Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Démontage de batteries lithium-ion 18650 en fin de vie par robot humanoïde à deux bras guidé par vision
FR/EU ecosystemearXiv cs.RO 

Démontage de batteries lithium-ion 18650 en fin de vie par robot humanoïde à deux bras guidé par vision

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

Une équipe de recherche a publié sur arXiv (référence 2606.08152) un pipeline robotique bi-bras guidé par vision pour le démontage automatisé de blocs de batteries lithium-ion 18650 en fin de vie. Le système cible des packs de 21 cellules cylindriques, caractéristiques des véhicules électriques et de l'électronique grand public, et les désassemble depuis une pose initiale quelconque, sans fixation externe ni outillage spécialisé. L'architecture repose sur des pinces à mâchoires parallèles standard, une caméra RGB-D au poignet et un détecteur de préhension pré-entraîné. Les résultats mesurés sur banc : 8 démontages complets réussis sur 10 tentatives, une erreur quadratique moyenne de localisation cellule de 2,4 mm, et un temps de cycle moyen de 6,0 minutes par pack. Un mécanisme de transfert de support entre les deux bras en cours de tâche permet d'étendre l'espace de travail effectif sans ancrage externe.

La contribution technique centrale est la gestion de l'incertitude de pose : une pile perception "learn-and-filter" couplée à des corrections look-and-move par caméra au poignet absorbe les variations d'orientation du pack à l'entrée du cycle. C'est précisément ce verrou, pose inconnue et absence de gabarit, que les systèmes robotiques existants ne résolvent pas : ils présupposent des packs positionnés et calés. Pour un intégrateur ou un opérateur de centre de recyclage, cela change le profil d'investissement : supprimer les convoyeurs de présentation et les gabarits rigides réduit les coûts de ligne et ouvre la voie à des formats de packs hétérogènes. À noter que 8/10 de succès et 6 minutes par pack restent des performances de laboratoire, insuffisantes pour une cadence industrielle sans amélioration substantielle du taux de cycle et de la robustesse.

La pression réglementaire européenne est le moteur structurel de ce segment : le règlement européen sur les batteries de 2023 impose des seuils de contenu recyclé en cobalt, nickel et lithium à horizon 2030, ce qui rend l'automatisation du démontage cellule par cellule économiquement stratégique. Des acteurs comme SNAM en France ou Accurec en Allemagne industrialisent déjà la filière, mais s'appuient encore majoritairement sur des procédés thermiques ou hydromécaniques de masse, peu sélectifs. Ce travail, publié en preprint arXiv sans validation industrielle annoncée, illustre une approche robotique généraliste en concurrence avec les bras dédiés à outillage spécialisé développés par des groupes comme ABB ou des startups comme Agilox côté manutention. Les prochaines étapes logiques seraient l'extension à des géométries de packs prismatiques et pouch cells, majoritaires dans le parc VE européen, et un test de durabilité sur plusieurs centaines de cycles.

Impact France/UE

Le règlement européen sur les batteries de 2023 imposant des seuils de contenu recyclé en cobalt, nickel et lithium d'ici 2030 rend cette approche directement stratégique pour des acteurs français comme SNAM qui industrialisent le démantèlement de batteries mais s'appuient encore sur des procédés peu sélectifs.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Robot humanoïde industriel français : apprentissage accéléré grâce aux démonstrations humaines
1Interesting Engineering 

Robot humanoïde industriel français : apprentissage accéléré grâce aux démonstrations humaines

