Ce robot muni d'une pince gonflée de café peut…

1Interesting Engineering

Nouvelle main robotique soulève 25 kilos tout en manipulant des objets fragiles avec une dextérité proche de l'humain

La startup suisse Mimic Robotics a dévoilé la Mimic Hand M1, une main robotique dexterous destinée à l'automatisation industrielle. Conçue et fabriquée en Suisse, elle repose sur une architecture à câbles tendineux (tendon-driven) inspirée de l'anatomie humaine : les actionneurs sont logés dans l'avant-bras plutôt que dans la paume ou les doigts, et entraînent les phalanges via des tendons passant sur des roulements et poulies plutôt que dans des gaines de guidage sujettes au frottement. La main compte 15 degrés de liberté actifs répartis sur 21 articulations, avec abduction des doigts et pouce opposable. Pour un poids d'environ 1,8 kg, elle peut maintenir une prise cylindrique stable sur des charges dépassant 25 kg, tout en détectant, selon Mimic Robotics, des forces aussi faibles que 0,1 newton (soit l'équivalent d'un objet d'environ 50 grammes) via le seul courant moteur. Des capteurs tactiles aux extrémités des doigts mesurent en complément la force normale, la force de cisaillement tangentielle et la localisation précise du contact. Ces chiffres proviennent des communications de l'entreprise et n'ont pas fait l'objet de validation indépendante à ce stade. Cette annonce s'inscrit dans un débat plus large sur la meilleure architecture de préhension pour les robots humanoïdes et l'automatisation industrielle. Plutôt que les pinces à deux doigts classiques, largement répandues mais limitées en polyvalence, Mimic mise sur une main à morphologie humaine pour faciliter le transfert de compétences apprises par démonstration humaine vers un système robotique, un enjeu central pour l'IA physique (Physical AI). L'entreprise présente la M1 non comme un simple effecteur terminal mais comme une plateforme sensorielle conçue pour rester identique entre la phase de collecte de données, l'entraînement des modèles d'IA et le déploiement final, dans le but de réduire ce qu'elle appelle le « fossé d'incarnation » (cross-embodiment gap), soit la perte de performance quand un modèle entraîné sur des mouvements humains doit s'adapter à une pince mécaniquement différente. Si cette approche tient ses promesses en conditions réelles d'usine, elle pourrait peser dans l'arbitrage entre pinces spécialisées et mains anthropomorphes pour les intégrateurs industriels. La M1 s'inscrit dans une plateforme robotique plus large développée par Mimic, incluant un gant portable destiné à la collecte de données de démonstration humaine, utilisé pour entraîner les modèles avant déploiement sur la main robotique. L'annonce intervient peu après que la firme norvégienne 1X a présenté ses propres mains à câbles tendineux à 25 degrés de liberté pour son robot NEO, avec des objectifs similaires de précision, de robustesse et de sécurité. La course à la main robotique dexterous s'accélère ainsi chez plusieurs acteurs du secteur humanoïde, chacun cherchant à résoudre le même problème : donner aux robots une préhension suffisamment fine et polyvalente pour remplacer, à terme, la main humaine sur les lignes de production.

UEDeveloppee par une startup suisse, cette main robotique pourrait influencer les choix technologiques des intégrateurs robotiques industriels européens, sans impact direct sur une entreprise ou une réglementation française a ce stade.

IA physiqueActu

1 source

2Interesting Engineering

Vidéo : un nouveau modèle d'IA permet aux robots humanoïdes de réussir 90 % des missions complexes

