Aller au contenu principal
IndustrielInteresting Engineering1h

FANUC et NVIDIA développent des robots au comportement identique en simulation et en réalité

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

FANUC, le géant japonais de la robotique industrielle, et NVIDIA ont annoncé en mai 2026 une extension significative de leur partenariat visant à éliminer l'écart entre simulation et déploiement réel en usine. L'intégration technique combine NVIDIA Isaac Sim avec le logiciel de simulation propriétaire de FANUC, ROBOGUIDE, pour créer des jumeaux numériques où les robots virtuels reproduisent exactement les mêmes trajectoires et temps de cycle que leurs homologues physiques, en s'appuyant sur des algorithmes de contrôle identiques. Deux modes de fonctionnement sont proposés : dans le premier, Isaac Sim orchestre l'environnement virtuel tandis que ROBOGUIDE synchronise les comportements en arrière-plan, avec support des pupitres de programmation physiques et virtuels. Dans le second, ROBOGUIDE prend la main pendant que le moteur physique PhysX de NVIDIA gère la simulation, notamment pour des tâches comme le bin picking, où le robot doit identifier et saisir des pièces empilées en vrac. En parallèle, FANUC a présenté un système bi-bras composé de deux robots collaboratifs CRX capables de plier des T-shirts en temps réel, entraînés par imitation learning via le modèle de fondation robotique Isaac GR00T N de NVIDIA. La plateforme Jetson Thor équipe désormais le robot d'évitement humain de FANUC, avec une puissance de calcul multipliée par 7,5 par rapport à l'ancienne génération Jetson AGX Orin.

L'enjeu industriel est direct : le problème du sim-to-real gap coûte des semaines de recalibration sur site à chaque nouveau déploiement. Si FANUC et NVIDIA tiennent leur promesse d'une fidélité totale entre simulation et réalité, les intégrateurs pourraient valider des cellules complètes en virtuel avant même d'avoir commandé les équipements physiques, compressant drastiquement les timelines de mise en production. La démonstration du pliage de textile est également notable : les objets déformables restent l'un des angles morts historiques de la robotique industrielle, et un système capable de gérer le linge en temps réel avec retour visuel ouvre des perspectives concrètes pour la logistique e-commerce et le textile. Le chiffre de 7,5x de gain en calcul sur Jetson Thor est cohérent avec les besoins croissants des pipelines vision-action (VLA) embarqués. Il convient toutefois de noter que les démonstrations présentées, notamment le pliage de T-shirts, restent des prototypes de laboratoire : aucun déploiement en production à grande échelle n'est annoncé à ce stade.

FANUC avait une première fois montré cette intégration Isaac Sim / ROBOGUIDE à l'International Robot Exhibition de Tokyo fin 2024, mais la version actuelle approfondit substantiellement la communication entre les deux systèmes. FANUC, avec plus de 700 000 robots installés dans le monde, est l'un des rares acteurs à pouvoir valider ce type d'approche à l'échelle industrielle réelle plutôt qu'en conditions de laboratoire. Sur le terrain concurrentiel, cette initiative s'inscrit dans une course directe avec ABB et son partenariat Isaac Sim, ainsi qu'avec KUKA et Universal Robots qui développent leurs propres pipelines de simulation physique. NVIDIA, de son côté, consolide Isaac comme couche d'abstraction standard pour la simulation robotique industrielle, une position stratégique face à des alternatives open-source comme Gazebo ou MuJoCo. Les technologies seront présentées en conditions réelles lors de l'Open House FANUC prévu en mai 2026, premier test public de la robustesse de l'intégration hors cadre contrôlé.

Impact France/UE

Les industriels européens équipés de robots FANUC bénéficieraient d'une réduction significative des délais de mise en production, tandis qu'ABB et KUKA, concurrents européens directs, sont contraints d'accélérer leurs propres pipelines de simulation physique pour ne pas se laisser distancer sur ce segment.

