RechercheIEEE Spectrum Robotics12h

L'IEEE honore Toshio Fukuda, pionnier de la robotique

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Toshio Fukuda, professeur émérite en ingénierie des micro-nano systèmes à l'université de Nagoya et actuellement vice-président de la recherche à l'Egypt-Japan University of Science and Technology d'Alexandrie, a reçu le prix Richard M. Emberson de l'IEEE le 24 avril lors d'une cérémonie à New York. Cette distinction, décernée par l'IEEE Technical Activities Board, récompense un « service distingué au bénéfice des objectifs techniques de l'IEEE, notamment en robotique ». Fukuda a publié plus de 2 000 articles de recherche et plusieurs ouvrages sur la robotique, les systèmes robotiques biomédicaux, la micro-nano robotique, la mécatronique et l'automatisation pilotée par IA. Il est aussi le fondateur de l'IROS, l'IEEE/RSJ International Conference on Intelligent Robots and Systems, une des toutes premières conférences dédiées à la robotique, lancée il y a près de 40 ans et toujours active aujourd'hui. Diplômé en ingénierie de l'université Waseda à Tokyo en 1971, il obtient ensuite un master puis un doctorat en sciences à l'université de Tokyo, avec un passage de recherche à Yale en 1973 sur la théorie de contrôle avancée. Le Japon l'a distingué à deux reprises pour ses contributions scientifiques, avec la médaille d'honneur au ruban violet en 2015 et l'Ordre du Trésor sacré en 2022.

Ce prix illustre le poids institutionnel que Fukuda a construit sur plusieurs décennies dans un domaine, la robotique, qui a longtemps peiné à trouver sa légitimité académique face à l'électronique ou à l'informatique pure. En créant l'IROS, il a doté la communauté robotique d'un rendez-vous scientifique pérenne qui structure encore aujourd'hui la diffusion des avancées en robotique intelligente, mécatronique et systèmes autonomes. Son passage à la présidence de l'IEEE en 2020, une première pour une personne d'origine asiatique à ce poste, marque aussi une évolution dans la gouvernance d'une organisation historiquement dominée par les institutions nord-américaines et européennes. Pour les chercheurs et industriels du secteur, son parcours illustre également une tension structurelle du monde académique qu'il évoque lui-même: la nécessité pour un chercheur de lever des financements en continu, à la manière d'un dirigeant de petite entreprise, ce qui a orienté ses propres choix vers une robotique directement utile à l'industrie plutôt que purement théorique.

Le parcours de Fukuda a été façonné dès ses études par Ichiro Kato, considéré comme le père de la recherche robotique japonaise et son mentor à Waseda, dans un pays qui allait devenir un des pôles mondiaux de la robotique industrielle et humanoïde. Après sa thèse en 1977, il a enchaîné les responsabilités scientifiques et institutionnelles, jusqu'à devenir directeur de programme du Moonshot, l'initiative japonaise qui vise à développer d'ici 2050 des robots dotés d'IA avancée, un projet qui recoupe les ambitions actuelles autour des robots humanoïdes et de l'automatisation cognitive. Aujourd'hui basé en Égypte, où il poursuit ses activités de recherche, Fukuda continue de jouer un rôle de passeur entre générations et zones géographiques dans une discipline où les États-Unis, le Japon et désormais la Chine se disputent le leadership technologique. Habitué à remettre des prix en tant qu'ancien président et maître de cérémonie de l'IEEE, il confie avoir trouvé inhabituel de se retrouver cette fois du côté des récipiendaires.