Flexion Robotics a dévoilé Reflect v1.0, une plateforme d'intelligence robotique destinée aux humanoïdes, capable d'exécuter des missions longues et multi-étapes sans intervention humaine pendant l'exécution. Pour illustrer les capacités du système, la société a présenté une démonstration en environnement de bureau : un robot humanoïde reçoit une instruction en langage naturel, récupère un colis de snacks livré au bâtiment, emprunte escaliers et ascenseur, déballe le carton à l'aide d'outils, puis range les articles dans un tiroir désigné. Selon Flexion, l'intégration du reinforcement learning sur plusieurs couches du système a fait passer le taux de complétion end-to-end d'une mission interne à 16 étapes de 38 % à 90 %, contre un modèle supervisé seul. La plateforme gère des charges comprises entre 100 grammes et 3,5 kilogrammes, et le robot est capable de repositionner un colis via des mouvements coordonnés du corps entier, d'opérer un ascenseur, de traverser des escaliers répétés et de contourner des obstacles dynamiques tout en portant des objets. Ce résultat est significatif parce qu'il s'attaque directement au problème de l'autonomie longue durée, considéré comme l'un des verrous majeurs de la robotique humanoïde commerciale. Dans une séquence de tâches, l'accumulation d'erreurs de navigation, de manipulation ou de perception finit statistiquement par faire échouer le système : c'est le "long-horizon failure mode" que les industriels connaissent bien. Reflect v1.0 le traite via un modèle vision-langage (VLM) personnalisé qui fait office de contrôleur de mission, surveille en continu l'avancement, raisonne sur l'environnement et re-planifie à la demande. La couche de mouvement combine des vision-language-action models (VLA) entraînés sur données réelles et des primitives issues du reinforcement learning, tandis qu'un contrôleur corps-entier temps réel assure équilibre et précision des gestes. Pour un COO industriel ou un intégrateur, le signal concret est le suivant : on passe de 38 % à 90 % de succès sur une mission à 16 étapes grâce au RL seul, ce qui suggère que le sim-to-real gap et la fiabilité multi-tâche sont partiellement solubles sans refonte matérielle. Flexion Robotics est une startup relativement récente dans l'écosystème humanoïde, qui se positionne comme fournisseur de couche logicielle agnostique au hardware, à l'image de ce que Apptronik ou 1X cherchent à faire sur leurs propres plateformes. L'article mentionne également ShengShu Technology et son modèle Motubrain, un "cerveau général" combinant perception, raisonnement et action, qui vise le même marché. La concurrence directe inclut Figure (Helix), Physical Intelligence (pi0), Boston Dynamics (Atlas Gen 2) et Tesla (Optimus Gen 3), tous engagés dans une course à l'autonomie longue horizon. Flexion reconnaît que Reflect v1.0 reste limité à des environnements définis, ce qui tempère le chiffre de 90 % : il s'agit d'une évaluation interne sur mission contrôlée, pas d'un déploiement industriel validé en conditions réelles. Les prochaines étapes annoncées concernent l'extension à des environnements moins structurés et la capacité à recevoir des instructions modifiées en cours de mission, deux marqueurs qui, s'ils sont confirmés en production, rapprocheraient Reflect d'une utilisabilité opérationnelle sérieuse.

IA physiqueOpinion

1 source

3arXiv cs.RO

Apprendre à agir par le contact : une vision unifiée de l'apprentissage multi-tâches pour les robots

Des chercheurs ont publié sur arXiv (2510.03599v2) un cadre unifié d'apprentissage de politiques pour la locomotion et la manipulation robotique multi-tâches, fondé sur une représentation dite "contact-explicite". Le principe central consiste à définir chaque tâche non pas par des trajectoires articulaires spécifiques, mais par une séquence d'objectifs de contact: positions de contact souhaitées, timings, et effecteurs actifs. Une politique unique, entraînée par apprentissage par renforcement (RL) conditionné aux objectifs, prend ces plans de contact en entrée et les exécute. Le framework a été validé sur plusieurs morphologies robotiques: un quadrupède exécutant différentes allures (trot, galop, etc.), un humanoïde réalisant des locomotions bipèdes et quadrupèdes, et ce même humanoïde effectuant des tâches de manipulation bimanuelles d'objets. Dans les trois cas, une seule politique gère l'ensemble des comportements. L'intérêt industriel est direct: l'approche contact-explicite améliore significativement la généralisation à des scénarios non vus pendant l'entraînement, ce qui s'attaque frontalement au "sim-to-real gap" qui pénalise la plupart des politiques entraînées en simulation. Pour un intégrateur ou un OEM robotique, cela signifie moins de politiques spécialisées à maintenir, moins de re-training à chaque variante de tâche, et une architecture potentiellement plus robuste aux variations de terrain ou d'objet. Le fait qu'une seule politique puisse couvrir à la fois locomotion et manipulation (loco-manipulation) dans un cadre commun réduit également la complexité d'orchestration en production. Les résultats présentés semblent solides en simulation, mais les auteurs n'annoncent pas de déploiement physique à l'échelle, ce qui invite à distinguer démonstration de recherche et produit shipé. Les approches classiques traitent locomotion et manipulation comme deux sous-problèmes séparés, avec des planificateurs et des politiques dédiées. L'espace des politiques générales est aujourd'hui dominé par des VLA (Vision-Language-Action models) comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, qui s'appuient sur de larges datasets visuels et du transfert de fondation. La contribution ici prend le parti inverse: une représentation géométrique structurée des contacts, plus frugale en données mais plus contrainte en hypothèses. Dans le domaine de la locomotion quadrupède unifiée, les groupes de l'ETH Zurich (ANYmal), de CMU et de Berkeley restent les références. La suite logique de ces travaux serait d'interfacer la planification de contacts avec un module de compréhension du langage naturel, pour permettre des instructions de haut niveau, une direction déjà explorée par plusieurs laboratoires académiques et startups de la robotique incarnée.

