InfrastructureRobotics Business Review 18 juin 2026

RealSense dévoile la caméra de profondeur D585 Pro, conçue nativement pour l'IA et la robotique

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

RealSense a présenté le D585 Pro à l'Automate 2026 (stand 12036), une caméra de profondeur à traitement IA embarqué destinée aux robots humanoïdes, aux AMR (robots mobiles autonomes), aux bras cobots et aux systèmes d'inspection industrielle. La commercialisation est prévue pour le premier trimestre 2027. Le capteur est construit autour d'un SoC propriétaire de cinquième génération intégrant un moteur de profondeur, un processeur ISP, un DSP, des accélérateurs IA dédiés et un ARM quadricœur. Les spécifications annoncées : champ de vision de 120x100°, 60 images par seconde à 1280x960, portée minimale inférieure à 15 cm en pleine résolution, portée maximale supérieure à 10 mètres, indice IP65 en standard sur chaque unité, connectivité GMSL2 et USB-C avec synchronisation matérielle. RealSense revendique une qualité de profondeur deux fois supérieure à sa génération précédente et une réduction du bruit doublée. À la livraison, le traitement de profondeur amélioré et la détection de personnes fonctionneront en bêta directement sur le SoC, sans charge CPU hôte. Des capacités supplémentaires, dont l'odométrie visuo-inertielle (VIO), la génération de grille d'occupation, la calibration automatique et la détection de visages, seront ajoutées via mises à jour SDK après disponibilité générale.

Le D585 Pro cible deux limitations structurelles des caméras de profondeur actuelles en robotique : la plage proche et la dépendance au calcul hôte. En descendant à moins de 15 cm en pleine résolution, RealSense revendique un avantage de 2,5x sur le concurrent le plus proche, sans le nommer, ce qui ouvre des cas d'usage jusqu'ici difficiles à couvrir avec un seul capteur : picking en bac, inspection à courte portée, scan de rayonnages denses. Le flux RGB dual synchronisé, deux flux 30 FPS couleur et profondeur fusionnés sur caméra sans overhead CPU, est directement pertinent pour les pipelines VLA dont dépendent des systèmes comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, qui requièrent une perception couleur-profondeur synchronisée. Le modèle logiciel évolutif, où de nouvelles capacités arrivent par SDK sans remplacement matériel, est un changement de paradigme commercial notable dans un secteur où les cycles de qualification hardware sont longs et coûteux pour les intégrateurs.

RealSense est une marque historiquement liée à Intel, qui avait progressivement retiré ses investissements dans la perception 3D avant de céder l'activité. La société s'est repositionnée sous direction indépendante, avec Nadav Orbach comme CEO. Elle évolue dans un marché sous forte pression concurrentielle : Luxonis (OAK-D), Orbbec, Stereolabs (ZED X), et des acteurs industriels comme Photoneo ou SICK occupent des segments adjacents. La promesse d'un capteur unique couvrant 15 cm à 10 m, utilisable en intérieur comme en extérieur à 60 FPS avec IA embarquée, est techniquement ambitieuse. Aucun partenaire de déploiement n'a été nommé publiquement à ce stade, et les performances annoncées reposent sur des données fabricant non validées par des tiers indépendants. La livraison effective au premier trimestre 2027 constituera le vrai test de maturité de la plateforme.

Dans nos dossiers

NVIDIA GR00T Physical Intelligence — π0

À lire aussi

1NVIDIA Blog Robotics

NVIDIA dévoile les nouveaux ordinateurs Jetson Thor pour démocratiser la robotique et l'IA en périphérie

