RechercheMIT News Robotics 30 juillet 2026

La ministre-présidente bavaroise décerne son prix High-Tech à Daniela Rus

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Daniela Rus, directrice du CSAIL (Computer Science and Artificial Intelligence Laboratory) du MIT et titulaire de la chaire Panasonic de science informatique, a reçu le 23 juillet le prix High-Tech 2026 du Ministre-président de Bavière, remis dans la Herkulessaal de la Résidence de Munich. Décerné conjointement par le gouvernement bavarois et l'Académie bavaroise des sciences, c'est la distinction la mieux dotée d'Allemagne dans le domaine des technologies et de l'ingénierie. Le comité de sélection a retenu quatre axes de ses travaux : les collectifs robotiques auto-organisés, la robotique souple, la mobilité autonome et l'intelligence artificielle inspirée du cerveau, soit trente ans de recherche sur des machines capables de fonctionner hors laboratoire, dans des conditions non anticipées. Au sein du Distributed Robotics Laboratory qu'elle dirige, son équipe a notamment conçu un robot origami ingérable capable de récupérer des piles bouton avalées dans le système digestif d'un enfant, ainsi qu'une flotte de petits bateaux autonomes capables de s'assembler en ponts ou plateformes pour reconfigurer à la demande les voies navigables d'une ville. Elle a aussi coinventé les réseaux de neurones liquides, une architecture inspirée du système nerveux minimaliste d'un ver d'un millimètre, capable de piloter un véhicule dans un environnement inconnu avec seulement 19 neurones de contrôle.

Cette reconnaissance intervient alors que l'IA physique s'impose comme une priorité pour l'industrie et les décideurs publics. Contrairement à l'image dominante de la collaboration homme-robot limitée aux tâches ménagères ou à l'usine, les travaux de Rus couvrent un spectre bien plus large : transport, agriculture, médecine, domicile, surveillance environnementale. Son insistance sur des algorithmes explicables et adaptables au monde réel, plutôt que sur des démonstrations spectaculaires, tranche avec une partie du discours actuel sur les humanoïdes et les VLA. Les réseaux de neurones liquides illustrent cette approche : une efficacité radicale plutôt qu'une course à l'échelle des paramètres, un argument qui pèse directement dans les débats sur le déploiement de l'IA embarquée sur du matériel contraint.

Ces recherches ont donné naissance à Liquid AI, entreprise fondée par Rus avec d'anciens membres du CSAIL, Ramin Hasani, Alexander Amini et Mathias Lechner, pour développer des modèles pensés dès l'origine pour les contraintes matérielles des appareils qui les exécutent. Rus a déjà reçu la médaille Edison 2025 de l'IEEE et le prix John Scott 2024 ; elle fait partie de la promotion 2002 des MacArthur Fellows et a été élue à l'Académie nationale française de médecine, à la National Academy of Engineering et à l'American Academy of Arts and Sciences. Selon Lorenzo Masia, professeur de systèmes bio-robotiques intelligents à l'Université technique de Munich, cité dans le communiqué, ce prix devrait contribuer à porter cette recherche au premier plan.

Impact France/UE

Le prix est décerné par une institution publique bavaroise, ce qui illustre l'intérêt d'un gouvernement régional européen pour l'IA physique et la robotique, mais les travaux primés (MIT, Liquid AI) ne sont pas déployés en France ou dans l'UE.

Dans nos dossiers

IA physique & VLA

À lire aussi

1arXiv cs.RO

ConceptTree : la transparence sémantique pour la prise de décision en boîte noire dans la manipulation robotique

