Tacta Systems dévoile une main robotique dotée…

1Robotics Business Review

Skild AI dévoile S1, son modèle fondation phare pour la robotique

Skild AI a dévoilé S1, son modèle de fondation robotique phare, conçu pour l'apprentissage en contexte : une vidéo d'un humain réalisant une tâche, ajoutée au prompt, suffit au robot pour la reproduire sans réentraînement, explique le cofondateur et PDG Deepak Pathak. Fondée en 2023, la start-up a levé près de 1,7 milliard de dollars pour bâtir ce "cerveau" robotique généraliste. S1 cible des tâches longues, jusqu'à dix minutes, comme rempoter une plante, préparer un café ou cuisiner des pancakes, plutôt que les gestes de quelques secondes habituellement démontrés. Il combine quatre sources de données d'entraînement, téléopération, vidéos humaines, simulation et gants de capture de mouvement, chacune compensant les limites des autres. Pathak affirme que le robot a improvisé le retournement d'une crêpe à la spatule sans aucun exemple de ce geste dans ses millions d'heures de données d'entraînement, en généralisant à partir de la seule vidéo du prompt. Le modèle est dit "omni-corps", fonctionnant sur bras fixes, quadrupèdes et humanoïdes. Cette annonce s'inscrit dans le débat sur un éventuel "moment ChatGPT" de la robotique, où un modèle de fondation unique remplacerait le post-entraînement tâche par tâche qui freine aujourd'hui le passage à l'échelle des déploiements. Si ces résultats se confirment sur des tâches longues et non scriptées, ils contrediraient l'idée que l'apprentissage en contexte ne fonctionne que sur des gestes courts déjà vus en simulation. Pour les intégrateurs, un modèle apprenant par une seule vidéo démonstrative réduirait le coût de reconfiguration des robots face à de nouvelles lignes ou de nouvelles références produits. Skild AI n'a toutefois publié ni protocole de test indépendant, ni taux de réussite chiffré, ni durée de cycle précise : ces démonstrations restent une vitrine contrôlée plutôt qu'un produit validé en conditions industrielles. L'entreprise reconnaît elle-même que ses résultats sur humanoïdes, capables de continuer une tâche après la perte d'un membre, proviennent d'une version antérieure du modèle, pas encore mise à l'échelle. Skild AI a été cofondée en 2023 par Deepak Pathak et Abhinav Gupta, chercheurs issus de Carnegie Mellon, avec l'ambition de vendre un modèle de fondation indépendant du matériel plutôt que de construire son propre robot. Ses près de 1,7 milliard de dollars levés en font l'un des acteurs les mieux capitalisés du secteur, aux côtés de rivaux développant leurs propres modèles vision-langage-action, comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, tandis que des humanoïdes comme Optimus ou Figure 03 restent pilotés par des piles logicielles propriétaires intégrées verticalement. Contrairement à ces approches liées à un matériel spécifique, Skild positionne S1 comme une couche logicielle tierce, applicable à des plateformes existantes. L'entreprise dit vouloir concentrer ses prochains efforts sur l'amélioration de S1 sur humanoïdes, sans donner de calendrier de déploiement pilote ni de client industriel nommé à ce stade.

IA physiqueActu

1 source

2arXiv cs.RO

SkipVLA : sauter des étapes VLA grâce à la planification classique pour une manipulation robotique plus rapide

