AutreRobohub 20 avril 2026

Un système d'IA apprend à fluidifier la circulation des robots en entrepôt

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs du MIT et de la société américaine Symbotic ont publié le 20 avril 2026 dans le Journal of Artificial Intelligence Research un système hybride capable de coordonner en temps réel des flottes de centaines de robots autonomes (AMR) dans des entrepôts e-commerce à grande échelle. La méthode repose sur un réseau de neurones entraîné par apprentissage par renforcement profond (deep RL), qui décide en continu lesquels des robots doivent être priorisés à chaque instant en fonction de la formation de congestions. Une fois cette décision prise, un algorithme de planification déterministe transmet les instructions aux robots pour qu'ils se reroutent avant d'atteindre un point de blocage. Dans des simulations inspirées de layouts réels d'entrepôts e-commerce, le système a atteint un gain de débit (throughput) d'environ 25 % par rapport aux méthodes de référence actuelles. Han Zheng, doctorant au Laboratory for Information and Decision Systems (LIDS) du MIT et auteur principal, précise que même une amélioration de 2 à 3 % du throughput représente un impact économique significatif à cette échelle.

L'enjeu opérationnel est concret : dans un entrepôt dense, une collision ou un embouteillage mineur peut forcer l'arrêt complet du site pendant plusieurs heures pour intervention manuelle, un coût inacceptable pour les opérateurs logistiques. Ce que prouve ce travail, c'est que le deep RL peut dépasser les performances des algorithmes conçus par des experts humains sur un problème combinatoire dynamique, là où les heuristiques classiques peinent à s'adapter aux variations de charge ou de topologie. Le système démontre aussi une capacité de généralisation : entraîné sur certains layouts, il s'adapte à des configurations différentes (nombre de robots, géométrie de l'entrepôt) sans réentraînement complet. Pour les intégrateurs et les COO industriels, cela signifie qu'un modèle unique pourrait être déployé sur plusieurs sites sans re-paramétrage lourd, réduisant le coût de mise en oeuvre. Il faut toutefois noter que les résultats présentés restent à ce stade issus de simulations, et qu'aucun déploiement réel en production n'est encore documenté dans la publication.

Symbotic, partenaire industriel de ces travaux, est un acteur américain spécialisé dans l'automatisation d'entrepôts qui équipe notamment les centres de distribution de Walmart et de C&S Wholesale Grocers. La collaboration avec le groupe de Cathy Wu (professeure associée en génie civil et environnemental au MIT, membre du LIDS) s'inscrit dans une tendance plus large d'intégration de méthodes d'IA avancées dans la gestion de flottes robotiques, un domaine où l'on retrouve également des approches concurrentes chez Amazon Robotics, 6 River Systems (Shopify) et Locus Robotics. Du côté européen, des acteurs comme Exotec (France), dont le système Skypod opère dans des entrepôts Decathlon et Carrefour, s'appuient encore principalement sur des planificateurs déterministes ; ce type de travaux pourrait orienter leurs prochaines générations de software. La prochaine étape logique pour l'équipe MIT/Symbotic sera une validation en environnement réel, dont aucune timeline n'est encore annoncée publiquement.

Impact France/UE

Exotec (France), dont le système Skypod s'appuie sur des planificateurs déterministes dans les entrepôts Decathlon et Carrefour, pourrait s'orienter vers ce type d'approches RL hybrides pour ses prochaines générations de software de gestion de flotte.

Dans nos dossiers

Exotec

À lire aussi

1Robohub

La manipulation dextre des robots en discussion : épisode 152 du Robot Talk avec Rich Walker

Shadow Robot Company, entreprise britannique spécialisée dans la manipulation dextre, est à nouveau sous les projecteurs avec la participation de son directeur Rich Walker au podcast Robot Talk (épisode 152). Rich Walker, présent dans la société bien avant sa formalisation en entreprise, a débuté en ingénierie logicielle et systèmes avant de basculer vers la direction. Il y pilote aujourd'hui les engagements de recherche, les projets de démonstration industrielle et le programme de politique publique de Shadow Robot. La dextérité robotique reste l'un des verrous techniques les plus durs du secteur : reproduire les 27 degrés de liberté de la main humaine avec la fiabilité et la force nécessaires à un usage industriel est un défi que peu d'acteurs ont résolu à l'échelle. Shadow Robot figure parmi les rares à proposer des mains robotiques commerciales pour la recherche et l'industrie, ce qui leur confère une position de référence dans les laboratoires internationaux et auprès d'intégrateurs cherchant à automatiser des tâches de manipulation fine. Walker siège également au conseil d'euRobotics, le lobby européen qui regroupe les PME du secteur, ce qui positionne Shadow Robot comme influenceur dans les politiques R&D européennes. Fondée à Londres, Shadow Robot a construit sa réputation sur des décennies de travail en manipulation humanoïde, bien avant que les humanoides complets ne dominent le débat. Dans un marché aujourd'hui concurrencé par des acteurs comme Agility Robotics, Figure ou Apptronik sur le segment des bras et effecteurs, Shadow Robot maintient un positionnement de niche à haute valeur technique. Cet épisode de podcast reste davantage un format de visibilité sectorielle qu'une annonce produit concrète.

