IA physiqueInteresting Engineering 1 octobre 2026

Le nouveau modèle Mind-1 de MindOn donne aux robots une exécution à vitesse humaine

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

MindOn a dévoilé Mind-1, un modèle d'IA physique censé permettre à des robots d'exécuter des tâches de manipulation quotidiennes à vitesse humaine. La démonstration, diffusée le 30 septembre 2026, montre des robots qui manipulent des colis autour d'un convoyeur, plient des chemises et ramassent du linge, avec des vidéos estampillées « 1.0x Speed » et « Fully Autonomous ». Le modèle est présenté comme un système d'intelligence plutôt que comme un nouveau corps de robot : la vidéo alterne entre plusieurs configurations, dont des robots à deux bras (colis, pliage sur plan de travail) et un humanoïde qui évolue dans un intérieur meublé pour collecter du linge. MindOn le décrit comme un modèle universel combinant perception, raisonnement et action, évitant un modèle spécifique par machine et par tâche. La société affirme que Mind-1 atteint des temps de cycle humains et, pour certaines tâches, plus rapides. Aucun chiffre de payload, de nombre de DOF, de prix ou de volume de déploiement n'est communiqué.

L'enjeu est le déplacement du critère de jugement. Après une phase où l'on demandait si un robot savait accomplir une tâche en autonomie, la question devient la cadence, décisive en logistique et en production où la valeur se mesure en débit. Un robot qui réussit mais prend nettement plus de temps qu'un opérateur a une valeur pratique limitée. Il faut toutefois rester prudent : le label « 1.0x » n'établit pas que les machines égalent systématiquement des opérateurs sur des tâches comparables. Humanoids Daily, qui a relayé la démonstration, souligne l'absence de comparaisons chiffrées humain contre robot, de taux de réussite et de statistiques d'intervention humaine. Les allégations de MindOn restent donc déclaratives, sans mesure indépendante, et l'on ignore si la vidéo résulte d'une sélection de prises. Si l'approche multi-plateformes tient ses promesses, les progrès du modèle profiteraient à plusieurs types de robots, ce qui intéresserait les intégrateurs qui veulent éviter la dépendance à un seul matériel.

Mind-1 s'inscrit dans la continuité des démonstrations antérieures de MindOn sur des tâches domestiques et logistiques, élargies ici à plusieurs formes de robots. Cette stratégie de « cerveau » indépendant du corps place l'entreprise face aux autres développeurs de modèles fondation robotiques, tels que Physical Intelligence avec Pi-0, NVIDIA avec GR00T ou Figure avec Helix, qui défendent eux aussi la généralité entre plateformes ou intègrent verticalement modèle et matériel. Mind-1 reste pour l'instant une démonstration des capacités visées, pas un produit livré ni un déploiement client. Les prochaines étapes à surveiller sont des essais plus longs, des temps de cycle mesurés indépendamment, des taux de réussite et des données d'intervention humaine, seuls éléments capables de prouver qu'une productivité de niveau humain peut être maintenue durablement hors d'un cadre de démonstration contrôlé.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

IA physique & VLA NVIDIA GR00T Physical Intelligence — π0

À lire aussi

1Interesting Engineering

Vidéo : le nouveau modèle omni d'Unitree permet aux robots humanoïdes de penser, se déplacer et assister les humains