Des chercheurs présentent SkipVLA, une politique hybride combinant un modèle Vision-Language-Action (VLA) pré-entraîné et un planificateur de mouvement classique, décrite dans un article mis en ligne sur arXiv (2609.20648v1). Le planificateur classique gère les déplacements en espace libre sans collision, tandis que le VLA n'intervient que pour les phases de contact, comme saisir ou déposer un objet. SkipVLA réutilise le backbone vision-langage gelé du VLA pour prédire une pose cible à chaque mouvement planifié, et apprend ce prédicteur sans démonstrations supplémentaires, en exploitant uniquement les connaissances déjà acquises par le grand modèle. Testé avec trois VLA différents sur 13 tâches du benchmark de simulation LIBERO et sur trois tâches de pick-and-place avec un bras physique à 6 degrés de liberté (DoF) de type YAM, SkipVLA affiche jusqu'à 2,5 fois plus de rapidité d'exécution et une consommation d'énergie nettement réduite, pour un taux de réussite identique à celui du VLA utilisé seul. Ce travail cible un frein bien identifié dans l'industrie robotique : les modèles VLA, capables de traduire une instruction en langage naturel directement en actions motrices, restent lents à l'inférence sur les tâches longues qui exigent de nombreuses requêtes successives à la politique. Les solutions existantes (distillation vers des modèles plus petits, exécution asynchrone de blocs d'actions, ou couplage avec une politique bas niveau rapide) continuent de faire tourner un réseau appris sur l'intégralité de la tâche. En ne sollicitant le VLA que là où une compréhension sémantique est nécessaire, SkipVLA ouvre, pour les intégrateurs qui évaluent des bras pilotés par VLA en logistique ou en usine, une piste vers des cycles plus courts sans perte de fiabilité, là où une approche tout-VLA reste souvent trop lente pour un usage industriel en temps réel. Cette approche s'inscrit dans la lignée des politiques robotiques généralistes de type VLA (à l'image de Pi-0, GR00T N2 ou Helix), saluées pour leur capacité à généraliser au-delà de leurs tâches d'entraînement mais critiquées pour leur coût de calcul en conditions réelles. Les planificateurs de mouvement classiques, technologie mature et rapide en robotique, restent en revanche incapables de comprendre seuls une instruction en langage naturel. SkipVLA se positionne ainsi comme une alternative aux méthodes de réduction de latence déjà explorées par la communauté de recherche. À ce stade, il s'agit d'un travail validé en simulation et sur un bras de laboratoire, sans déploiement industriel, partenariat commercial ni calendrier annoncé.

IA physiquePaper

1 source

3arXiv cs.RO

Fast-VLA : réfléchir une seule fois pour la manipulation robotique

Des chercheurs proposent Fast-VLA, une architecture de politique vision-langage-action (VLA) qui n'invoque qu'une seule fois par épisode un modèle de fondation de 4 milliards de paramètres. Ce VLM figé lit l'instruction et les vues initiales, puis les transforme en une mémoire de tâche fixe : des paires clé-valeur issues de plusieurs couches du réseau. Pendant l'exécution, un acteur léger fusionne des requêtes apprises, indexées par le temps et par le bras, avec les images courantes et la proprioception (les capteurs internes du robot). Il en tire des requêtes d'action qui interrogent la mémoire fixe et prédisent des « chunks » d'actions, sans relancer le modèle de fondation. Les auteurs annoncent 92,46 % de succès sur RoboTwin 2.0 en configuration Clean et 92,40 % en Randomized. Sur LIBERO et LIBERO-Plus, ils annoncent respectivement 95,95 % et 79,11 %. Face à trois baselines à conditionnement continu, testées sur le même matériel, le temps d'inférence amorti sur RoboTwin est réduit d'un facteur 10,9 à 17,1. La mémoire résidente en ligne après le préremplissage est de 1,22 GiB. Il s'agit d'un article de recherche (arXiv, v1), sans déploiement industriel, et les résultats proviennent de benchmarks en simulation. L'enjeu est d'abord économique et architectural. Dans la plupart des VLA actuels, un modèle de plusieurs milliards de paramètres est recalculé à chaque nouveau chunk d'actions, alors que la compréhension de la tâche évolue bien plus lentement que l'état du robot. Sortir ce modèle de la boucle de contrôle réduit la latence et l'empreinte mémoire, deux contraintes majeures pour embarquer une politique sur un calculateur de robot plutôt que sur un serveur GPU distant. Un test de permutation des mémoires de tâche montre aussi que l'acteur dépend bien de la mémoire propre à l'épisode, ce qui écarte l'hypothèse d'une simple politique réactive qui ignorerait l'instruction. La limite est nette : une mémoire figée au départ convient aux tâches dont l'objectif reste stable, mais elle pourrait mal gérer les échecs en cours de route, les changements de consigne ou les scènes très dynamiques. Les gains de vitesse sont mesurés sur RoboTwin et sur du matériel précis, et le score de 79,11 % sur LIBERO-Plus, benchmark de robustesse, rappelle que l'écart entre simulation et monde réel reste à tester. Cette approche s'inscrit dans une tendance à découpler un raisonnement lent d'un contrôle rapide, déjà visible dans les architectures à double système comme Helix de Figure ou GR00T de NVIDIA, et dans les efforts de fragmentation d'actions des modèles de type Pi-0. Fast-VLA pousse la logique plus loin en ne consultant le VLM qu'une fois. Les prochaines étapes naturelles sont une validation sur robots physiques, des comparaisons avec les VLA à double système sur des durées plus longues, et une gestion du rafraîchissement de la mémoire quand la scène change. Une page de projet est annoncée, mais aucun pilote ni calendrier industriel n'est mentionné.

