Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Robot Talk épisode 163 : des robots qui aident les personnes, avec Aaron Edsinger
Societe/EthiqueRobohub 

Robot Talk épisode 163 : des robots qui aident les personnes, avec Aaron Edsinger

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

Dans l'épisode 163 du podcast Robot Talk, l'animatrice Claire s'est entretenue avec Aaron Edsinger, PDG et cofondateur de Hello Robot, au sujet du robot Stretch conçu pour aider les personnes à mobilité réduite à vivre de façon plus autonome. Edsinger a fondé quatre entreprises centrées sur les robots collaboratifs destinés aux marchés grand public, industriel, de la santé et de la recherche. Avant Hello Robot, il a occupé le poste de directeur robotique chez Google, où il a piloté le développement commercial, produit et technique de deux investissements robotiques majeurs du groupe et contribué à définir sa stratégie robotique globale. L'échange, diffusé sous forme d'entretien plutôt que de démonstration produit, ne comporte pas d'annonce de déploiement, de prix ou de spécifications techniques nouvelles pour Stretch.

Cet épisode illustre un positionnement distinct de la course humanoïde qui domine l'actualité robotique, avec des acteurs comme Figure ou Tesla misant sur des machines bipèdes polyvalentes pour l'industrie. Hello Robot cible un usage plus circonscrit mais à besoin social avéré, l'assistance à domicile pour les personnes en perte de mobilité, un segment porté par le vieillissement démographique et la pénurie d'aidants. Pour les intégrateurs et décideurs du secteur santé, ce format d'échange rappelle que la robotique assistive avance aussi par la pédagogie et l'adoption progressive, plutôt que par des vidéos spectaculaires dont la portée réelle reste difficile à évaluer.

Le parcours d'Edsinger, entre startups robotiques successives et responsabilités stratégiques chez Google, situe Hello Robot dans la lignée des tentatives de faire sortir la manipulation robotique des laboratoires vers des usages domestiques concrets. Robot Talk, podcast consacré aux voix de la recherche et de l'industrie robotiques, ne détaille pas ici de calendrier de déploiement ni de nouveaux partenariats pour Stretch, l'épisode restant centré sur la vision et le parcours de son invité plutôt que sur une annonce produit.

Dans nos dossiers

Manipulation robotique

À lire aussi

Personnalisation responsable : l'épée à double tranchant de la personnalisation dans l'interaction homme-robot
1arXiv cs.RO 

Personnalisation responsable : l'épée à double tranchant de la personnalisation dans l'interaction homme-robot

Une équipe de chercheurs en interaction homme-robot (HRI) publie sur arXiv (référence 2607.06344, juillet 2026) un cadre structuré pour analyser les risques éthiques de la personnalisation des robots sociaux. Le constat de départ: la littérature existante sur la "personnalisation responsable" reste fragmentée, avec des études isolées qui décrivent des risques éthiques ponctuels sans vision d'ensemble de la façon dont ils apparaissent selon le contexte d'interaction. Les auteurs proposent un modèle basé sur le cycle de vie de la personnalisation, croisé avec deux axes caractérisant l'interaction: court terme versus long terme, et domaine ouvert versus domaine fermé. Ce croisement permet d'analyser systématiquement cinq familles de risques identifiées: l'érosion de l'autonomie de l'utilisateur, les biais dans la modélisation du profil utilisateur, la manipulation, la déshumanisation et les atteintes à la vie privée. Cette contribution compte parce que la personnalisation devient une capacité centrale des robots sociaux et compagnons, mais qu'elle repose sur un compromis rarement rendu explicite: plus un robot adapte son comportement à un individu, plus il capte de données intimes et plus il peut influencer les décisions de cette personne, parfois à son insu. Les auteurs insistent sur un point spécifique à la robotique: contrairement aux assistants vocaux ou aux recommandeurs logiciels, l'embodiment (présence physique) et la présence sociale d'un robot amplifient ou transforment ces risques, voire en créent de nouveaux, un facteur souvent sous-estimé dans les débats sur l'IA responsable centrés sur les systèmes purement logiciels. Le travail s'inscrit dans un courant de recherche croissant sur l'éthique de l'IA appliquée à la robotique sociale, à mesure que des robots compagnons et d'assistance se déploient dans des contextes domestiques, éducatifs ou de soin où l'interaction est longue et personnelle. Plutôt qu'un simple état des lieux, les chercheurs traduisent leur cadre en recommandations concrètes de conception pour les développeurs de robots et identifient des pistes de recherche ouvertes, notamment sur la manière d'évaluer et de limiter ces risques avant un déploiement à grande échelle.

