Aller au contenu principal
De la mobilité à l'action : Zhejiang IPLUSMOBOT construit une plateforme fondation d'IA incarnée industrielle avec sa gamme robotique NERA
InfrastructurePandaily 

De la mobilité à l'action : Zhejiang IPLUSMOBOT construit une plateforme fondation d'IA incarnée industrielle avec sa gamme robotique NERA

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Zhejiang IPLUSMOBOT Technology a présenté sa gamme NERA d'intelligence incarnée lors du WAIC 2026, avec deux produits : le châssis omnidirectionnel NERA-P et le contrôleur NERA-C. Issue de l'équipe de robotique de l'Université du Zhejiang, l'entreprise revendique une expertise en perception multimodale, navigation autonome et planification multi-robots, et dispose d'un site de production de 16 000 mètres carrés. Le NERA-P intègre des algorithmes de positionnement et de navigation par fusion multimodale validés en environnement industriel, avec des interfaces mécaniques et électriques standardisées, destinées aux intégrateurs de robots humanoïdes qui veulent éviter de redévelopper leur propre châssis pour se concentrer sur la conception du corps et de la préhension. Le NERA-C cible les robots à roues-pattes et quadrupèdes : il regroupe cartographie, positionnement, navigation, contrôle de mouvement et gestion de charge utile sur une plateforme unique, avec cartographie mixte intérieur-extérieur. Il s'appuie sur le système CLOUDIA pour la gestion de flottes et l'orchestration de robots hétérogènes, et propose des outils de déploiement graphique low-code destinés aux intégrateurs de solutions d'inspection.

La thèse d'IPLUSMOBOT est que la valeur de l'IA incarnée ne dépend pas seulement des capacités cognitives des modèles, mais de la fiabilité avec laquelle un agent peut agir physiquement dans la durée, malgré des conditions rares, des contraintes de sécurité, de précision, de cadence de production et de retour sur investissement. Alors que l'attention du secteur se porte sur les formes humanoïdes, les modèles VLA et l'intelligence cognitive générale, la mobilité est souvent traitée comme un problème déjà réglé. IPLUSMOBOT conteste ce postulat : pertes de positionnement, arrêts liés à des collisions et conflits d'ordonnancement continueraient, selon l'entreprise, d'affecter directement la cadence des lignes de production et la disponibilité des systèmes. En proposant une brique de mobilité standardisée plutôt qu'un robot humanoïde complet, IPLUSMOBOT se positionne comme fournisseur d'infrastructure plutôt que comme concurrent direct des fabricants de robots, une illustration de la division du travail qui s'installe dans la filière entre spécialistes de la mobilité et équipes qui construisent l'intelligence et les applications par-dessus. Pour l'instant, il s'agit d'une annonce de gamme présentée en salon, sans données publiques de déploiements clients, de volumes ou de tarifs.

Le projet trouve son origine dans les travaux de l'équipe de robotique de l'Université du Zhejiang sur les robots mobiles autonomes, un segment où IPLUSMOBOT revendique plusieurs années de déploiements industriels avant de formaliser cette expérience en plateforme réutilisable. La gamme NERA s'inscrit dans un marché chinois de la robotique incarnée en forte accélération, porté sur le segment humanoïde par des acteurs comme Unitree, Fourier Intelligence ou AgiBot, mais où peu de fournisseurs proposent explicitement une couche de mobilité découplée du reste du robot. IPLUSMOBOT mise sur l'ouverture et la standardisation des interfaces pour accélérer les livraisons de ses partenaires, en pariant que quel que soit le vainqueur de la course aux formes robotiques ou aux architectures d'IA, un déplacement stable, sûr et efficace restera un prérequis incontournable pour l'industrie. L'entreprise n'a pas communiqué de calendrier de déploiements pilotes ni de partenariats nommés à ce stade, la présentation au WAIC 2026 servant avant tout à positionner NERA-P et NERA-C comme fondation technique disponible pour les intégrateurs du secteur.