À lire aussi

1arXiv cs.RO

Robustesse de la manipulation robotique : fondations et perspectives

Résumé pour l'article "Robustness of Robotic Manipulation: Foundations and Frontiers" : Une équipe de chercheurs publie sur arXiv une étude systématique consacrée à la robustesse de la manipulation robotique, un chantier resté jusqu'ici fragmenté entre sous-domaines qui n'utilisaient pas les mêmes définitions. Les auteurs proposent d'abord une définition formelle : la robustesse mesure la capacité d'un système de manipulation à atteindre son objectif malgré l'incertitude et la variation des conditions. Ils en dérivent ensuite deux formulations générales, l'une probabiliste, l'autre issue de la théorie du contrôle, avant de cartographier les mécanismes concrets qui produisent de la robustesse à chaque étage de la pile robotique : perception, planification, contrôle, apprentissage de politiques (policy learning) et conception matérielle. Chaque mécanisme est illustré par des travaux de référence, des fondations historiques aux publications récentes. Le papier revient aussi sur les métriques et protocoles d'évaluation existants, souvent hétérogènes, et se conclut par une liste de problèmes ouverts vers une robustesse comparable à celle des humains. L'enjeu dépasse l'exercice académique. Depuis deux ans, une génération de modèles VLA (vision-language-action) comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia, Helix de Figure ou Optimus de Tesla revendique des capacités de manipulation généralistes, mais les annonces s'appuient sur des démonstrations et des métriques propres à chaque acteur, difficiles à comparer entre elles. Pour les intégrateurs et décideurs B2B qui doivent choisir une solution pour de la logistique ou de l'assemblage, disposer d'un cadre commun pour distinguer un modèle réellement robuste d'une démonstration soigneusement sélectionnée devient central, surtout face à l'écart bien documenté entre performance en vidéo et performance en déploiement réel. Cette synthèse s'inscrit dans une lignée qui remonte au contrôle robuste classique des années 1980-1990, avant que l'apprentissage par renforcement puis les politiques end-to-end n'ouvrent de nouvelles pistes dans les années 2010-2020, jusqu'au boom actuel des modèles fondation pour la robotique portés par des laboratoires comme Physical Intelligence, Nvidia, Google DeepMind ou Figure. En posant un vocabulaire et des critères communs, les auteurs cherchent moins à trancher un débat qu'à donner aux chercheurs et industriels un langage partagé pour comparer leurs approches, une étape jugée nécessaire avant toute standardisation sectorielle des tests de robustesse.

RecherchePaper

1 source

2arXiv cs.RO

Démystifier la conception de l'espace d'action pour les politiques de manipulation robotique

Une étude empirique de grande envergure, publiée sur arXiv (référence 2602.23408), apporte les premières réponses systématiques à une question restée sans réponse rigoureuse dans la communauté de la manipulation robotique : comment concevoir l'espace d'action d'une politique apprise par imitation ? Les chercheurs ont conduit plus de 13 000 déploiements réels sur un robot bimanuel, entraîné et évalué plus de 500 modèles sur quatre scénarios distincts, en examinant deux axes structurants : l'axe temporel (représentations absolues vs. incrémentales, dites "delta") et l'axe spatial (espace articulaire, ou joint-space, vs. espace opérationnel, ou task-space). Le résultat principal est sans ambiguïté : les représentations delta, qui encodent des variations de position plutôt que des positions cibles absolues, améliorent systématiquement les performances d'apprentissage. Sur l'axe spatial, joint-space et task-space révèlent des forces complémentaires : le premier favorise la stabilité du contrôle, le second facilite la généralisation à de nouveaux scénarios. Ces résultats ont une portée directe pour les équipes qui développent des politiques robotiques en production. Jusqu'ici, le choix de l'espace d'action relevait d'heuristiques héritées ou de conventions propres à chaque laboratoire, sans base empirique solide. L'étude montre que ce choix n'est pas accessoire : il conditionne fondamentalement le paysage d'optimisation de l'apprentissage par imitation, bien davantage que ce que supposait la littérature. Pour un intégrateur ou un ingénieur concevant un système de manipulation industrielle, la recommandation est désormais claire : préférer les delta actions par défaut, et arbitrer entre joint-space et task-space selon que la priorité est la stabilité du suivi de trajectoire ou la robustesse face à la variabilité des tâches. Ces conclusions sont directement applicables aux architectures VLA (Vision-Language-Action), qui dominent actuellement la recherche en politiques généralisables. Ce travail intervient dans un contexte où la course à la mise à l'échelle des données et des modèles concentre la majorité des ressources de recherche. Des systèmes comme pi-0 (Physical Intelligence), ACT ou Diffusion Policy ont popularisé l'imitation learning comme voie principale vers la manipulation généraliste, et des acteurs comme Figure AI, 1X ou Apptronik misent sur ces architectures pour leurs déploiements industriels. Pourtant, la conception de l'espace d'action restait guidée par des choix hérités des années 2010, faute d'étude comparative à grande échelle. En comblant ce manque avec une rigueur rare, les auteurs posent une base méthodologique qui devrait informer la prochaine génération de politiques bimanuelle et les benchmarks de comparaison entre systèmes.

