ou acceptation. La prochaine question est de savoir si des conférences majeures comme CoRL, ICRA ou RSS adopteront ces outils comme critère d'évaluation des soumissions.

Comment les utilisateurs évaluent les performances des modèles fondation robotiques au-delà du taux de réussite des tâches

Une étude publiée sur arXiv (arXiv:2602.03920) examine comment des utilisateurs non-spécialistes interprètent les données de performance des modèles de fondation robotiques (RFM, Robot Foundation Models), ces architectures d'IA généraliste conçues pour piloter des robots domestiques polyvalents comme ceux développés par Physical Intelligence (pi0), Google DeepMind (GR00T N2) ou Figure AI. Le cœur du problème : lorsqu'un utilisateur demande à un robot RFM d'effectuer une tâche hors de son domaine d'entraînement, il doit pouvoir évaluer le risque d'échec, qui peut être coûteux, voire dangereux. Les chercheurs ont exposé des participants à des données réelles issues de plusieurs projets RFM publiés, incluant le taux de succès aux tâches (TSR, Task Success Rate), des descriptions de cas d'échec et des vidéos de démos. Les résultats montrent que les non-experts comprennent et utilisent le TSR de façon conforme aux attentes des spécialistes, ce qui valide son usage comme métrique primaire dans les publications académiques. Mais la découverte la plus significative est ailleurs : les utilisateurs accordent une valeur élevée aux descriptions de cas d'échec, une information rarement reportée de façon systématique dans les évaluations de RFMs. Par extension, ils souhaitent disposer à la fois de données historiques issues des évaluations passées du modèle et d'estimations proactives du robot sur ses chances de succès face à une tâche inédite. Cette attente soulève un défi concret pour les intégrateurs et les équipes produit : la transparence sur les limites du modèle n'est pas optionnelle si l'on vise un déploiement grand public. Ce travail s'inscrit dans un débat plus large sur le fossé entre les démos laboratoire et l'usage réel, souvent qualifié de "demo-to-reality gap". Alors que le secteur converge vers des benchmarks standardisés comme DROID ou Open-X-Embodiment pour comparer les RFMs entre eux, la question de leur lisibilité par les décideurs non-techniques reste largement ouverte. Des acteurs comme Enchanted Tools en France ou Wandercraft misent sur des interfaces d'interaction proches de l'utilisateur final, mais peu d'équipes formalisent encore la communication sur les taux d'échec. Cette étude plaide pour l'intégration de "failure reporting" structuré dans les fiches produit et les publications techniques, une évolution qui pourrait devenir un critère de certification dans les futures réglementations européennes sur la robotique.

CADENCE : prédiction du temps d'exécution réel en MAPF au-delà de la somme des coûts

Une équipe de chercheurs a publié le 4 juin 2026 CADENCE (Coordination and Action-Driven Estimation for Networked Continuous Execution), une étude expérimentale sur la prédiction du temps d'exécution réel dans les systèmes multi-robots. Le protocole repose sur une cellule de travail fixe de 7x7 cases équipée de sept robots à roues différentielles, sur laquelle 120 plans ont été générés à travers 15 scénarios, cinq en espace vide, cinq en disposition aléatoire intermédiaire, cinq en configuration goulot d'étranglement. Chaque plan a été exécuté quatre fois, constituant un corpus expérimental de 480 essais physiques. L'objectif central : déterminer quelles métriques calculables avant l'exécution permettent de prédire le temps réel de complétion (wall-clock time), à partir de deux modèles statistiques distincts, un modèle ridge par scénario tenu hors entraînement, et un modèle à effets mixtes au niveau essai. Le résultat principal remet en cause un postulat central de l'évaluation MAPF : la Sum of Costs (SoC), métrique quasi-universelle pour comparer les planificateurs, s'avère insuffisante pour estimer le temps d'exécution réel. C'est le "primitive motion burden", une mesure composite qui quantifie les virages, transitions start-stop, mouvements consécutifs et la longueur brute des trajectoires primitives, qui réduit l'erreur de prédiction de 48,6 à 59,8 % en MAE et de 44,2 à 61,4 % en RMSE par rapport aux modèles SoC seuls. Les métriques de coordination inter-robots (liens de dépendance, paires en interaction, profondeur des dépendances) apportent des gains plus modestes et moins stables. Pour un intégrateur d'entrepôt ou un concepteur de flotte AMR, cela signifie qu'un plan jugé optimal sur SoC peut induire des temps de cycle réels significativement plus longs, une erreur coûteuse à l'échelle industrielle. MAPF est un domaine actif depuis plusieurs décennies, avec des algorithmes comme CBS (Conflict-Based Search) ou ECBS largement utilisés dans les systèmes de gestion de flotte pour entrepôts automatisés, notamment chez des acteurs comme 6 River Systems, Locus Robotics, ou Exotec en Europe. La question de l'écart entre planification hors-ligne et exécution physique (le "sim-to-real gap" de la planification de chemin) est un angle sous-exploré dans la littérature. CADENCE propose un premier corpus empirique structuré pour combler ce manque, mais reste limité à une topologie fixe, un type de robot unique, et un nombre restreint de scénarios. Les prochaines étapes naturelles incluent des cellules plus grandes, des robots hétérogènes, et l'intégration de ces features dans des planificateurs adaptatifs capables d'arbitrer en temps réel entre coût planifié et charge de mouvement prédite.