À lire aussi

NVIDIA Halos for Robotics : la sécurité des robots industriels entre dans une nouvelle ère
1Robot Magazine FR 

NVIDIA Halos for Robotics : la sécurité des robots industriels entre dans une nouvelle ère

NVIDIA a présenté Halos for Robotics au salon Automate 2026 à Chicago, le positionnant comme le premier système de sécurité intégré conçu spécifiquement pour les robots pilotés par intelligence artificielle physique. L'annonce intervient dans un contexte de transformation accélérée de la robotique industrielle : les robots mobiles autonomes (AMR) transportent des composants entre ateliers, les cobots assistent les techniciens au quotidien, et les premiers robots humanoïdes commerciaux (Figure 03, Tesla Optimus, Agility Digit) commencent à réaliser des tâches de préparation de commandes et de manutention en environnement réel. Le marché mondial de la robotique industrielle est estimé à plus de 80 milliards de dollars d'ici la fin de la décennie selon plusieurs cabinets d'analyse, une projection conditionnée à la résolution du principal verrou restant : la sécurité en environnement partagé homme-machine. Il convient de préciser que Halos est pour l'instant une annonce de plateforme, pas un produit certifié en déploiement production. L'enjeu industriel est structurant. Pendant des décennies, la sécurité robotique reposait sur la séparation physique : cellules fermées, barrières optiques, arrêts d'urgence. Ce paradigme est incompatible avec la nouvelle génération de robots collaboratifs, qui doivent détecter un opérateur traversant leur trajectoire, anticiper ses mouvements et adapter leur comportement en quelques millisecondes. Les certifications en vigueur (ISO 10218, TS 15066 pour les applications cobots) ont été conçues pour des architectures déterministes, pas pour des systèmes piloté par des réseaux de neurones dont le comportement est probabiliste. Pour les intégrateurs et les COO industriels, l'absence d'un cadre de sécurité standardisé pour les robots IA constitue aujourd'hui le principal frein au déploiement à grande échelle, avant même les questions de performance ou de ROI. Une plateforme unifiée capable de couvrir détection, anticipation et certification normative réduirait significativement la charge d'ingénierie sécurité portée par chaque constructeur. NVIDIA construit cette initiative sur sa stack robotique existante, centrée sur les plateformes Isaac et Jetson, déjà adoptées par plusieurs constructeurs de robots humanoïdes et AMR. Le mouvement s'inscrit dans une stratégie plus large : après avoir dominé l'infrastructure d'entraînement des modèles IA, NVIDIA cherche à s'imposer comme couche système incontournable du déploiement robotique, face à des acteurs sécurité établis comme Pilz, SICK et Omron, qui maîtrisent la certification normative mais n'ont pas d'offre native pour les architectures VLA (vision-language-action). Les prochaines étapes annoncées concernent des pilotes avec des constructeurs de robots partenaires ; aucune date de certification ni de déploiement production n'a été communiquée à ce stade.

UELes intégrateurs européens utilisant Isaac et Jetson pourraient bénéficier d'un cadre de sécurité unifié pour robots IA, réduisant la charge de certification normative (ISO 10218, TS 15066) pour les déploiements cobots et AMR, mais uniquement si la plateforme obtient les certifications requises.

InfrastructureOpinion
1 source
NVIDIA Halos pour la robotique : un système de sécurité fonctionnelle à pile complète pour l'IA physique
2NVIDIA Developer Blog 

NVIDIA Halos pour la robotique : un système de sécurité fonctionnelle à pile complète pour l'IA physique

