Aller au contenu principal
Des robots différents peuvent apprendre à effectuer des tâches sans nouveau codeIllustration générée par IA
FR/EU ecosystemeNew Atlas Robotics 

Des robots différents peuvent apprendre à effectuer des tâches sans nouveau code

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource uniqueImpact UE

Des chercheurs de l'EPFL ont développé une méthode permettant à des robots de morphologies différentes d'apprendre des tâches les uns des autres sans réécriture de code. L'approche exploite une représentation abstraite de la tâche, dissociée de la cinématique propre à chaque plateforme, ce qui permet à un robot à bras articulé d'acquérir un comportement démontré par un robot quadrupède ou à base mobile, par exemple. Aucune date de publication ni de chiffres de performance (taux de succès, degrés de liberté, temps d'entraînement) ne sont disponibles dans la communication initiale.

L'enjeu industriel est significatif : aujourd'hui, chaque déploiement d'un nouveau robot dans une cellule automatisée implique un cycle complet de programmation ou de fine-tuning, ce qui représente des semaines d'intégration et un coût élevé. Si une telle méthode de transfert inter-embodiment se confirme à l'échelle, elle réduirait drastiquement le temps de mise en production, notamment dans les environnements multi-robots hétérogènes comme les entrepôts ou les lignes d'assemblage flexibles. Cela rejoint les travaux récents sur les politiques cross-embodiment portés par des modèles comme pi-0 (Physical Intelligence) ou RT-X (Google DeepMind), qui cherchent eux aussi à généraliser au-delà d'une seule plateforme.

L'EPFL abrite plusieurs laboratoires actifs en apprentissage robotique, dont le Biorobotics Lab et le Computational Robot Design & Fabrication Lab. Cette annonce s'inscrit dans une tendance plus large où la recherche européenne cherche à rivaliser avec les efforts américains et chinois sur l'apprentissage par imitation et le transfert de politiques. L'article source reste un teaser sans accès au papier complet ni aux benchmarks, ce qui rend toute évaluation des performances prématurée.

Impact France/UE

L'EPFL positionne la recherche européenne sur le transfert inter-embodiment face aux initiatives américaines (pi-0, RT-X), mais sans papier ni benchmark publiés, l'impact industriel reste à confirmer.

À lire aussi

Nouveau robot humanoïde à roues : il apprend des tâches d'usine en un mois, avec 95 % de réussite
Illustration générée par IA
1Interesting Engineering 

Nouveau robot humanoïde à roues : il apprend des tâches d'usine en un mois, avec 95 % de réussite

La startup suisse Embodied AI, issue de l'EPFL et forte d'une équipe de 25 personnes, a dévoilé AIR, un robot mobile à deux bras conçu pour travailler aux côtés des opérateurs sans cage de sécurité. Le robot associe un torse, deux bras légers et une base à roues. Ses bras sont actionnés par des tendons : les moteurs, lourds, restent dans le torse et transmettent le mouvement par câbles, ce qui allège les segments mobiles et leur permet de céder en cas de contact avec un obstacle ou une personne. Le seul chiffre mécanique publié, tiré d'une description destinée aux investisseurs, concerne le bras : environ 2 kg pour une capacité de levage de 5 kg. Dimensions, poids total, allonge, batterie et charge utile maximale ne sont pas communiqués. Le fonctionnement repose sur la téléopération : un opérateur distant pilote le robot pendant ses premiers postes, ce qui génère les données d'entraînement, et l'autonomie serait atteinte en un mois environ. Embodied AI annonce un taux de réussite moyen de 95 % sur des pilotes industriels payants, menés avec un fabricant d'électronique grand public et un équipementier automobile et industriel, et affirme qu'une unité peut absorber la charge de trois opérateurs par poste selon l'application. Pour les intégrateurs et les directeurs d'usine, l'intérêt tient à l'inversion du modèle de déploiement : au lieu d'exiger une autonomie complète avant l'entrée en production, AIR commence à produire sous supervision humaine et automatise progressivement, ce qui réduit le risque initial et permet d'affiner les compétences sur des données de terrain réelles. La conception compliante vise aussi un frein classique de l'automatisation, car les bras industriels lourds et rigides imposent barrières physiques ou rideaux lumineux, coûteux en surface et en flexibilité. Il faut toutefois lire le chiffre de 95 % avec prudence : l'entreprise n'indique ni le nombre de tâches évaluées, ni la durée des essais, ni la méthode de calcul, et on ignore si la mesure porte sur des tâches simples et répétitives ou sur des opérations plus variées. De même, « trois opérateurs par poste » reste une estimation sans cadre de référence. Enfin, il s'agit d'une annonce de produit : aucun volume de déploiement, prix ni calendrier de livraison n'est fourni, et la sécurité sans cage n'est étayée par aucune certification publiée à ce stade. Embodied AI ne part pas de zéro côté logiciel : AIR reprend la pile d'IA déjà exploitée dans une cellule robotique à deux bras installée sur la ligne d'un client, ce qui distingue le projet d'une simple démonstration en laboratoire. Le robot arrive sur un marché européen et mondial très actif, où les humanoïdes à roues et les manipulateurs mobiles bimanuels se multiplient. Il s'y confronte aux acteurs plus capitalisés comme Figure avec son modèle Helix, Tesla avec Optimus, ou encore Physical Intelligence avec ses modèles π, mais aussi à des solutions plus modestes basées sur des cobots classiques. Le choix de la compliance par câbles rappelle les approches de l'écosystème suisse, notamment issues de l'EPFL, qui privilégient la sécurité intrinsèque plutôt que la force brute. La suite dépendra de la publication de spécifications complètes, de la validation par des tiers des taux de réussite et de la transformation des pilotes actuels en commandes récurrentes.