Le laboratoire à l'origine de ConceptTree propose une nouvelle méthode pour rendre transparente la sélection de compétences dans la manipulation robotique à long horizon, un domaine où les approches actuelles fonctionnent comme des boîtes noires opaques entre observation et action. Publié sur arXiv (2607.17861v1), le framework reformule la décision comme un raisonnement sur des concepts interprétables par l'humain : plutôt que d'apprendre une représentation latente implicite, le système construit un espace de concepts normalisé et ancré dans les observations visuelles, sur lequel un arbre de décision est entraîné pour prédire les compétences de haut niveau à exécuter. Testé sur des tâches réelles de manipulation robotique de complexité croissante, ConceptTree surpasse systématiquement les méthodes concurrentes à base de concepts, l'écart se creusant sur les scénarios longs et complexes. Les auteurs montrent aussi, via des études de cas qualitatives, qu'il est possible de corriger une erreur de décision en modifiant directement un concept individuel, sans réentraîner le modèle. L'enjeu dépasse la seule performance brute. Les politiques de manipulation actuelles, notamment les modèles VLA (vision-language-action) type Pi-0, GR00T ou Helix, gagnent en capacité mais restent difficiles à auditer : quand un bras robotique se trompe, il est souvent impossible de savoir pourquoi sans tout réentraîner. Pour les intégrateurs industriels et les responsables de déploiement, cette opacité freine la certification et la supervision humaine dans des environnements sensibles. En rendant chaque décision traçable et modifiable, ConceptTree répond directement à ce problème de confiance, sans sacrifier les performances sur les tâches longues, un compromis que les baselines à base de concepts peinaient jusqu'ici à tenir. Ce travail s'inscrit dans un courant de recherche plus large sur les modèles à goulot d'étranglement conceptuel (concept bottleneck models), déjà explorés en vision par ordinateur, désormais transposés à la robotique. L'article ne précise pas d'implication industrielle ni de déploiement commercial : il s'agit d'une contribution académique, dont la validation reste circonscrite à des bancs d'essai réels mais contrôlés. Les prochaines étapes attendues porteraient sur l'extension à des tâches encore plus longues et des environnements moins structurés.

RecherchePaper

1 source

2arXiv cs.RO

SID : glissement dans la distribution pour une manipulation robotique robuste à partir de peu de démonstrations

Des chercheurs ont présenté SID (Sliding into Distribution), un cadre structuré pour la manipulation robotique capable de généraliser à partir de seulement deux démonstrations humaines. Évalué sur six tâches réelles variées (saisies, manipulations d'objets), SID atteint environ 90 % de taux de succès dans des configurations hors-distribution (OOD), c'est-à-dire avec des poses d'objets, des points de vue ou des conditions d'éclairage non vus lors de l'entraînement. La dégradation reste inférieure à 10 % en présence de distracteurs visuels ou de perturbations physiques externes. Le système s'appuie sur deux composants clés : un champ de mouvement centré sur l'objet, appris depuis des démonstrations "canonicalisées" (normalisées en pose), et une politique d'exécution égocentrique légère entraînée par flow matching conditionné, complétée par une augmentation de données par reprojection de nuage de points cinématiquement cohérente. L'intérêt de SID tient à sa frugalité en données : là où les politiques visuomotrices end-to-end standard (type ACT, Diffusion Policy) réclament des dizaines à centaines de démonstrations, SID opère à deux. C'est un signal fort pour les intégrateurs industriels qui peinent à collecter des données en volume sur cellule réelle. Le mécanisme de correction distributional est particulièrement notable : le champ de mouvement génère de larges corrections quand le robot s'écarte de la trajectoire démontrée, puis s'annule naturellement à l'approche de la zone fiable, avant de passer la main à la politique locale. Ce découplage explicite entre récupération hors-distribution et exécution fine constitue une alternative architecturale aux approches purement régressives. Les résultats suggèrent que le "sim-to-real gap" n'est pas le seul problème à résoudre : gérer le glissement distributional en ligne, sans recollecte de données, est un levier sous-exploité. Cette publication s'inscrit dans une vague de travaux sur la manipulation à faible donnée qui cherchent à dépasser les limites des transformeurs d'actions (ACT, π0 de Physical Intelligence, GR00T N2 de NVIDIA) en introduisant des structures géométriques explicites plutôt que de tout apprendre de bout en bout. Le flow matching, popularisé ces deux dernières années comme alternative plus stable à la diffusion pour la génération de trajectoires, est ici combiné à une représentation canonique de l'objet, une approche qui rappelle les travaux sur les réseaux de catégorie neurale (NCF) ou les politiques basées sur des keypoints. Le papier ne mentionne pas de partenaires industriels ni de timeline de déploiement, et reste pour l'instant au stade de preuve de concept académique sur banc réel. Les prochaines étapes naturelles seraient une extension à des objets déformables et une validation sur des bras commerciaux (Franka, xArm) dans des environnements moins contrôlés que le labo.