UERich Walker siège au conseil d'euRobotics, positionnant Shadow Robot comme influenceur dans les politiques R&D européennes en manipulation dextre, mais sans annonce concrète impactant directement le marché FR/EU.

AutreActu

1 source

2Interesting Engineering

Les robots apprennent à se relever après des chutes dans les escaliers grâce à un système de stabilisation intelligent

Des chercheurs du ROAR Laboratory (Robotics and Automation Research) de l'Université de Technologie et de Design de Singapour (SUTD) ont publié une étude sur la mitigation des chutes de robots en escalier, présentant un système basé sur l'apprentissage par renforcement couplé à un bras mécanique à trois degrés de liberté (3 DOF). Le dispositif est monté à l'arrière d'une plateforme mobile à chenilles et intervient activement pendant la chute, au lieu de se limiter à la prévention. Entraîné entièrement en simulation sur cinq modes de chute répertoriés (chute arrière droite, pivotements latéraux, effondrements de côté), le contrôleur atteint un taux de succès moyen de 69,4 % pour stopper et stabiliser le robot, contre 38,6 % pour une méthode de contrôle codée à la main. Lorsqu'il réussit, le système stabilise la plateforme en 4,25 secondes en moyenne, bien en deçà du seuil interne fixé à 10 secondes. Testé sur des robots 10 % plus grands ou plus petits et sur des escaliers aux dimensions variables, le meilleur contrôleur atteint 87 % de succès sur une plateforme plus grande. Le résultat le plus significatif n'est pas le taux de succès en lui-même mais le changement de paradigme qu'il représente : le secteur s'est longtemps concentré sur la prévention des chutes via la planification de trajectoire et la détection d'obstacles, en présupposant que le risque résiduel était marginal. Une étude de terrain sur plusieurs années citée par l'équipe indique pourtant que les robots conçus pour les escaliers tombent au moins 35 fois plus souvent sur ce type de surface qu'en terrain plat. Le professeur Mohan Rajesh Elara, directeur du ROAR Lab, formule l'enjeu en termes d'adoption industrielle : tant que les opérateurs ne disposent pas d'une réponse crédible au risque résiduel, ces plateformes resteront perçues comme une source de responsabilité plutôt que comme un outil. Le fait que le contrôleur généralise à des géométries non vues pendant l'entraînement est également notable pour les intégrateurs : il suggère qu'un seul modèle pourrait couvrir une flotte hétérogène sans réentraînement par plateforme. Le système n'est pas prêt pour un déploiement commercial : les chercheurs reconnaissent explicitement qu'il ne satisfait pas la norme de sécurité fonctionnelle IEC 61508, qui impose des niveaux d'intégrité stricts pour les systèmes embarqués en environnement humain. Les prochaines étapes portent sur l'amélioration de la fiabilité, l'ajout de sécurités mécaniques redondantes et la validation expérimentale hors simulation. Dans le paysage concurrentiel, Boston Dynamics (Spot, Atlas), Agility Robotics (Digit) et les acteurs humanoïdes (Figure AI, 1X, Unitree) investissent massivement dans la stabilité dynamique, mais peu publient des données quantifiées sur la récupération post-chute. Ce travail de la SUTD se positionne davantage comme recherche fondamentale que comme annonce produit, mais il fournit une baseline méthodologique utile pour comparer les approches à venir.

UEAucun acteur européen impliqué, mais la référence explicite à la norme IEC 61508 (certification fonctionnelle européenne) positionne ce travail comme une étape préliminaire obligatoire avant tout déploiement commercial en UE de robots mobiles en environnement humain.

RecherchePaper

1 source

3arXiv cs.RO

CWI : système d'imitation du corps entier pour la loco-manipulation de robots humanoïdes