RechercheOpinion

1 source

3arXiv cs.RO

Modèles du monde pour la manipulation robotique

Des chercheurs ont publié en juin 2026 sur arXiv (2606.24742) un modèle généraliste de valeur pour la manipulation robotique, le WVM (World Value Model). La proposition centrale consiste à substituer les backbones VLM (Vision-Language Model) habituellement utilisés par un modèle de monde, nativement mieux adapté à la modélisation temporelle nécessaire pour évaluer la progression d'une tâche. Sur les benchmarks standards, WVM atteint les meilleures performances connues en Value-Order Correlation (VOC), la métrique de référence pour les modèles de valeur robotiques. L'équipe introduit également Suboptimal-Value-Bench, un benchmark multi-embodiment composé de 800 trajectoires sous-optimales annotées frame par frame par des humains, comblant un angle mort des évaluations existantes qui ne contenaient que des données expertes. L'enjeu est directement opérationnel pour quiconque entraîne des systèmes de manipulation à grande échelle : les données collectées en conditions réelles sont rarement uniformément expertes. Un modèle de valeur précis permet de pondérer ou filtrer ces trajectoires hétérogènes, améliorant la qualité de l'entraînement sans nettoyage manuel coûteux. WVM démontre des gains de performance sur plusieurs approches d'extraction de politique, en simulation comme en déploiement réel, ce qui renforce la thèse que l'estimation de valeur est un composant orthogonal et complémentaire au choix d'architecture de politique. La robustesse maintenue sur données sous-optimales est l'aspect le plus significatif : c'est précisément dans ce régime que les VLMs classiques décrochent, leurs préentraînements sur observations visuelles statiques ne suffisant pas à capturer les dynamiques temporelles longues. La montée en puissance des VLA comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA a rendu critique la question de la qualité des données d'entraînement à grande échelle. L'approche WVM s'inscrit dans une tendance émergente qui consiste à spécialiser les composants : un backbone temporel dédié pour l'évaluation de la valeur, distinct du modèle d'action. Aucun partenariat industriel ni calendrier de déploiement n'est mentionné dans cet article purement académique. Les prochaines étapes naturelles incluent l'intégration du WVM dans des pipelines d'imitation à grande échelle ou en combinaison avec du reinforcement learning offline (IQL, CQL), et une extension à des environnements multi-tâches plus complexes.

RechercheOpinion

1 source

4New Atlas Robotics

Pince robotique inspirée de la pieuvre : souple pour agripper, rigide pour soulever

Des chercheurs de l'université de Pékin, de la National University of Singapore (NUS) et de l'université du Zhejiang ont conçu un préhenseur robotique s'inspirant de la mécanique des tentacules de pieuvre. Le principe : la structure adopte un état mou et déformable pour envelopper et saisir un objet irrégulier, puis se rigidifie pour assurer la prise en charge et le soulèvement. L'article source ne divulgue pas les métriques précises de charge utile ni les temps de cycle, ce qui limite l'évaluation indépendante des performances réelles. Cette approche par rigidité variable s'attaque à l'un des problèmes fondamentaux de la préhension robotique industrielle : un effecteur trop rigide brise les pièces fragiles, trop souple il perd sa charge ou manque de capacité de levage. Les mains humaines résolvent cet antagonisme grâce à la combinaison os-peau-muscles. Reproduire cette propriété en mécatronique ouvre la voie à des manipulateurs capables de traiter indifféremment des objets délicats (alimentaire, pharmaceutique) et des charges lourdes sur une même ligne, sans changement d'outillage. Le domaine des grippers bio-inspirés est actif : Festo (Allemagne) exploite les jets d'eau et structures pneumatiques depuis des années, Harvard Biodesign et Soft Robotics Inc. commercialisent des effecteurs en silicone gonflable, et plusieurs startups comme Soft Robotics (racheté par Piab en 2023) ont déjà industrialisé des solutions souples. Ce travail académique conjoint reste à ce stade une démonstration de laboratoire ; aucun partenariat industriel ni calendrier de transfert technologique n'est annoncé dans la publication disponible.

RecherchePaper

1 source