NVIDIA a dévoilé Halos for Robotics lors du GTC 2025, un système de sécurité fonctionnelle couvrant l'ensemble de la pile technologique des robots autonomes. Conçu pour les environnements industriels, médicaux et logistiques où des robots évoluent sans cage aux côtés d'humains, Halos intègre trois couches : la sécurité matérielle (SoC certifiés comme l'Orin), la sécurité logicielle (middleware temps réel), et la validation des modèles d'IA embarqués. Le système vise la conformité aux normes IEC 61508 (industrie) et ISO 26262 (automobile), des référentiels qui définissent les niveaux SIL et ASIL exigés par les intégrateurs pour tout déploiement à risque humain. L'enjeu industriel est concret : les approches classiques de safety-by-isolation, robots en cellule fermée, arrêts sur barrière lumineuse, ne tiennent plus dès que le robot doit percevoir un environnement non structuré et adapter son comportement en temps réel. Halos tente de combler le fossé entre la validation de modèles en simulation et leur certification en conditions réelles, un problème que l'industrie robotique qualifie de "sim-to-real safety gap". Pour les décideurs B2B, c'est potentiellement un déblocage commercial : sans certification fonctionnelle, nombre d'hôpitaux et d'usines ne peuvent pas légalement déployer des robots collaboratifs. NVIDIA s'appuie sur sa plateforme Isaac, utilisée par des constructeurs d'humanoïdes (Agility, Figure, 1X) et d'AMR (Boston Dynamics, Kion). Sur ce segment, les concurrents directs incluent les stacks safety de Pilz et SICK côté capteurs, et les middlewares certifiés comme ROS 2 avec l'extension Safety Working Group. L'absence de chiffres de déploiement concrets dans l'annonce initiale invite à traiter Halos pour l'instant comme un framework d'intégration en phase de qualification, pas encore un produit certifié expédié en volume.

UELa conformité visée aux normes européennes IEC 61508 et ISO 26262 pourrait débloquer des déploiements de robots collaboratifs dans les usines et hôpitaux européens ; Kion (Allemagne), déjà partenaire de la plateforme Isaac, figure parmi les premiers intégrateurs potentiellement concernés.

InfrastructureOpinion
1 source
Construction d'un jeu de données robotique modélisée comme un processus de build par artefacts
3arXiv cs.RO 

Construction d'un jeu de données robotique modélisée comme un processus de build par artefacts

Des chercheurs de l'Université de la Bundeswehr Munich (UniBwTAS) ont publié Bagzel, une extension open source pour le système de build Bazel qui modélise la construction de jeux de données robotiques comme un processus basé sur des artefacts et un graphe de dépendances. Présenté sur arXiv (référence 2606.00162), l'outil convertit des enregistrements ROS bag en jeux de données prêts pour l'entraînement ML, avec export natif au format nuScenes. Les auteurs évaluent Bagzel et une variante Bagzel-xattr (gestion des digests côté serveur) contre un pipeline séquentiel de référence rosbag2nuscenes, sur des volumes de 5,1 à 20,4 Go. En mode warm build (recalcul sur données déjà traitées), Bagzel atteint une accélération jusqu'à 386,26x par rapport au baseline séquentiel ; en mode incrémental (après modification partielle du dataset), le gain est de 7,21x. Bagzel-xattr réduit en outre le temps d'exécution de 5,9 % en moyenne par rapport à Bagzel standard. Le goulet d'étranglement que cible Bagzel est bien connu des équipes de robotique appliquée : les scripts séquentiels ad hoc imposent de recalculer l'intégralité du dataset à chaque modification, allongeant les cycles d'itération de plusieurs heures. En appliquant les principes de reproductibilité et de build incrémental du génie logiciel au traitement de données capteurs multimodales, Bagzel rend viable l'exploration rapide de paramètres de preprocessing, le débogage de pipelines de perception, et la maintenance de datasets versionnés de manière déterministe. Pour un intégrateur ou une équipe de recherche manipulant régulièrement des dizaines de gigaoctets de données capteurs, réduire le temps de rebuild d'un facteur plusieurs centaines change concrètement le rythme d'expérimentation. Le format ROS bag reste le standard de facto pour l'enregistrement de données capteurs (lidar, caméra, IMU) en conditions réelles, tant en recherche qu'en industrie, mais sa conversion vers des formats ML exploitables est généralement assurée par des scripts maison non maintenables. Bagzel s'inscrit dans une tendance de professionnalisation du MLOps en robotique, un espace où des outils comme DVC ou Foxglove Studio couvrent des parties du problème sans offrir la cohérence d'un système de build unifié. Le laboratoire TAS de l'UniBwM est actif sur les thématiques de conduite autonome et de perception embarquée. Les prochaines étapes naturelles pour Bagzel concernent l'intégration avec des pipelines d'entraînement continu et l'extension à d'autres formats standardisés comme le Waymo Open Dataset.