À lire aussi

SOAR : optimisation conjointe en temps réel pour l'allocation des commandes et l'ordonnancement des robots mobiles
1arXiv cs.RO 

SOAR : optimisation conjointe en temps réel pour l'allocation des commandes et l'ordonnancement des robots mobiles

Des chercheurs, en collaboration avec Geekplus, ont publié SOAR (Simultaneous Order Allocation and Robot Scheduling), un framework d'apprentissage par renforcement profond conçu pour optimiser en temps réel la coordination des robots dans les systèmes de préparation de commandes automatisés (RMFS, Robotic Mobile Fulfillment Systems). Déposé sur arXiv en mai 2026 (arXiv:2605.03842), le système unifie deux sous-problèmes classiquement découplés, l'allocation des commandes et la planification des robots mobiles, en un seul agent décisionnel. Sur des données industrielles réelles fournies par Geekplus, SOAR réduit le makespan global de 7,5 % et le temps moyen de complétion des commandes de 15,4 %, avec une latence de décision inférieure à 100 ms. La viabilité du système a été confirmée par un déploiement en environnement de production via une procédure sim-to-real. Techniquement, le problème est formulé comme un processus de décision de Markov piloté par événements (Event-Driven MDP), où l'agent réagit à des événements asynchrones (fin de tâche, arrivée de commande) grâce à un Heterogeneous Graph Transformer encodant l'état de l'entrepôt, complété par une stratégie de reward shaping pour gérer la rareté du signal de récompense sur les longues séquences. Les RMFS équipent aujourd'hui les grands centres logistiques : des flottes de robots mobiles (AMR) transportent des étagères entières vers des postes de picking humains ou automatisés. Le goulot d'étranglement traditionnel vient du couplage fort entre allocation et ordonnancement : les approches décomposées sacrifient l'optimalité globale pour garantir la réactivité, tandis que les modèles d'optimisation classiques comme les MILP ou CP-SAT sont trop lents pour des environnements à haute cadence. SOAR casse ce compromis en prouvant qu'un agent de deep RL peut raisonner globalement tout en répondant en moins de 100 ms, ce qui constituait un verrou industriel reconnu. Plus significatif encore, la validation sim-to-real en conditions de production distingue ce travail de la majorité des publications académiques qui restent cantonnées à la simulation. Geekplus, fondé en 2015 à Pékin, est l'un des leaders mondiaux des AMR pour la logistique d'entrepôt, avec des déploiements dans plus de 40 pays chez des clients comme Decathlon et JD.com. Sa participation directe à cette recherche signale une intégration croissante entre laboratoires académiques et industriels pour raccourcir le cycle lab-to-production. Sur le marché, Geekplus concurrence Hai Robotics et AutoStore, mais aussi en Europe des acteurs comme Exotec (France), dont le système Skypod adresse des problèmes similaires de coordination multi-robots à grande échelle. SOAR s'inscrit dans un corpus actif de travaux sur le RL multi-agent pour la planification en entrepôt, mais se distingue par son approche unifiée et son ancrage en production confirmé. Le code est disponible en open source sur GitHub, ce qui devrait faciliter son adaptation à d'autres architectures RMFS.

UELe code open-source SOAR, validé en production chez des clients de Geekplus dont Decathlon, constitue une référence technique directe pour Exotec et les intégrateurs AMR européens confrontés aux mêmes problèmes de coordination multi-robots à grande échelle.

IndustrielPaper
1 source
Décision séquentielle par apprentissage multi-échelle pour la préparation de commandes en robotique de manutention
2arXiv cs.RO 

Décision séquentielle par apprentissage multi-échelle pour la préparation de commandes en robotique de manutention