Unitree, le fabricant chinois de robotique connu pour ses robots quadrupèdes et humanoïdes low-cost, a dévoilé UnifoLM-OminiA-0.3, un modèle d'IA unifié destiné à ses robots humanoïdes. Ce système combine dans une seule architecture la perception omni-modale, le raisonnement, le dialogue et la manipulation mobile du corps entier, sans passer par des modules séparés pour la reconnaissance vocale, la détection d'objets, la navigation et la manipulation. Dans les vidéos de démonstration diffusées par Unitree, un robot humanoïde saisit un coussin et le pose sur un canapé, identifie des couleurs, compte des boîtes de médicaments, va chercher un médicament précis sur une étagère, trie du linge dans un panier, charge une assiette dans un lave-vaisselle et ajuste un lit médicalisé de type hospitalier. Une séquence montre le robot interrompre immédiatement l'ajustement du lit lorsqu'un utilisateur lui demande d'arrêter en pleine tâche, illustrant une réactivité dynamique aux instructions. L'annonce intervient peu après qu'Unitree a présenté un robot humanoïde à buste haut vendu à partir de 26 900 yuans, soit environ 4 290 dollars, positionné comme une alternative bon marché sur le marché. Sur le fond, l'intérêt revendiqué par Unitree n'est pas la nouveauté de chaque tâche individuelle, déjà démontrées séparément par d'autres constructeurs humanoïdes, mais la coordination de l'ensemble du flux (compréhension du langage, perception visuelle, décision, navigation, contrôle moteur) par un seul modèle plutôt qu'une chaîne de sous-systèmes. C'est la promesse centrale des architectures vision-langage-action (VLA) que le secteur cherche à valider à grande échelle: remplacer des routines programmées tâche par tâche par une généralisation across environnements, un enjeu jugé crucial pour les usages domestiques, hospitaliers et de soin où les objets bougent et les consignes changent en temps réel. Reste que ces démonstrations proviennent de vidéos sélectionnées par le fabricant, sans données chiffrées sur le taux de réussite, le temps de cycle, la charge utile ou le nombre de degrés de liberté, ni validation indépendante en conditions réelles de déploiement, ce qui invite à distinguer nettement la démonstration marketing du produit réellement livré ou déployé chez un client. UnifoLM-OminiA-0.3 s'inscrit dans le programme d'IA incarnée UnifoLM d'Unitree, qui a débuté en 2025 avec UnifoLM-WMA-0, un cadre open-source de modélisation du monde et de l'action destiné à prédire les effets physiques des interactions robot-environnement. Ce socle a été suivi début 2026 par UnifoLM-VLA-0, un modèle vision-langage-action, avant cette version omni-modale axée sur l'assistance à domicile et les soins. Unitree ne précise pas de calendrier de déploiement pilote ni de partenaires hospitaliers ou domestiques identifiés, la trajectoire du programme suggérant toutefois une progression méthodique vers des systèmes de plus en plus généralistes plutôt qu'un produit fini prêt à l'emploi.

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

3Interesting Engineering

Vidéo : un nouveau robot humanoïde vide le linge et plie des serviettes sans aide humaine

Dyna Robotics, start-up californienne, a présenté le 29 septembre 2026 Dyna-2.1, qu'elle qualifie d'« agent physique » capable d'enchaîner de très longs flux de travail avec l'ensemble du corps, sans intervention humaine. La démonstration, en vidéo non coupée selon l'entreprise, se déroule dans une laverie commerciale. Le robot charge et démarre lui-même lave-linge et sèche-linge, se penche pour extraire les serviettes du fond d'un sèche-linge et les transfère dans un panier. Il les secoue pour les mettre à plat, les plie, les trie par taille en piles, puis les range sur des étagères en s'accroupissant pour les niveaux bas ou en tendant les bras vers les niveaux hauts. Il récupère une serviette tombée au sol et, après une prise ratée, abandonne la tentative pour en refaire une. Côté matériel, la machine est un « semi-humanoïde » : un torse et deux bras montés sur une base à quatre roues directrices, avec pinces parallèles ou mains dextres au choix. Un orchestrateur vision-langage planifie le flux, un contrôleur du corps entier coordonne déplacement et mouvements des bras, et le tout repose sur Dyna-2, un « world action model » propriétaire entraîné, selon l'entreprise, sur un million d'heures de données humaines et robotiques. Dyna affirme déployer le robot dans des hôtels, des laveries et des restaurants, sans chiffrer le nombre d'unités, les sites ni le prix. L'intérêt tient moins à la dextérité, déjà montrée par d'autres, qu'au choix de mesure. Dyna met en avant le MTBI (Mean Time Between Interventions), c'est-à-dire la durée de fonctionnement avant qu'un humain doive intervenir, plutôt que le taux de réussite d'une tâche isolée. C'est l'indicateur qui compte pour un exploitant : un poste complet sans « baby-sitter », comme le dit le CEO Lindon Gao. Il déplace la discussion de la démo vers la fiabilité opérationnelle, là où se joue l'écart entre vidéo et réalité. Le choix d'une base à roues, qui évite le problème d'équilibre de la marche bipède, illustre aussi un pari pragmatique : pour la logistique, l'hôtellerie ou la blanchisserie, la forme humanoïde complète n'est pas nécessairement utile. Il faut toutefois rester prudent : Dyna ne publie aucune valeur de MTBI, ni durée de la séquence, ni taux d'interventions. Une vidéo unique en environnement contrôlé ne prouve pas la fiabilité sur un poste de huit heures, et les déploiements évoqués restent non documentés. Dyna Robotics s'inscrit dans la vague des modèles fondation pour la manipulation, aux côtés de Physical Intelligence (Pi-0), de Figure (Helix) ou de NVIDIA (GR00T), avec un positionnement plus commercial que la plupart : des tâches de service à valeur immédiate plutôt qu'un humanoïde généraliste. Sa stratégie rejoint celle des bases mobiles à deux bras, concurrentes directes des humanoïdes marchants pour les usages en intérieur. L'entreprise décrit une boucle d'amélioration continue : les traces de décision de l'orchestrateur et les charges articulaires du contrôleur sont réinjectées pour allonger le temps entre interventions. La suite se jugera sur des chiffres de MTBI vérifiables, des clients nommés et des volumes de déploiement, aucun de ces éléments n'étant encore public.