UEL'outil est développé par l'Université de la Bundeswehr Munich (Allemagne/UE), renforçant l'outillage MLOps open source européen pour les équipes de robotique et de conduite autonome manipulant des données capteurs ROS.

InfrastructureOpinion
1 source
5 plateformes d'infrastructure pour l'IA physique qui façonnent la robotique en 2026
4Robotics Business Review 

5 plateformes d'infrastructure pour l'IA physique qui façonnent la robotique en 2026

NVIDIA reste l'acteur le plus fondamental de l'infrastructure IA physique, avec sa suite Isaac qui couvre simulation, apprentissage robotique, modèles de fondation et évaluation de politiques : Isaac Sim pour la simulation physique, Isaac Lab pour l'entraînement de modèles de fondation, Isaac GR00T pour le développement humanoïde généraliste, et Isaac Lab-Arena pour l'évaluation de politiques à grande échelle accélérée par GPU. Au niveau physique, le moteur Newton, développé avec Google DeepMind et Disney Research et géré par la Linux Foundation, est un moteur open source accéléré par GPU couvrant contacts, friction, dynamique des corps rigides et souples, actionneurs et capteurs. Deuxième acteur cité, Applied Intuition, né pendant l'ère des véhicules autonomes, propose désormais une plateforme d'ingénierie de validation pour machines autonomes couvrant automobile, défense, poids lourds, mines, construction et agriculture. Cette montée en puissance illustre un basculement structurel : l'infrastructure de l'IA physique ne se résume plus au calcul brut comme pour les grands modèles de langage, mais devient un empilement de couches interdépendantes, allant des démonstrations réelles à la simulation physique en passant par les données synthétiques et l'entraînement de politiques. Pour un robot, entraîner un modèle ne suffit pas : il faut prouver qu'il tiendra dans des conditions réelles coûteuses, dangereuses ou impossibles à reproduire physiquement à répétition, ce qui explique l'émergence de la validation comme discipline d'ingénierie à part entière, distincte du simple entraînement de modèles. L'avantage stratégique de NVIDIA ne tient pas à un produit isolé mais à sa capacité à relier calcul, génération de mondes virtuels, physique, données synthétiques, entraînement et déploiement embarqué au sein d'un même écosystème, ce qui en fait le substrat de développement le plus proche d'un standard commun pour le secteur. Reste une question ouverte : l'entreprise gardera-t-elle cet écosystème ouvert, ou l'orientera-t-elle davantage vers son propre matériel et ses propres logiciels, au risque de devenir une plateforme verticalement intégrée plutôt qu'un substrat neutre. Sur le plan historique, NVIDIA a construit sa position en remontant progressivement de l'accélération matérielle vers la simulation, les modèles de fondation et l'évaluation, tandis qu'Applied Intuition a capitalisé sur son expertise acquise durant l'essor des véhicules autonomes pour l'étendre à l'ensemble des machines autonomes physiques. Ces deux plateformes ne représentent que deux des cinq points de contrôle identifiés dans la chaîne émergente de l'IA physique, les trois autres couvrant les opérations sur les données, l'outillage open source et l'apprentissage continu, des segments que la course à l'humanoïde et à l'automatisation industrielle devrait faire converger dans les prochains mois.

InfrastructureActu
1 source