Des chercheurs ont publié en mai 2026 sur arXiv (référence 2605.08758) un framework de décision séquentielle baptisé OLSF-TRS, pour Omni-scale Learning-based Sequential Decision Framework for Tote-handling Robotic Systems. Ce système combine optimisation combinatoire structurée et apprentissage par renforcement multi-agent (MARL) pour coordonner simultanément les décisions liées aux commandes, aux bacs de manutention (totes) et aux robots dans les centres de préparation automatisés. En configuration petite échelle, OLSF-TRS affiche un écart d'optimalité moyen inférieur à 3,5% sur deux architectures système distinctes. En configuration grande échelle, il réduit les mouvements de bacs de 8 à 12% par rapport aux baselines heuristiques classiques, et de plus de 30% par rapport aux approches règle-based de l'état de l'art, tout en maintenant une réactivité en temps réel. L'enjeu concret pour les intégrateurs intralogistiques est significatif : la quasi-totalité des frameworks existants sont conçus sur mesure pour un type de système spécifique, tri-sorter, mini-load AS/RS ou AMR grid-based, ce qui rend tout transfert à un autre contexte laborieux. OLSF-TRS propose une couche de pilotage unifiée et scalable, potentiellement applicable à des architectures hétérogènes. La réduction de plus de 30% des mouvements de bacs se traduit directement en gains énergétiques, réduction de l'usure mécanique et meilleure stabilité du throughput, des KPIs centraux pour les COOs industriels. À noter cependant que les résultats reposent sur des simulations et benchmarks comparatifs sans déploiement terrain documenté, ce qui laisse entière la question du sim-to-real gap en production réelle. Ce travail s'inscrit dans une tendance structurelle de fond : la substitution des palettes par les bacs comme unité logistique primaire, portée par l'explosion du e-commerce et la fragmentation des commandes en petites séries. Des acteurs comme Exotec (France, système Skypod), AutoStore (Norvège) ou Geek+ (Chine) opèrent des déploiements massifs en grid-based robotics confrontés exactement à ces problèmes de coordination ordres-bacs-robots à grande échelle. La convergence entre optimisation combinatoire de type VRP et MARL est un champ de recherche en pleine effervescence, porté par des laboratoires industriels en Europe et en Asie. L'article ne mentionne ni partenariat industriel ni timeline de commercialisation, le positionnant comme une contribution académique précompétitive.

UEExotec (France, Skypod) et AutoStore (Norvège) opèrent des déploiements massifs confrontés exactement aux problèmes de coordination ordres-bacs-robots adressés par ce framework, en faisant une piste de R&D directement pertinente pour l'intralogistique européenne.

IndustrielPaper
1 source
IA en robotique : du laboratoire au sol de l'usine réelle
3Robotics 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.

IndustrielOpinion
1 source
Locus Robotics déploie Locus Array pour l'automatisation complète des entrepôts
4Robotics & Automation News 

Locus Robotics déploie Locus Array pour l'automatisation complète des entrepôts

Locus Robotics, spécialiste américain des systèmes d'automatisation d'entrepôts, a officialisé le lancement de Locus Array, une solution qu'elle qualifie de système de préparation de commandes entièrement autonome. La plateforme intègre des robots mobiles autonomes (AMR), un bras de préhension robotisé et un module de perception piloté par IA, avec l'objectif de couvrir l'ensemble du flux de traitement des commandes sans intervention humaine. Des déploiements en accès anticipé sont déjà engagés chez des clients en Amérique du Nord, bien que les détails opérationnels (payload, cadence de cycle, taux de précision) n'aient pas encore été communiqués publiquement. L'enjeu industriel est réel : les AMR de première génération automatisaient le transport inter-zones, mais laissaient le picking, tâche la plus coûteuse en main-d'oeuvre -- à des opérateurs humains. Intégrer un bras de préhension directement sur la plateforme mobile représente un saut architectural vers l'autonomie bout-en-bout. Pour les intégrateurs et les décideurs logistiques, cela change le calcul du ROI : si les métriques tiennent à l'échelle, l'argument pour réduire les effectifs de picking devient structurel. Reste à valider la robustesse hors conditions contrôlées, un point que l'annonce ne documente pas encore. Locus Robotics a levé plus de 400 millions de dollars depuis sa fondation en 2015, mais a traversé une période difficile en 2023, avec des réductions d'effectifs significatives liées à un ralentissement du marché e-commerce. Locus Array s'inscrit donc dans une stratégie de repositionnement vers la valeur ajoutée. Sur ce segment, la concurrence est dense : Exotec (Roubaix, France) avec son système Skypod, Symbotic, Geek+ et Boston Dynamics avec Stretch visent tous le même créneau de préparation autonome. La phase d'accès anticipé devra produire des données opérationnelles convaincantes pour crédibiliser la proposition face à ces acteurs déjà déployés à grande échelle.

UEExotec (Roubaix, France) est directement en compétition sur ce créneau de préparation autonome et devra défendre sa position si Locus Array produit des métriques opérationnelles convaincantes à l'échelle.

IndustrielOpinion
1 source