Des chercheurs ont publié fin juin 2026 sur arXiv (réf. 2606.27676) le framework CWI (Composite Whole-Body Imitation), une architecture de contrôle pour robots humanoïdes visant à coordonner locomotion et manipulation bimanuelle en simultané. Le système a été évalué en simulation puis déployé sur un LimX Oli, humanoïde pleine taille du fabricant chinois LimX Robotics. L'approche repose sur une dissociation du recours aux données de capture de mouvement (MoCap) : les données MoCap de manipulation diversifiées pilotent le contrôle du haut du corps, tandis que la locomotion est guidée par deux discriminateurs adversariaux (Adversarial Motion Prior, AMP) entraînés sur des clips curatés de marche et d'accroupissement. Une architecture multi-critique réduit les conflits entre objectifs de locomotion, de manipulation et de style de mouvement ; une étape de distillation enseignant-élève produit ensuite une politique conditionnée uniquement sur les poses des mains et des commandes de vitesse et hauteur. La loco-manipulation reste l'un des verrous majeurs de la robotique humanoïde. Les méthodes purement par renforcement, sans MoCap, souffrent de récompenses creuses et nécessitent des curricula finement réglés ; les méthodes imitant le corps entier butent sur le déséquilibre des datasets, les trajectoires de locomotion trop dynamiques dégradant la stabilité globale. CWI propose une dissociation architecturale qui contourne les deux écueils. Le résultat pratique est une téléopération sans équipement MoCap complet, ce qui abaisse le seuil d'intégration industrielle. Pour les intégrateurs et les décideurs B2B, cela signifie qu'un humanoïde capable d'agir dans des environnements mixtes (déplacements et saisie d'objets) devient envisageable sans infrastructure de capture de mouvement coûteuse. Cela dit, la publication ne fournit aucune métrique de temps de cycle ni de volumes de déploiement, ce qui invite à lire ces résultats comme une preuve de concept compétitive, pas comme un produit shipé. CWI s'inscrit dans une vague de travaux combinant apprentissage par renforcement et imitation de mouvement humain, dont l'Adversarial Motion Prior (AMP) de Peng et al. constitue la brique fondatrice. LimX Robotics reste un acteur discret face aux mastodontes du secteur : Figure AI (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0) ou encore Boston Dynamics (Atlas) travaillent sur des architectures comparables intégrant contrôle corps entier et politiques Vision-Language-Action (VLA). CWI ne mentionne ni calendrier de déploiement industriel, ni partenariat commercial : il s'agit d'un preprint arXiv sans revue par les pairs publiée. Les prochaines étapes probables passeront par une validation en conditions réelles plus variées et une publication dans une conférence robotique de référence (ICRA, IROS ou RAL).

RecherchePaper

1 source

4Robotics Business Review

IA en robotique : du laboratoire au sol de l'usine réelle

Le 28 mai 2026, de 14h30 à 15h15 (ET), le Robotics Summit & Expo réunira au Boston Convention & Exhibition Center (Thomas M. Menino) trois praticiens du déploiement robotique industriel pour une table ronde sur le passage de l'IA robotique du laboratoire aux lignes de production réelles. Les intervenants sont Anders Beck, vice-président produits IA robotique chez Universal Robots, Dave Coleman, fondateur et directeur produit de PickNik Robotics, et Andy Lonsberry, PDG de Path Robotics. La session, modérée par Mike Oitzman, rédacteur senior de The Robot Report, s'articulera autour de questions concrètes : combien de temps faut-il à un robot pour apprendre une nouvelle tâche, quel effort d'intégration implique le premier déploiement en production, et quelle est la difficulté de reconfigurer ou de faire "réapprendre" une compétence à un système déjà en ligne ? L'événement réunit plus de 70 intervenants confirmés, dont des représentants d'AWS, Brain Corp, Tesla, Toyota Research Institute, Robust AI et du Robotics and AI Institute, répartis dans plus de 50 sessions couvrant l'IA, le design, la santé et la logistique. La pertinence de ce débat tient à un écart persistant entre les démonstrations en laboratoire et les contraintes du plancher d'usine : variabilité des pièces, temps de cycle non négociables, coûts de reprogrammation et faible tolérance aux erreurs en environnement de production continue. L'IA, et en particulier les approches de type VLA (Vision-Language-Action), promet de réduire l'effort de programmation manuelle, mais les intégrateurs et COO industriels se posent toujours la même question : quelle est la charge réelle d'un premier déploiement, et que se passe-t-il quand le produit ou le process change ? En rassemblant Universal Robots (leader mondial du cobot, plus de 100 000 unités déployées), PickNik (spécialisé dans la manipulation avancée open-source via MoveIt) et Path Robotics (soudage robotisé guidé par IA), le panel propose un spectre applicatif assez représentatif des cas d'usage où l'IA change effectivement la donne, au-delà du marketing. Universal Robots, filiale de Teradyne depuis 2015, a largement structuré le marché du cobot industriel et intègre depuis 2023-2024 des fonctions d'apprentissage par démonstration dans son écosystème. PickNik, fondé en 2015 autour de la suite open-source MoveIt, a élargi son offre vers des solutions commerciales de manipulation robuste pour des secteurs comme la défense et la pharmacie. Path Robotics, basé à Columbus (Ohio), s'est spécialisé dans le soudage autonome piloté par vision et IA, un segment où le gap de perception entre démo et production est particulièrement documenté. Il convient de souligner qu'aucune annonce produit ni chiffre de déploiement n'accompagnent cet événement : il s'agit d'une session de partage d'expérience, pas d'un lancement. Les résultats concrets dépendront des retours terrain échangés lors du panel, qui pourrait nourrir des publications ou des études de cas plus détaillées dans les semaines suivant l'événement.

UELes questions de coût d'intégration et de reprogrammation abordées lors de ce panel concernent directement les industriels européens utilisateurs de cobots Universal Robots, entreprise danoise et leader mondial du cobot avec plus de 100 000 unités déployées en Europe.

AutreOpinion

1 source