La startup française UMA a dévoilé le design de son premier robot humanoïde alimenté par IA lors du Machina Summit à Paris. L'engin affiche des proportions à taille humaine, une visière neutre en guise de visage plutôt qu'un visage anthropomorphe, et des articulations mécaniques volontairement visibles. UMA vise en priorité les usines, les entrepôts et les centres logistiques, avec un usage domestique envisagé à terme, et fait de l'Europe son premier marché de déploiement. La société a présenté en parallèle son architecture "Real-Time Learning", un système d'IA qui permet au robot d'apprendre de nouvelles tâches par démonstration humaine plutôt que par programmation manuelle : il observe une tâche, s'entraîne, s'adapte aux conditions changeantes et améliore ses performances avec l'expérience. Aucune spécification technique détaillée (charge utile, degrés de liberté, temps de cycle) n'a été communiquée à ce stade. "Les robots humanoïdes mettront des années à atteindre un déploiement à grande échelle, tout comme Internet et les smartphones ont eu besoin de temps avant de transformer des industries entières", a déclaré Rémi Cadène, PDG et cofondateur d'UMA. L'annonce intervient peu après le dévoilement par l'américain Weave Robotics de son robot domestique Isaac 1, capable de ranger une pièce ou faire la lessive avec assistance humaine à distance. Pour les intégrateurs et décideurs industriels, ce pari sur l'apprentissage par démonstration illustre un basculement plus large du secteur : remplacer la programmation tâche par tâche par des modèles capables de généraliser, la même logique que poursuivent les architectures VLA (vision-language-action) de Physical Intelligence ou de NVIDIA. Si la promesse tient, elle réduirait le temps et le coût d'intégration d'un robot dans une chaîne existante, un frein majeur à l'adoption des humanoïdes en usine. Il faut toutefois noter qu'UMA n'a pour l'instant montré qu'un design et un concept d'architecture, sans vidéo de démonstration ni métrique de performance vérifiable : il s'agit d'une annonce de positionnement, pas d'un produit livré ni d'un déploiement réel. Le choix explicite d'une visière neutre plutôt qu'un visage humain, et l'exposition volontaire des articulations, traduit une volonté de se démarquer des démonstrations spectaculaires façon Tesla Optimus ou Figure, au profit d'un discours centré sur la fiabilité industrielle de long terme plutôt que sur l'effet de démonstration publique. UMA a été cofondée par Rémi Cadène, connu pour avoir dirigé le projet LeRobot chez Hugging Face, une bibliothèque open-source d'apprentissage par imitation qui a contribué à démocratiser l'entraînement de robots par démonstration, un héritage direct dans l'architecture Real-Time Learning présentée aujourd'hui. La startup entre sur un marché déjà occupé par les géants américains (Tesla avec Optimus, Figure et son modèle Helix, Physical Intelligence avec Pi-0) et chinois (Unitree, UBTech), ainsi que par des humanoïdes grand public comme Isaac 1 de Weave Robotics. Face à cette concurrence, UMA mise sur l'écosystème industriel et de recherche européen ainsi que sur la pénurie de main-d'œuvre du continent pour justifier son positionnement. Aucun calendrier précis de commercialisation ni de pilotes clients n'a été communiqué au-delà de cette présentation du design, ce qui laisse ouverte la question du délai entre ce concept et un déploiement industriel effectif.

UEUMA est une startup française qui fait de l'Europe son premier marché de déploiement pour un robot humanoïde industriel, renforçant l'écosystème robotique franco-européen face à la concurrence américaine et chinoise.

FR/EU ecosystemeOpinion
1 source
Genesis AI publie GENE-26.5 : un robot humanoïde réussit enfin à préparer des œufs brouillés à la tomate
2Pandaily 

Genesis AI publie GENE-26.5 : un robot humanoïde réussit enfin à préparer des œufs brouillés à la tomate

La startup française Genesis AI a publié les premières démonstrations de GENE-26.5, son premier système de modèle de fondation pour robot humanoïde. Les vidéos montrent le robot casser des œufs d'une seule main, couper des tomates en mode bimanuel, préparer des smoothies, effectuer du pipetage, résoudre un Rubik's cube et saisir simultanément quatre objets de tailles différentes entre ses doigts. Le démo central est une tâche de cuisine de 4 minutes décomposée en plus de 20 sous-tâches : casser un œuf, trancher des tomates, manier un fouet, un couteau, une spatule et une poêle. Un détail révélateur : pour transférer les tomates coupées, le robot utilise le dos du couteau et la planche à découper comme appui, une coordination bimanuelles typiquement humaine. Genesis AI déclare des taux de réussite de 90 à 95 % sur la plupart des étapes, mais seulement 50-60 % pour les deux plus délicates (cassage d'œuf d'une main, transfert avec le dos du couteau) -- un niveau d'honnêteté inhabituel dans les communications de ce secteur. La vitesse d'exécution atteint 60-70 % de celle d'un humain. La main dextère est fournie par Dance Muscle (舞肌科技) ; les deux entreprises co-conçoivent une prochaine génération ciblant le format 1:1 main humaine avec 20 degrés de liberté actifs et back-drivables. La portée de GENE-26.5 dépasse les performances brutes des démos. Les tâches domestiques exigent une adaptation en temps réel à des objets imprévisibles et à des états de contact changeants, sans trajectoire pré-programmée, ce qui les rend parmi les problèmes de manipulation les plus difficiles à généraliser en robotique. La recette de données de Genesis combine trois sources : données de gant (mouvements fins et signaux tactiles haute fidélité), vidéo en première et troisième personne, pour un total annoncé de plus de 200 000 heures de données cross-modales collectées avec des partenaires. La simulation Genesis, moteur physique open-source développé en parallèle par l'entreprise, assure l'évaluation en boucle fermée et accélère les itérations. Ce pipeline (préentraînement massif sur données humaines, adaptation sur peu de données robot, évaluation en simulation) ressemble structurellement au paradigme qui a transformé le NLP vers les LLMs, et constitue un signal fort pour les intégrateurs et les décideurs industriels : le sim-to-real gap sur la manipulation dextère commence peut-être à se réduire sérieusement. Genesis AI a été fondée début 2025 et a levé 105 millions de dollars en seed round, l'un des plus importants jamais réalisés en France dans la robotique. Parmi les investisseurs figurent Eric Schmidt (ancien PDG de Google), Xavier Niel et Bpifrance. Le CEO Zhou Xian est titulaire d'un doctorat du Carnegie Mellon University Robotics Institute, ce qui ancre l'entreprise dans la tradition académique américaine malgré son origine française. Dans une course humanoïde particulièrement dense qui comprend Figure AI (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0) et NVIDIA (GR00T N2), Genesis se distingue par son pari sur la donnée humaine à grande échelle et la simulation comme levier de généralisation, en opposition aux approches centrées sur la téléopération robot. GENE-26.5 reste toutefois au stade de démo laboratoire : aucun pilote industriel ni calendrier de déploiement n'a été annoncé à ce stade.