NVIDIA a présenté les modules Jetson T3000 et T2000, basés sur l'architecture Thor, avec pour objectif de démocratiser les supercalculateurs d'IA embarquée pour la robotique et les systèmes autonomes. Le Jetson et IGX T3000 délivre 865 téraflops en FP4 dans un format deux fois plus compact et moins gourmand en énergie que le T5000, grâce à un GPU Blackwell, un CPU Arm Neoverse huit cœurs, 32 Go de mémoire LPDDR5X, une bande passante de 273 Go/s et une connectivité 25 GbE. La version IGX T3000 intègre en plus une sécurité fonctionnelle certifiée et fait tourner la pile Halos for Robotics pour les robots évoluant à proximité d'humains. Le T2000, plus modeste avec 400 téraflops FP4 et 16 Go de mémoire, cible les robots mobiles autonomes, les bras manipulateurs industriels et les agents visuels. L'ensemble porte la gamme Jetson d'une fourchette de 70 TOPS à 2 000 téraflops. Des entreprises comme 1X, Agility, Agile Robots, Amazon Robotics, Boston Dynamics, FANUC, Hitachi, Medtronic ou Techman Robot construisent déjà sur cette plateforme. NVIDIA a également lancé des "agent skills" logiciels d'optimisation mémoire : UBTech, Agile Robots et Connect Tech affirment avoir réduit leur usage mémoire jusqu'à 15 Go, permettant de repasser d'un module Orin 64 Go à 32 Go ; SandStar évoque 4 Go économisés dans le retail intelligent, et NoTraffic annonce 30% de mémoire libérée sur Jetson TX2 NX. L'enjeu réel n'est pas la puissance de calcul brute, déjà abondante, mais son coût. En pleine flambée des prix mémoire, réduire l'empreinte RAM permet de descendre d'un cran dans la gamme de composants sans perdre en performance, un levier direct sur les marges des fabricants de robots humanoïdes qui cherchent à passer du prototype à la production de série. Ces annonces confirment surtout que la quasi-totalité des acteurs majeurs de la robotique humanoïde et industrielle s'appuie sur le même socle silicium NVIDIA plutôt que de développer leurs propres puces, une dépendance qui pèsera sur les rapports de force à mesure que les volumes augmentent. Il faut toutefois noter que les chiffres de gains mémoire proviennent de témoignages clients sélectionnés par NVIDIA, sans benchmark indépendant, et que les performances FP4 annoncées restent des mesures constructeur. Ces modules Thor succèdent au Jetson AGX Thor dévoilé précédemment et prolongent la lignée Jetson Orin, avec un objectif affiché de couvrir tous les segments d'edge AI, du drone au robot industriel. Aucun acteur français ou européen de la robotique n'est cité parmi les entreprises partenaires mentionnées dans cette annonce. La suite passera par l'élargissement progressif des "agent skills" à l'ensemble du portefeuille Jetson, Thor comme Orin, et par l'intégration continue de nouveaux clients robotique dans l'écosystème Thor.

InfrastructureOpinion

1 source

2Pandaily

Tencent Cloud lance une pile de données et d'entraînement pour la robotique et la conduite autonome, et prévoit TCLake XPhysis

Tencent Cloud a présenté le 30 octobre, lors de la session big data du Tencent Global Digital Ecosystem Summit 2026, une solution intégrée de traitement de données multimodales, d'entraînement et d'inférence de modèles destinée aux applications d'IA physique, comme l'intelligence incarnée et la conduite autonome. Le groupe a aussi annoncé la prochaine sortie de TCLake XPhysis, une plateforme couvrant toute la chaîne d'ingénierie de l'IA physique. La pile s'appuie sur les workflows DataBuddy et sur le service de calcul sur data lake AI DLC, afin de réunir gestion des données, orchestration du développement et jobs de modèles sur une seule plateforme. Xpark et Meson gèrent le nettoyage multimodal, les contrôles qualité, l'annotation et la préparation des échantillons. TCRay assure l'entraînement et l'inférence distribués, et TCLake administre données et actifs d'IA. Les défauts détectés en validation par simulation sont réinjectés dans la préparation des données pour le cycle d'entraînement suivant. Selon Tencent Cloud, la préparation des données passe de 15 jours à 2, l'utilisation des GPU progresse de près de 200 % et le coût quotidien moyen par GPU baisse de 35 %. Zhuoyu Technology figure parmi les utilisateurs cités. Dans les sciences de la vie, BioMap emploie la plateforme EMR DIaaS et TCRay pour son travail sur la cellule virtuelle. Pour les équipes de robotique et de conduite autonome, le goulot d'étranglement n'est plus seulement le modèle, mais la boucle données, entraînement, simulation, correction. Des flux de vidéo et de capteurs massifs sont aujourd'hui répartis sur plusieurs outils, d'où des préparations de données dupliquées et des actifs peu réutilisables. Une chaîne unifiée vise à industrialiser cette boucle, ce qui compte pour les intégrateurs et les constructeurs de VLA, dont la progression dépend du volume de données propres et rejouables plus que de l'architecture. Ces chiffres restent toutefois des déclarations du fournisseur : on ignore la base de comparaison, la taille des jeux de données, le type de charges et la part de ces gains attribuable à la plateforme plutôt qu'à une réorganisation préalable des pipelines. Un seul client nommé dans la conduite, aucun dans la robotique humanoïde ou manipulatrice, et XPhysis n'est encore qu'une annonce : il faut distinguer la solution lancée du produit à venir. Ce lancement prolonge un an de travail d'ingénierie avec des dizaines de clients de l'IA incarnée et de la conduite intelligente, que TCLake condense en data lake d'IA multimodal, base de XPhysis. Tencent se place ainsi sur le terrain des hyperscalers et des acteurs chinois du cloud qui courtisent les développeurs d'IA physique, plutôt que sur celui des fabricants de robots. Le vice-président Huang Shifei estime que l'arrivée des agents comme nouveaux utilisateurs des plateformes de données change les usages et les charges de calcul. Dans cet esprit, Tencent a actualisé DataBuddy, son poste de travail d'agents de données : le groupe éducatif Jiuxuewang est passé du pilote à la production en trois semaines, et l'ajout d'une couche sémantique a fait monter la précision des réponses de 83,5 % à plus de 95,9 % sur un test. Une option de déploiement privé est désormais ouverte aux clients de la finance et du secteur public. Reste à voir la date de sortie de XPhysis et l'adhésion de clients robotiques.