RecherchePaper

1 source

3arXiv cs.RO

Robot DASH : conception minimaliste et locomotion aérienne-terrestre optimale via contrôle sous contraintes de contact

Des chercheurs présentent DASH (Ducted Aerial Spring Hopper), un robot hybride capable de se déplacer aussi bien au sol que dans les airs, avec une architecture mécanique volontairement minimaliste. Le design repose sur un module à hélices carénées coaxiales, qui assure le vol par vectorisation de poussée, combiné à une jambe ressort légère fixée sous le corps. Cette jambe permet des bonds au sol très efficaces énergétiquement grâce à la restitution d'énergie élastique, sans actionneur dédié supplémentaire. Pour gérer automatiquement le passage entre les deux modes de locomotion, vol et bond terrestre, l'équipe utilise un contrôleur prédictif à modèle (MPC) dit "contact-implicit", capable de décider seul quand et comment activer chaque mode selon le contexte. Les auteurs rapportent des validations sur plusieurs tâches: sauts périodiques au sol, vol aérien pur, et une locomotion dite "mode-free" où le robot alterne de façon autonome entre les deux régimes pour franchir des obstacles. Le papier a été publié sur arXiv (référence 2607.18527v1) comme nouvelle soumission. L'intérêt de DASH tient moins à la performance brute qu'à l'approche architecturale: la plupart des robots hybrides air-sol existants empilent des actionneurs séparés pour chaque mode, au prix du poids, de la complexité mécanique et de la consommation énergétique. En réutilisant les mêmes hélices carénées pour le vol et en couplant passivement une jambe ressort pour le sol, DASH cherche à prouver qu'un système mécaniquement minimal, piloté par un contrôleur suffisamment intelligent, peut remplacer la redondance d'actionneurs par de l'intelligence de commande. C'est un signal pertinent pour les concepteurs de drones d'inspection ou de robots de recherche-sauvetage, où l'autonomie énergétique et la légèreté priment sur la puissance brute de chaque mode pris isolément. Ce travail s'inscrit dans une lignée de recherches académiques sur la locomotion hybride multi-modale, un axe encore largement expérimental où plusieurs laboratoires explorent des combinaisons ailes/pattes ou hélices/pattes. Contrairement à un produit commercial, DASH reste à ce stade un prototype de recherche validé en tests contrôlés; l'abstract ne mentionne ni partenaire industriel ni feuille de route de déploiement, et les prochaines étapes attendues porteraient vraisemblablement sur des essais en environnements plus complexes et non structurés.

RecherchePaper

1 source

4arXiv cs.RO

Prise de décision bio-inspirée dans les essaims de robots soumis à des biais

Des chercheurs présentent dans un preprint arXiv (2509.07561, version 2, juin 2026) une étude comparative sur les mécanismes de prise de décision collective dans les essaims de robots minimalistes. Le scénario central : des robots individuels commettent fréquemment des erreurs de perception environnementale, mais le groupe doit néanmoins converger rapidement et fiablement vers la meilleure option parmi n alternatives discrètes. L'étude compare deux règles canoniques issues de la dynamique d'opinion observée dans les systèmes biologiques, le "direct-switch" (bascule directe) et la "cross-inhibition" (inhibition croisée), en les soumettant à des biais asociaux, c'est-à-dire des prédispositions individuelles indépendantes de l'interaction sociale. Les modèles de champ moyen existants sont généralisés pour intégrer ces perturbations. Les résultats ont une implication directe pour quiconque conçoit des systèmes multi-agents décentralisés : la cross-inhibition, mécanisme inspiré des colonies d'insectes et des populations neuronales, surpasse systématiquement le direct-switch en présence de biais. Là où le direct-switch se révèle performant en conditions idéales, il conduit à des blocages décisionnels ("decision deadlocks") dès que des biais individuels entrent en jeu. La cross-inhibition, elle, produit des décisions plus rapides, plus cohésives, plus précises et plus robustes sur une large gamme de conditions biaisées, et ce à des échelles croissantes d'essaims. C'est un résultat concret contre l'hypothèse que des règles simples suffisent sans distinction dans des environnements bruités. Cette recherche s'inscrit dans un corpus plus large sur la robotique en essaim (swarm robotics), domaine porté notamment par des équipes comme celles de Marco Dorigo (Université Libre de Bruxelles) et Vito Trianni (CNR-ISTC, Rome), avec des applications visées en surveillance environnementale, réponse aux catastrophes et logistique médicale. Sur le plan compétitif, les approches centralisées (flottes AMR coordonnées par un orchestrateur central, comme chez Exotec ou 6 River Systems) offrent des performances prévisibles mais restent fragiles à la perte de communication. L'enjeu ici est de prouver qu'une architecture entièrement distribuée peut égaler cette fiabilité sans infrastructure centralisée. La prochaine étape naturelle serait la validation expérimentale sur robots physiques, absente de cette version de l'étude.

UELes équipes européennes porteuses de ces travaux (Marco Dorigo, ULB Bruxelles ; Vito Trianni, CNR-ISTC Rome) positionnent la recherche EU en tête sur la robotique en essaim décentralisée, avec des retombées potentielles pour les applications de logistique et de réponse aux catastrophes en Europe.

RecherchePaper

1 source