Societe/EthiqueActu
1 source
Quand l’IA se trompe, le robot peut blesser
2Robot Magazine FR 

Quand l’IA se trompe, le robot peut blesser

Une étude publiée en 2025 dans la revue Safety Science a passé en revue 303 rapports d'accidents impliquant des interactions entre humains et robots, identifiant sept grandes catégories d'incidents dont deux ressortent particulièrement : les activations inattendues de robots et les erreurs de capteurs. Ces données rejoignent celles de l'OSHA américaine, qui dans son rapport sur les accidents professionnels dans l'industrie manufacturière recense 550 incidents impliquant des robots, dont 33 % ont conduit les victimes aux urgences et 2 % à une hospitalisation, avec des blessures allant de la coupure à la fracture en passant par la contusion. La maintenance et le nettoyage des robots ressortent comme des phases particulièrement exposées. Ces chiffres ne concernent pas spécifiquement l'intelligence artificielle embarquée, mais posent le décor dans lequel s'inscrit la montée en puissance de la Physical AI, ces systèmes d'IA qui pilotent directement bras robotiques, robots mobiles ou, demain, humanoïdes, en interprétant en temps réel caméras, capteurs de proximité et données contextuelles pour décider d'un mouvement. Ce basculement change la nature du risque logiciel. Une IA qui se trompe sur un texte ou une image produit une donnée erronée ; une IA qui pilote un robot et se trompe sur l'identification d'un objet ou d'une trajectoire produit un mouvement physique, potentiellement dans l'espace occupé par un opérateur. Pour les intégrateurs et les décideurs industriels, cela déplace le problème de sécurité : les logiciels industriels classiques suivent une logique déterministe, auditable et certifiable à l'avance, alors que les nouvelles générations de robots, capables d'interpréter leur environnement et d'adapter leurs décisions en temps réel, ne permettent plus d'anticiper l'ensemble de leurs actions avec la même certitude. C'est précisément l'intérêt de ces systèmes, mais aussi leur nouveau point de fragilité : garantir la sécurité d'une machine dont les décisions ne sont plus entièrement prévisibles devient un chantier à part entière pour la certification et le déploiement en environnement partagé avec des humains, bien avant que la question ne se pose à grande échelle pour des humanoïdes en usine ou en entrepôt. Ce constat s'inscrit dans le contexte plus large de la robotique industrielle, où humains et machines aux mouvements puissants partagent déjà le même espace de travail, comme le montrent les incidents recensés par l'OSHA bien avant l'arrivée de l'IA générative embarquée. La nouveauté introduite par la Physical AI est l'ajout d'une variable supplémentaire, l'autonomie de décision de la machine elle-même, qui vient s'ajouter aux causes déjà connues d'accidents que sont l'activation inattendue, l'erreur de capteur ou la défaillance mécanique. L'étude de Safety Science et les statistiques de l'OSHA ne permettent pas d'attribuer ces accidents à des défaillances d'intelligence artificielle, une distinction que les auteurs jugent essentielle pour ne pas surestimer le risque actuel. Elles servent néanmoins de base de référence pour les travaux à venir sur la sécurité des systèmes robotiques dotés de capacités de perception et de décision autonomes, un sujet appelé à prendre de l'ampleur à mesure que les déploiements de robots pilotés par IA se multiplient dans l'industrie et la logistique.

Societe/EthiqueOpinion
1 source
Imperio, smolVLA : les conséquences de l'empoisonnement des données pour la robotique open source
3arXiv cs.RO 

Imperio, smolVLA : les conséquences de l'empoisonnement des données pour la robotique open source