UEGenesis AI, startup française ayant levé 105 M€ avec Bpifrance et Xavier Niel, positionne la France comme acteur de premier plan dans la course mondiale aux modèles de fondation pour robots humanoïdes, avec un pipeline données/simulation potentiellement transposable à l'industrie européenne.

FR/EU ecosystemeOpinion
1 source
Vendredi vidéo : un robot humanoïde italien prend vie
3IEEE Spectrum Robotics 

Vendredi vidéo : un robot humanoïde italien prend vie

Le rendez-vous hebdomadaire Video Friday d'IEEE Spectrum met en avant plusieurs annonces robotiques de la semaine. La startup italienne Generative Bionics dévoile GENE.01, un humanoïde développé en seulement six mois, capable de marcher, percevoir son environnement et interagir grâce à une peau multimodale intégrale détectant le toucher, la proximité, la force et la température. De son côté, Generalist présente GEN-1, un modèle fondationnel pour la robotique conçu pour piloter une large variété d'effecteurs terminaux, des mains à cinq doigts aux outils spécialisés, avec l'ambition de transférer un "sens physique universel" vers de nouvelles configurations de préhension. Un laboratoire de l'AIR Lab a par ailleurs validé en vol une aile volante pliable fabriquée en carton ondulé, assemblée en moins de 15 minutes à partir de trois plaques découpées au laser. Flexion, en partenariat avec Niantic Spatial et NVIDIA, a développé un pipeline permettant de scanner un site de déploiement réel avec du matériel grand public, de le reconstruire en Gaussian splatting photoréaliste, puis d'entraîner des politiques par apprentissage par renforcement massivement parallélisé, transférées ensuite sans réentraînement (zero-shot) sur le robot physique. LimX Dynamics, PNDbotics et EngineAI ont également publié des démonstrations de leurs plateformes humanoïdes, tandis que Wing a communiqué sur son service de livraison par drone pour le South West London Pathology, opérationnel depuis février 2026, acheminant des échantillons médicaux urgents pour le NHS jusqu'à 85 % plus vite que le transport routier. Cette accumulation d'annonces illustre une dynamique importante pour le secteur : la course aux humanoïdes ne se limite plus aux acteurs américains et chinois établis, avec l'émergence rapide d'équipes comme Generative Bionics capables de livrer une plateforme fonctionnelle en six mois. Le pari de Generalist sur un modèle vision-langage-action (VLA) générique, capable de généraliser à travers différents effecteurs, s'inscrit dans le débat central du secteur sur la capacité réelle des modèles fondationnels à passer à l'échelle au-delà des démonstrations contrôlées. La combinaison Gaussian splatting et RL massivement parallèle proposée par Flexion répond directement au problème du sim-to-real, en réduisant le coût de création d'environnements d'entraînement réalistes à partir de sites réels. Ces avancées restent toutefois à nuancer : plusieurs vidéos de la semaine, notamment celle d'un robot manipulant des cônes de glace pour la société Sharpa, sont explicitement présentées comme des productions conceptuelles ne représentant pas le fonctionnement réel en magasin, un rappel que la frontière entre démonstration marketing et déploiement opérationnel reste souvent floue dans la communication du secteur. Ces développements s'inscrivent dans la trajectoire plus large de maturation de la robotique physique amorcée ces dernières années, portée par les progrès des modèles de fondation robotiques (à l'image de Pi-0 ou GR00T) et par la baisse du coût des capteurs et systèmes de perception. Le déploiement du service de drones de Wing pour le NHS marque une étape concrète de passage à l'usage réel dans le secteur médical, au-delà des humanoïdes. Les prochaines échéances du calendrier robotique, dont le Summer School on Multi-Robot Systems fin juillet à Prague, la conférence Actuate en août à San Francisco et IROS 2026 fin septembre à Pittsburgh, devraient permettre de mesurer si ces annonces se traduisent par des déploiements pilotes documentés ou restent au stade de démonstrations vidéo.