UEPas d\'impact direct sur la France/UE

IA physiqueOpinion

1 source

4IEEE Spectrum Robotics

Gemini Robotics 2, le nouveau modèle de Google DeepMind

Le déploiement Google DeepMind vient de dévoiler Gemini Robotics 2, une couche d'intelligence destinée à piloter des robots plus adaptables, testée dès son annonce sur des démonstrations de premiers pas et de contrôle corporel complet. Le système ajoute une dextérité avancée et une capacité de collaboration entre plusieurs robots, mais sans chiffres précis de payload, DOF ou temps de cycle publiés à ce stade, il s'agit encore d'une démonstration technologique plutôt que d'un produit commercial daté. Cette édition de Video Friday, compilée par IEEE Spectrum, réunit aussi plusieurs autres publications de la semaine dans le secteur robotique : Agility Robotics a partagé une feuille de route, Unitree a montré de nouvelles capacités de ses robots, et Hello Robot a présenté Stretch 4.0, un robot à un bras et trois roues conçu pour naviguer dans un environnement domestique de façon sûre. Cette accumulation d'annonces reflète l'intensité de la course à l'humanoïde et aux robots polyvalents en 2026 : les grands laboratoires d'IA comme Google DeepMind cherchent à s'imposer comme fournisseurs de la couche cognitive générique pour une multitude de plateformes robotiques, plutôt que de se limiter à un seul matériel. Pour les intégrateurs et décideurs B2B, la multiplication de ces modèles de contrôle (à l'image de Pi-0 ou GR00T N2 chez d'autres acteurs) signale une bascule progressive vers des architectures VLA (vision-langage-action) mutualisées, capables en théorie d'équiper des robots aux morphologies variées. Reste que la démonstration de "premiers pas" par Gemini Robotics 2 est, comme souvent dans ce type d'annonces, une vitrine soigneusement sélectionnée : l'écart entre démonstration contrôlée et déploiement réel en usine ou à domicile demeure la question centrale que ces vidéos ne tranchent pas. Le reste de la sélection hebdomadaire illustre la diversité des approches actuelles : des chercheurs du General Robotics Lab ont développé une main robotique à 21 degrés de liberté capable d'exprimer des "ombres" dynamiques via une peau souple, tandis que Disney Research explore le transfert de mouvement d'humains vers des robots quadrupèdes. Le laboratoire RAD de l'USC travaille avec la NASA à l'entraînement de robots-chiens pour l'exploration planétaire, sur Mars et la Lune. IEEE Spectrum rappelle aussi les origines du secteur en évoquant WABOT-1, souvent considéré comme le premier robot humanoïde japonais, développé par le Takanishi Lab, marquant le chemin parcouru depuis jusqu'aux systèmes actuels comme celui de Sunday Robotics, montré ici pliant du linge à vitesse accélérée.

IA physiqueActu

1 source