Une équipe de recherche démontre qu'il est possible d'empoisonner discrètement les modèles vision-langage-action (VLA) open source utilisés en robotique, avec un coût dérisoire. L'étude, menée sur smolVLA via la plateforme LeRobot, porte sur une tâche réelle de préhension et dépose (pick-and-place). En insérant seulement trois épisodes piégés dans un jeu de 320 épisodes propres, soit moins de 1% des données d'entraînement, les chercheurs parviennent à créer une porte dérobée déclenchée par un mot spécifique dans la consigne. Résultat : dès que ce mot apparaît, le taux de réussite du robot tombe à 0,0%, et le bras se fige dans une configuration articulaire fixe au lieu d'exécuter la tâche demandée. Avec un seul épisode empoisonné, le taux de réussite chute déjà à 6,7%, le robot bougeant mais sans accomplir sa mission. Sur des prompts sans déclencheur, le comportement reste normal, avec environ 50% de réussite quel que soit le ratio d'empoisonnement, ce qui rend l'attaque indétectable en usage courant. Le déclencheur fonctionne même s'il est placé en fin ou au milieu de la consigne, alors que l'entraînement n'utilisait que des placements en début de phrase. Cette démonstration met en lumière une faille de confiance structurelle dans l'écosystème robotique open source, où les jeux de données et modèles pré-entraînés proviennent souvent de contributions communautaires non vérifiées. Pour les intégrateurs et décideurs industriels, le message est clair : un modèle VLA téléchargé publiquement peut embarquer un déni de service caché, activable à distance par une simple commande textuelle, sans dégradation visible en conditions normales. Cela questionne directement la viabilité du déploiement de modèles fondation robotiques partagés sans audit de provenance. Ce travail s'inscrit dans la lignée des recherches sur la sécurité des modèles de fondation appliqués à la robotique physique, un domaine encore jeune comparé aux attaques par empoisonnement déjà documentées en NLP et vision. Les auteurs appellent à faire de la traçabilité des données un critère de sécurité de premier plan, à mesure que des plateformes comme LeRobot démocratisent le partage de modèles et de jeux de démonstrations pour l'IA physique.

Societe/EthiqueActu
1 source
L'autonomie des agents d'IA a-t-elle redéfini la sécurité et le contrôle en robotique ?
4Robotics & Automation News 

L'autonomie des agents d'IA a-t-elle redéfini la sécurité et le contrôle en robotique ?

Je remarque que cet article source est très mince : il est coupé après "Physical barriers, emergency […]" et ne contient aucun chiffre précis, nom d'entreprise, produit ou date, juste des généralités sur l'autonomie robotique et la gouvernance des agents. Je ne peux donc pas respecter la consigne "chiffres précis, noms d'entreprises et de modèles" puisque la source n'en fournit aucun. Voici la synthèse la plus fidèle possible au contenu réellement disponible : Les systèmes robotiques évoluent vers une autonomie croissante : ils apprennent à percevoir leur environnement, à choisir une action et à adapter leur comportement sans intervention humaine directe. Cette capacité s'étend à des contextes variés, entrepôts logistiques, sites industriels, laboratoires de recherche, environnements de transit, où les robots doivent composer avec des conditions changeantes. Cette montée en autonomie améliore la productivité et la flexibilité opérationnelle, mais elle déplace mécaniquement la question de la sécurité et du contrôle. C'est là qu'intervient la notion de gouvernance des agents : un cadre qui définit précisément ce qu'un système autonome est habilité à accomplir, comment ses décisions sont surveillées en continu, et à quel moment une intervention humaine redevient nécessaire. Pour les intégrateurs et les décideurs industriels, cette évolution signale un changement de paradigme dans l'approche sécurité. Les dispositifs traditionnels, barrières physiques, arrêts d'urgence, zonage fixe, ont été conçus pour des robots aux comportements prévisibles et scriptés. Face à des agents capables de décisions dynamiques, ces garde-fous statiques montrent leurs limites : ils ne suffisent plus à garantir un contrôle fiable sans freiner les gains d'autonomie recherchés. La question posée devient donc moins "comment empêcher le robot d'agir" que "comment superviser et encadrer ses choix en temps réel". Cette problématique s'inscrit dans un débat sectoriel plus large, alimenté par la multiplication des déploiements de robots mobiles et humanoïdes dotés de modèles décisionnels avancés (architectures vision-langage-action notamment). À mesure que ces systèmes sortent des environnements contrôlés de laboratoire pour rejoindre des sites de production réels, la définition de standards de gouvernance et de supervision devient un enjeu central pour l'industrie, sans que l'article ne détaille ici d'acteur, de calendrier ou de norme spécifique. Souhaitez-vous que je cherche l'article source complet (probablement sur un site comme Robotics Business Review ou similaire) pour obtenir la version non tronquée avec des éléments factuels concrets ?

Societe/EthiqueOpinion
1 source