UEL'émergence de la startup italienne Generative Bionics, capable de livrer un humanoïde fonctionnel en six mois, illustre une dynamique d'innovation robotique naissante en Europe face aux acteurs americains et chinois etablis.

FR/EU ecosystemeActu
1 source
Guardian : détection des erreurs de planification et d'exécution robotiques par modèles vision-langage
4arXiv cs.RO 

Guardian : détection des erreurs de planification et d'exécution robotiques par modèles vision-langage

Des chercheurs du laboratoire Willow, rattaché à l'INRIA et à l'École normale supérieure de Paris (di.ens.fr/willow), ont publié Guardian, un modèle vision-langage (VLM) entraîné pour détecter les erreurs de planification et d'exécution dans la manipulation robotique. Pour l'entraîner, l'équipe a construit GuardianFail-36k, un jeu de données de 36 000 exemples générés automatiquement en perturbant des trajectoires de manipulation réussies, à la fois dans le simulateur RLBench et sur le jeu de données réel BridgeDataV2 (bras robotiques réels). Ces perturbations produisent des échecs jugés représentatifs de la distribution réelle des pannes, chacun accompagné d'un raisonnement structuré étape par étape généré par des VLM. Guardian, conçu pour raisonner sur plusieurs points de vue caméra simultanément, est ensuite testé sur trois benchmarks qu'il n'a jamais vus à l'entraînement: RoboFail, RoboVQA, et UR5-Fail, un nouveau benchmark introduit par les auteurs eux-mêmes. Le papier, référencé arXiv:2512.01946 (version 4, republication), met à disposition code, données et modèles en accès libre. L'enjeu dépasse la simple classification d'erreurs: les modèles VLA (vision-language-action) qui pilotent aujourd'hui les bras et humanoïdes manquent d'un mécanisme fiable pour savoir quand ils échouent, ce qui limite leur robustesse en environnement réel. Les auteurs pointent explicitement le goulot d'étranglement du secteur, la rareté et le manque de diversité des données d'échec pour entraîner ces détecteurs, et y répondent par une génération synthétique à grande échelle plutôt que par une simple collecte. Résultat concret rapporté dans le papier: une fois couplé à une politique de manipulation pilotée par LLM, Guardian améliore de façon mesurable le taux de succès des tâches, aussi bien en simulation qu'en conditions réelles. Cela suggère qu'une boucle de détection d'échec et de reprise, plutôt qu'une exécution en boucle ouverte, devient un ingrédient nécessaire pour fiabiliser des politiques de manipulation à l'échelle industrielle. Il s'agit toutefois d'un résultat de recherche évalué sur benchmarks académiques, non d'un déploiement commercial ou d'un produit intégré à une flotte de robots. Ce travail s'inscrit dans la lignée des recherches sur les politiques génératives de manipulation (VLA), où des benchmarks comme RoboFail et RoboVQA existaient déjà mais souffraient justement du manque de données d'échec exploitables, limitant la capacité de généralisation des détecteurs entraînés dessus. En publiant conjointement un pipeline de génération de données, un dataset à 36 000 exemples et un nouveau benchmark UR5, Willow cherche à établir un standard reproductible pour la vérification d'échecs en robotique, un sujet jusqu'ici traité de façon fragmentée. L'ouverture du code et des modèles laisse la porte ouverte à une intégration par d'autres équipes de recherche ou industriels développant leurs propres piles VLA, sans qu'aucun calendrier de déploiement pilote ou d'industrialisation ne soit mentionné à ce stade.

UELe laboratoire Willow (INRIA/ENS Paris) publie en open source un modèle et un dataset renforçant la recherche européenne en robustesse des politiques VLA pour la manipulation robotique.

FR/EU ecosystemePaper
1 source