HapTile : un jeu de données vision-tactile-langage-action pour l'apprentissage par imitation en contact riche

Une équipe de recherche a publié sur arXiv (2606.04825) HapTile, un jeu de données visuotactile destiné à l'apprentissage par imitation sur des tâches de manipulation à fort contact. Le dataset capture les interactions physiques à deux niveaux simultanément : des capteurs tactiles installés en bout d'effecteur sur les doigts du robot, et un retour haptique transmis en temps réel à l'opérateur humain lors de la télé-opération. Les tâches couvertes incluent le saisissement, le pliage de tissu, l'appui sur des boutons, l'empilement d'objets et d'autres activités courantes. Chaque séquence est associée à une instruction en langage naturel qui conditionne la politique de contrôle sur l'objectif de manipulation, avec des observations visuotactiles synchronisées et les trajectoires d'action correspondantes. Les chercheurs publient également un benchmarking avec deux modèles de base pour évaluer l'apport concret du signal tactile sur la qualité des politiques apprises. Ce travail s'attaque à un verrou bien identifié du domaine : la quasi-totalité des datasets VLA (Vision-Language-Action) existants sont purement visuels, ce qui limite les performances des politiques sur des tâches nécessitant un contrôle fin de la force ou du contact. Introduire le retour haptique côté opérateur lors de la collecte de données est particulièrement notable, les études antérieures ont montré que la qualité des démonstrations se dégrade sans ce retour, générant des trajectoires moins stables et moins reproductibles. HapTile tente de combler cette lacune en combinant dans un seul dataset la diversité des tâches, le conditionnement par le langage, les trajectoires d'action et la perception tactile, une combinaison jusqu'ici absente dans la littérature selon les auteurs. Reste à vérifier si l'amélioration mesurée sur les deux baselines se généralise à des architectures plus récentes comme Pi-0 ou OpenVLA. Ce preprint s'inscrit dans un courant de recherche actif autour de la perception multimoale pour la manipulation dextère, portée notamment par des labos comme le CMU Robotics Institute, MIT CSAIL et des groupes européens comme le LASA à l'EPFL. Du côté industriel, Apptronik, Figure et 1X investissent dans des mains instrumentées, mais les datasets publics à retour haptique restent rares. Le projet est reproductible sur un système robotique standard avec des capteurs tactiles de conception custom, ce qui peut faciliter l'adoption par d'autres équipes. Le dataset et les détails techniques sont accessibles sur haptile-dataset.github.io ; aucune timeline de publication formelle ni partenariat industriel n'est annoncé à ce stade.

💬 Le truc vraiment malin ici, c'est pas le capteur tactile sur le robot, c'est le retour haptique côté opérateur pendant la collecte de démos. Ça change la qualité des trajectoires à la source, et c'est exactement ce que les autres datasets VLA n'ont jamais pris la peine de faire. Deux baselines pour le benchmark, bon, c'est un début, reste à voir si le gain tient face à Pi-0 ou OpenVLA.

Surmonter le goulot d'étranglement perceptuel dans la décision vision-langage par génération de plans focalisés

Un preprint arXiv (identifiant 2606.04046, publié début juin 2026) présente SceneDiver, une méthode visant à réduire les hallucinations visuelles dans les modèles de vision-langage (VLM) et les modèles vision-langage-action (VLA) appliqués à la manipulation robotique et à la navigation incarnée. Le problème central : ces modèles peinent à distinguer les objets pertinents pour la tâche des distracteurs environnants, ce qui dégrade leurs décisions dans des scènes encombrées. SceneDiver adopte une approche grossière-à-fine en deux temps : construction d'abord d'un graphe de scène global pour saisir l'environnement dans sa totalité, puis décomposition itérative de la tâche en sous-problèmes via un cycle reconnaissance-compréhension-analyse. Pour les VLA, qui opèrent en contrôle réactif à faible latence, un adaptateur léger (lightweight adapter) distille cette capacité de focalisation sans pénaliser les temps d'inférence. Les auteurs rapportent une réduction substantielle des hallucinations sur les benchmarks standards d'IA incarnée, et publient le code en open source. Ce travail pointe un blocage fondamental pour le déploiement industriel des VLA : même des modèles performants en planification ou en contrôle moteur échouent face à des scènes encombrées parce qu'ils focalisent sur les mauvais objets. La solution naïve, pointer directement sur l'objet critique en une seule étape, s'avère insuffisante selon les auteurs, car identifier quoi regarder requiert d'abord une compréhension globale de la scène. Pour les intégrateurs, l'adaptateur léger proposé offre une voie d'amélioration de la robustesse sans nécessiter de ré-entraîner le modèle de base, ce qui constitue un argument pratique non négligeable. Ce goulot d'étranglement perceptuel est un sujet de recherche actif depuis que des VLA comme pi0 (Physical Intelligence), GR00T N2 (NVIDIA) ou Helix (Figure AI) ont commencé à être déployés hors laboratoire. Ces modèles restent fragiles face à la variabilité des environnements réels, ce que le secteur désigne comme le "demo-to-reality gap". SceneDiver demeure une contribution académique préliminaire, non encore évaluée par les pairs, et l'absence de détails précis sur les benchmarks utilisés dans le résumé rend la comparaison directe difficile avec d'autres approches comme OpenVLA ou SpatialVLM. La mise à disposition du code en open source est toutefois un signal positif pour la reproductibilité ; une validation sur matériel réel et une intégration dans des stacks comme LeRobot de Hugging Face constitueraient les prochaines étapes naturelles.