UELa startup suisse Embodied AI, issue de l'EPFL, propose un manipulateur mobile compliant sans cage de sécurité qui pourrait intéresser les intégrateurs et industriels européens, sans certification publiée à ce stade.

FR/EU ecosystemeActu
1 source
Robots peuvent désormais apprendre des tâches d'usine à haute dextérité par la vidéo, avec un minimum d'entraînement
Illustration générée par IA
2Interesting Engineering 

Robots peuvent désormais apprendre des tâches d'usine à haute dextérité par la vidéo, avec un minimum d'entraînement

Mimic Robotics, société suisse de robotique physique, a dévoilé FLUX-mimic, un modèle vidéo-action de nouvelle génération développé avec Black Forest Labs, capable d'enseigner à des robots industriels des tâches de manipulation fine à partir de simples démonstrations vidéo. Le système s'appuie sur FLUX 3, le modèle de génération vidéo de Black Forest Labs, associé à un décodeur d'actions qui traduit les prédictions visuelles en mouvements robotiques exécutables. Selon Mimic Robotics, FLUX-mimic peut être affiné pour certaines tâches avec seulement 30 minutes de démonstrations robotiques, contre 30 heures ou plus pour les pipelines d'apprentissage conventionnels, un écart présenté par l'entreprise elle-même et donc à prendre avec la prudence habituelle réservée aux chiffres communiqués par le fournisseur. La technologie est actuellement déployée chez le constructeur automobile Audi, dans le cadre d'une évaluation portant sur l'automatisation de tâches à haute dextérité impliquant des matériaux flexibles et une manipulation fine. Cette annonce s'inscrit dans un débat plus large sur la viabilité des modèles vidéo-action (VAM) face aux modèles vision-langage-action (VLA) désormais dominants, à l'image de Pi-0 ou GR00T N2. Contrairement à ces derniers, pré-entraînés sur des paires image-texte statiques et devant apprendre la physique quasi exclusivement via des démonstrations robotiques coûteuses, FLUX-mimic part d'un modèle vidéo déjà entraîné à grande échelle sur la dynamique des objets et des mouvements, ce qui réduirait drastiquement le volume de données spécifiques à collecter. Si la promesse se vérifie en production, elle répond directement à l'un des principaux obstacles à la commercialisation de la robotique industrielle par apprentissage: le coût et la lenteur de la collecte de démonstrations pour chaque nouvelle tâche. Une réduction du cycle de déploiement de plusieurs mois à quelques semaines, telle qu'annoncée, changerait significativement le calcul économique pour les intégrateurs face à des tâches variables et peu standardisées, typiquement délaissées par l'automatisation classique programmée manuellement. FLUX-mimic prolonge les travaux antérieurs de Mimic Robotics sur les modèles vidéo-action, avec une architecture désormais pensée spécifiquement pour l'IA physique en environnement industriel. Le partenariat avec Audi, dont les usines affichent déjà un fort taux d'automatisation, sert de banc d'essai pour mesurer si ces systèmes d'apprentissage tiennent la route hors laboratoire, un test que beaucoup d'approches VLA ou VAM concurrentes n'ont pas encore passé à cette échelle. Les deux partenaires évoquent des perspectives d'extension à d'autres opérations de fabrication et de logistique, sans toutefois communiquer de calendrier précis ni de métriques de performance en production, ce qui place pour l'instant cette collaboration au stade du pilote d'évaluation plutôt que du déploiement industriel validé.

UEAudi teste FLUX-mimic dans ses usines allemandes pour automatiser des tâches de manipulation fine, un cas concret d'adoption industrielle en Europe qui pourrait influencer d'autres constructeurs automobiles de l'UE si le pilote se confirme.