IA physiquePaper

1 source

4Robotics Business Review

La couche manquante dans l'assurance de sécurité des robots

Plusieurs recherches récentes révèlent que le comportement d'un robot d'IA physique peut être détourné sans prise de contrôle directe de la machine. Dès 2017, l'attaque BadNets avait montré qu'un modèle de vision pouvait fonctionner normalement tout en échouant face à un déclencheur caché, par exemple en classant un panneau stop comme un panneau de limitation de vitesse. Présentée à NeurIPS 2025, BadVLA étend ce principe aux modèles Vision-Language-Action (VLA), qui traduisent perception et instructions en mouvements robotiques : en présence d'un déclencheur, le modèle dévie de sa trajectoire tout en gardant des performances normales après transfert de tâche ou fine-tuning. Une autre étude de 2025, GoBA, montre qu'un objet aussi banal qu'une tasse à café peut servir de déclencheur fiable, avec 97% de réussite d'attaque sans dégrader les performances sur des entrées propres. En septembre 2025, la faille Bluetooth UniPwn, qualifiée de « vermifère », a été divulguée sur des robots quadrupèdes et humanoïdes d'un grand fabricant non identifié dans l'article : clés cryptographiques codées en dur, authentification contournée, exécution de code avec des droits root. Une démonstration de VicOne Lab R7 a montré qu'enchaîner trois exploits sans fil suffit à provoquer un comportement robotique incontrôlé en moins de 60 secondes. Ces résultats mettent en lumière un angle mort dans la validation des modèles : un système peut réussir toute sa qualification et pourtant produire un comportement corrompu en opération, dès qu'un déclencheur caché apparaît. Pour les intégrateurs qui déploient des modèles VLA comme couche de contrôle générique de robots, la sécurité ne peut plus se limiter à la robustesse mécanique ou logicielle classique : elle doit couvrir toute la chaîne, de l'entraînement du modèle au middleware embarqué. Des vulnérabilités dans des piles comme ROS 2 ou les systèmes DDS peuvent en effet permettre l'exécution de code arbitraire ou l'envoi de commandes non authentifiées, jusqu'à remplacer les poids d'un modèle sans même toucher à son architecture. Le risque n'est donc plus seulement la panne visible, mais un robot qui continue d'opérer en apparence normalement tout en exécutant des commandes dont l'intégrité a été compromise, un enjeu qui prend du poids à mesure que les flottes de robots humanoïdes et quadrupèdes connectés se multiplient sur le terrain. Ces travaux prolongent une lignée de recherche sur les portes dérobées en apprentissage automatique ouverte par BadNets en 2017, désormais étendue à la robotique physique à mesure que les modèles VLA se généralisent dans l'industrie. La démonstration UniPwn et les outils de test cités proviennent de VicOne, éditeur spécialisé en cybersécurité des systèmes physiques, dont l'outil de validation Radeis s'appuie sur la plateforme de simulation NVIDIA Isaac Sim pour tester l'effet d'entrées visuelles manipulées avant le déploiement réel d'un robot, un discours qui sert aussi à mettre en avant ses propres solutions. Ni le fabricant touché par UniPwn ni un calendrier de correctifs ne sont précisés dans l'article, qui plaide surtout pour une gestion des vulnérabilités étendue à chaque couche du système, de l'entraînement du modèle jusqu'à l'infrastructure réseau, alors que le secteur commence tout juste à structurer cette approche.

IA physiqueOpinion

1 source

Ce robot muni d'une pince gonflée de café peut saisir des objets fragiles sans capteurs complexes

À lire aussi

Nouvelle main robotique soulève 25 kilos tout en manipulant des objets fragiles avec une dextérité proche de l'humain

Vidéo : un nouveau modèle d'IA permet aux robots humanoïdes de réussir 90 % des missions complexes

Apprendre à agir par le contact : une vision unifiée de l'apprentissage multi-tâches pour les robots

La couche manquante dans l'assurance de sécurité des robots