UEPas d\'impact direct sur la France/UE

InfrastructureActu

1 source

3Robotics Business Review

Comment la robotique et l'IA physique peuvent répondre de façon responsable aux grands défis de la sécurité physique

Le secteur de la sécurité physique se tourne vers la robotique et l'IA physique pour répondre à des menaces de plus en plus connectées. Selon l'article, plus de 23 milliards de dollars ont été investis en 2026 dans des entreprises qui travaillent à rapprocher ces deux technologies. Les risques se regroupent en trois familles : la convergence cyber-physique, les contraintes des systèmes hérités et la volatilité mondiale. Caméras, contrôle d'accès et capteurs interconnectés forment une surface d'attaque : si la plateforme centrale est compromise, les actifs deviennent exposés au vol, aux dégâts et aux interruptions. L'exemple cité est l'attaque contre Jaguar Land Rover l'an dernier. Des identifiants volés et de l'ingénierie sociale, attribués à des acteurs présumés liés à un État, ont donné accès au système d'information du constructeur et arrêté totalement la production, pour un coût estimé à 2,5 milliards de dollars pour l'économie britannique. Côté robotique, Foxlink a présenté au GTC Taipei 2025 un chien robot quadrupède de patrouille, développé avec Luminys et embarquant des technologies NVIDIA et SYNC. Ses capteurs intégrés observent la zone, et l'IA détecte les anomalies, les traite et déclenche une réaction. L'article le destine à la sécurité d'entreprise et à l'intervention d'urgence. L'intérêt pour les décideurs tient au déplacement du modèle de sécurité, de la réaction vers la prévention. Un parc de matériel et de logiciels anciens ne permet que de constater les incidents, alors qu'un agent mobile capable d'apprendre peut patrouiller en continu et signaler les écarts avant qu'ils ne deviennent des sinistres. Pour les exploitants de centres de données et d'usines, cibles désignées par l'article, cela ouvre une couche de surveillance mobile et évolutive, là où les caméras fixes laissent des angles morts. Il faut toutefois lire ce texte avec recul. Il décrit une orientation stratégique plus qu'un déploiement : aucun payload, autonomie, nombre de degrés de liberté, prix, taux de fausses alertes ni site client n'est mentionné pour le robot de Foxlink. On est donc face à une présentation de salon, pas à un produit livré ni à un retour d'expérience. Le chiffre de 23 milliards de dollars, sans détail des bénéficiaires, indique surtout un afflux de capitaux, pas une maturité opérationnelle. Quant au cas Jaguar Land Rover, il relève d'une intrusion informatique, qu'un robot de patrouille n'aurait pas empêchée. Le lien avec la robotique reste donc indirect. Ce positionnement s'inscrit dans une tendance où l'IA physique, le cerveau, vient équiper des plateformes mobiles, le corps, jusque-là surtout rigides et programmées. NVIDIA fournit ici la pile logicielle et le calcul embarqué, comme chez beaucoup d'acteurs de la robotique mobile. Le quadrupède de sécurité est un segment déjà disputé, notamment par Boston Dynamics avec Spot et Unitree, que l'article ne cite pas. Le texte est relayé avant RoboBusiness, qui fête ses 20 ans. La suite dépendra de pilotes mesurables chez des opérateurs d'infrastructures critiques, et de la capacité à sécuriser ces robots eux-mêmes, qui ajoutent un maillon connecté à protéger.