FR/EU ecosystemeActu
1 source
AEON rejoint Humanoid Gym pour apprendre des tâches industrielles avant un déploiement de 1 000 robots
Illustration générée par IA
3Interesting Engineering 

AEON rejoint Humanoid Gym pour apprendre des tâches industrielles avant un déploiement de 1 000 robots

Hexagon Robotics et l'équipementier allemand Schaeffler, spécialiste des roulements et des technologies de mouvement, ont annoncé le mois dernier l'entrée du robot humanoïde AEON dans le Humanoid Gym, un centre d'entraînement industriel installé en Allemagne. Cette étape s'inscrit dans un partenariat stratégique entre les deux groupes visant à déployer au moins 1 000 unités AEON dans l'industrie au cours des prochaines années. Le site fonctionne selon un modèle en trois phases, entraînement, validation puis déploiement, appliqué à chaque nouvelle capacité avant que le robot ne soit autorisé à l'exercer en conditions réelles de production. Aucune des deux entreprises n'a communiqué de calendrier pour les déploiements individuels, ni précisé quelles tâches manufacturières AEON apprendra en premier. Aucun robot de la flotte annoncée n'est actuellement en service : l'arrivée dans le Humanoid Gym marque le début de la préparation industrielle, pas son aboutissement. Cette annonce illustre un écart récurrent dans le secteur des humanoïdes entre les objectifs de déploiement à grande échelle affichés par les fabricants et la réalité opérationnelle, où l'essentiel du travail reste concentré sur l'acquisition et la validation de capacités de base avant toute mise en production. L'absence de calendrier ou de tâches définies pour les 1 000 unités promises rappelle que cette annonce relève encore de la feuille de route stratégique plutôt que d'un produit déployé. Pour les intégrateurs industriels et les décideurs qui évaluent l'adoption de robots humanoïdes, le cas Schaeffler met en avant une dimension souvent sous-estimée : l'entreprise cliente doit elle-même bâtir une expertise interne en pilotage, en formation et en intégration des robots, en parallèle du développement des capacités du robot lui-même. La réussite d'un déploiement à grande échelle dépend donc autant de la maturité organisationnelle du site industriel que des progrès techniques de la machine. Le partenariat entre Hexagon Robotics et Schaeffler a été noué pour accélérer l'adoption de l'automatisation de nouvelle génération dans le secteur manufacturier ; l'entrée d'AEON dans le Humanoid Gym constitue l'étape suivante de cette collaboration, après les phases antérieures de développement du robot. Schaeffler y apporte sa connaissance des lignes de production automobile et industrielle, tandis que Hexagon Robotics fournit la plateforme robotique et ses capacités logicielles. Ce type de centre d'entraînement dédié rappelle les démarches d'autres acteurs du secteur humanoïde, comme Figure AI avec Figure 03, Tesla avec Optimus, ou les fournisseurs de modèles vision-langage-action tels que Pi-0 ou GR00T N2, qui cherchent tous à valider leurs robots sur des tâches industrielles concrètes avant une commercialisation élargie. Aucune date de première mise en service n'a été communiquée ; les deux partenaires indiquent seulement que le travail mené dans ce centre doit servir de fondation aux étapes suivantes, qui verront AEON passer progressivement du développement de capacités à une exploitation industrielle effective.

UELe partenariat associe l'allemand Schaeffler et Hexagon Robotics (groupe suédois) pour déployer jusqu'a 1000 robots AEON dans l'industrie manufacturière européenne, avec un centre d'entrainement installe en Allemagne.

FR/EU ecosystemeOpinion
1 source
Robot Talk, épisode 157 : générer de nouveaux designs de robots, avec Josie Hughes
Illustration générée par IA
4Robohub 

Robot Talk, épisode 157 : générer de nouveaux designs de robots, avec Josie Hughes

Josie Hughes, professeure assistante à l'École Polytechnique Fédérale de Lausanne (EPFL), était l'invitée du 157e épisode du podcast Robot Talk, animé par Claire, pour discuter de l'utilisation de l'intelligence artificielle dans la conception de nouveaux manipulateurs robotiques. Hughes dirige le CREATE Lab à l'EPFL, qu'elle a fondé en 2021. Sa trajectoire académique passe par le Bio-inspired Robotics Lab de l'Université de Cambridge, où elle a soutenu une thèse sur le rôle de la passivité dans les manipulateurs bio-inspirés, c'est-à-dire la capacité d'un mécanisme à absorber et redistribuer l'énergie sans actionnement actif. L'approche de Hughes repose sur un paradigme de co-design : utiliser l'IA non pas pour contrôler des robots existants, mais pour générer des architectures mécaniques nouvelles, en exploitant les propriétés physiques intrinsèques des structures et leurs interactions avec l'environnement. Cette démarche est particulièrement pertinente pour les mains robotiques et les manipulateurs souples, domaines où l'espace de conception est vaste et difficile à explorer manuellement. Appliquée à des secteurs comme la durabilité ou la recherche scientifique automatisée, elle pourrait réduire les cycles d'itération matérielle, traditionnellement longs et coûteux. L'EPFL s'inscrit dans un écosystème européen actif en robotique de manipulation, aux côtés de groupes comme ceux de Sami Haddadin (TU Munich) ou de laboratoires ETH Zurich. Le CREATE Lab se distingue par son ancrage dans la robotique bio-inspirée et la conception morphologique. La discussion en podcast reste à un niveau introductif et ne présente pas de résultats expérimentaux publiés : il s'agit d'une présentation de programme de recherche, pas d'une annonce de déploiement.

UELes travaux du CREATE Lab de l'EPFL sur la co-conception IA pour manipulateurs robotiques renforcent la visibilité de la recherche européenne en robotique morphologique bio-inspirée, sans impact opérationnel immédiat.

FR/EU ecosystemePaper
1 source