IA physiquePaper

1 source

4arXiv cs.RO

ForeTac-VLA : un modèle vision-langage-action tactile basé sur la prévision pour la manipulation robotique en contact riche

Publié en septembre 2026 sur arXiv sous la référence 2609.20980, ForeTac-VLA est un modèle vision-langage-action (VLA) qui ajoute une couche tactile prédictive pour la manipulation robotique en environnement riche en contacts physiques. Le système encode les observations tactiles récentes en représentations temporelles, les fusionne avec les caractéristiques vision-langage par attention croisée bidirectionnelle, puis un module de prévision fondé sur un transformeur anticipe l'état tactile sur plusieurs pas de temps futurs avant d'injecter ces prédictions dans le backbone VLA qui génère l'action. Un curriculum passant progressivement des données tactiles réelles aux données prédites stabilise l'entraînement lorsque les premières prévisions sont peu fiables. Sur quatre tâches de manipulation réelles à fort contact physique, ForeTac-VLA atteint un taux de réussite moyen de 95%, avec un gain de 36,25 points de pourcentage sur un VLA simplement affiné et de plus de 22 points sur les meilleures méthodes tactiles-VLA existantes, tout en maintenant ses performances en faible luminosité et en environnement visuellement encombré. Ce travail cible une faiblesse connue des modèles VLA, très dépendants de la vision, alors que des états physiques critiques comme le glissement d'un objet ou l'alignement lors d'une insertion ne sont pas observables visuellement. Les approches tactiles existantes se contentaient de réagir au contact déjà survenu; ForeTac-VLA propose de l'anticiper, ce qui change la nature du signal exploité par le modèle d'action. Pour les intégrateurs industriels, l'intérêt pratique tient à la robustesse démontrée en conditions dégradées, faible éclairage ou encombrement visuel, des situations fréquentes en usine ou en entrepôt où la vision seule échoue souvent. Si ces écarts se confirment au-delà des quatre tâches testées, cela conforterait l'idée qu'une fusion tactile prédictive, plutôt que purement réactive, est une piste sérieuse pour fiabiliser la manipulation en contact riche, un point faible récurrent des démonstrations VLA actuelles. ForeTac-VLA s'inscrit dans la lignée des modèles VLA génériques qui unifient perception, langage et contrôle moteur, et dans la sous-famille plus récente des VLA tactiles qui ajoutent un capteur de contact au pipeline vision-langage. Il se positionne explicitement contre ces baselines tactiles-VLA de l'état de l'art, qu'il dépasse de plus de 22 points, ainsi que contre un VLA classique simplement affiné sur les mêmes tâches. La publication reste un preprint arXiv, sans nom d'entreprise ni calendrier de déploiement industriel associé: il s'agit d'un résultat de recherche évalué sur quatre tâches choisies par les auteurs et illustré par des vidéos sélectionnées sur le site du projet, pas d'un produit commercialisé. Les suites attendues sont l'élargissement à davantage de tâches et de plateformes robotiques, ainsi qu'une évaluation indépendante confirmant que l'écart de performance tient face à des scénarios plus variés que le banc d'essai initial.

IA physiqueOpinion

1 source

Tacta Systems dévoile une main robotique dotée d'IA pour la fabrication à haute valeur ajoutée

À lire aussi

Skild AI dévoile S1, son modèle fondation phare pour la robotique

SkipVLA : sauter des étapes VLA grâce à la planification classique pour une manipulation robotique plus rapide

Fast-VLA : réfléchir une seule fois pour la manipulation robotique

ForeTac-VLA : un modèle vision-langage-action tactile basé sur la prévision pour la manipulation robotique en contact riche