UEPas d\'impact direct sur la France/UE

InfrastructureOpinion

1 source

4Robotics Business Review

GMSL et l'écosystème croissant autour des systèmes de vision pour la robotique

Le standard GMSL (Gigabit Multimedia Serial Link), longtemps cantonné aux systèmes embarqués automobiles comme l'ADAS, s'impose progressivement dans les architectures de vision robotique industrielle. Selon Stephen Liu, responsable robotique chez Advantech, développeur de systèmes embarqués, environ un tiers des projets robotiques qu'il accompagne utilisent ou envisagent déjà des caméras GMSL. La technologie permet de transporter vidéo haute résolution, signaux de contrôle et synchronisation sur un unique câble léger, avec une latence déterministe et une résistance aux interférences électromagnétiques (EMI) significativement améliorée. Analog Devices (ADI), qui dispose d'un écosystème GMSL structuré -- modules caméra pré-validés, adaptateurs, BSP (Board Support Packages) et plateformes compatibles ROS -- positionne cette offre comme un raccourci entre preuve de concept et production de masse. L'adoption dépasse le stade POC : les plateformes AMR (robots mobiles autonomes) de logistique en sont les premiers utilisateurs en production, suivis par les robots humanoïdes, les stations de picking, les applications agricoles et certains usages en santé et construction. Ce glissement du GMSL vers la robotique répond à une contrainte système qui s'aggrave : à mesure que le nombre de capteurs embarqués augmente (caméras multiples, lidars, IMU), la gestion simultanée de la bande passante, de la latence et de la synchronisation devient le vrai goulot d'étranglement. Un décalage de quelques millisecondes entre les flux capteurs suffit à dégrader la précision de navigation. "Les robots ne font pas que voir, ils doivent décider et agir instantanément", résume Liu, ce qui impose une coordination serrée entre GPU, MPU et système d'exploitation temps réel. Dans des environnements difficiles -- vibrations, poussière, températures extrêmes, câblages longs dans des châssis compacts -- les contraintes d'ESD et d'intégrité de signal rendent les interfaces non-automotive-grade insuffisantes. Le GMSL apporte ici une robustesse éprouvée en conditions réelles, sans surcharger les équipes d'intégration d'une couche de développement bas niveau supplémentaire. La transition depuis l'automobile n'est pas anodine sur le plan industriel. Les chaînes d'outillage ADAS ont absorbé pendant une décennie les problèmes que la robotique affronte aujourd'hui : multiples caméras synchronisées, longues distances de câblage, tolérance zéro aux pannes de perception. ADI capitalise sur cet héritage pour proposer un écosystème directement transposable, réduisant les délais d'intégration de plusieurs mois à quelques semaines selon Advantech. Les concurrents directs sur ce segment -- notamment les acteurs proposant des solutions basées sur MIPI CSI-2 ou USB3 Vision -- restent pertinents pour les robots opérant en conditions contrôlées, mais peinent à répondre aux contraintes des déploiements extérieurs ou mobiles à longue durée. Les prochaines étapes portent sur l'extension vers les humanoïdes et les plateformes agricoles, segments où la densité sensorielle et la rugosité environnementale font du GMSL un candidat naturel face aux architectures plus conventionnelles.

UEL'adoption du GMSL dans les AMR et robots industriels concerne indirectement les intégrateurs et fabricants européens confrontés aux mêmes contraintes de synchronisation multi-capteurs dans leurs architectures de vision embarquée.

InfrastructureOpinion

1 source