Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Chine/AsiePandaily 

TwinDEX de X Square Robot apprend une expérience de chimie en 24 étapes sans aucune donnée d'entraînement sur le robot

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

La société X Square Robot, basée à Shenzhen, a présenté un robot dextre qui exécute une expérience de chimie standardisée complète, soit 24 sous-actions enchaînées en une seule prise sans coupure, avec une politique entraînée uniquement sur des données collectées sans robot. La démonstration repose sur TwinDEX, système introduit en septembre qui associe un exosquelette portable pour la collecte de données à une main robotique très proche pour le déploiement. Le robot ouvre un flacon de réactif, prélève de la poudre avec une spatule fine, presse une pipette à bulbe en caoutchouc, transfère liquides et solides, puis plaque une baguette de verre quasi transparente contre un bécher pour guider un versement, en changeant d'outil et en coordonnant ses deux mains. La politique a été entraînée de zéro sur quelques centaines d'épisodes sans robot, sans téléopération ni données d'intervention. Les deux dispositifs partagent une architecture à trois doigts et neuf degrés de liberté dont sept actifs, les mêmes axes d'articulation et proportions, les mêmes matériaux de contact et capteurs tactiles aux mêmes endroits. Images multi-vues, poses du poignet, états des doigts et signaux tactiles sont synchronisés, ce qui évite tout retargeting. Selon X Square, l'efficacité de collecte atteint 5,3 fois celle de la téléopération, mesurée sur cinq tâches.

L'enjeu est le goulot d'étranglement de la donnée en manipulation fine. La téléopération immobilise un robot et un opérateur, ce qui limite le passage à l'échelle. Un opérateur, une table et un exosquelette suffisent ici, et la collecte peut se faire en parallèle dans des bureaux ou des cuisines. Si les résultats se confirment, ils indiquent que des données humaines sans robot peuvent égaler la téléopération épisode par épisode, selon la société sur un benchmark multi-tâches. La tâche choisie est exigeante pour la perception seule : le dévissage repose sur des mouvements latéraux des doigts, la pipette demande un ajustement de force après contact, et la baguette transparente est difficile à suivre par caméra. Prudence toutefois : il s'agit d'une démonstration unique, le gain de 5,3 fois est un chiffre du constructeur, et aucun article technique ni taux de réussite sur répétitions n'est publié. Les limites sont reconnues : une seule table, un jeu d'objets restreint, une ergonomie des longues sessions non étudiée, et des tâches plus difficiles pourraient exiger plus de doigts ou d'articulations.

Cette approche s'inscrit dans la course aux données d'entraînement pour les modèles vision-langage-action, où gants, exosquelettes et vidéos humaines concurrencent la téléopération. X Square, déjà connue pour son modèle ouvert WALL-OSS, a aussi présenté HOST, qui apprend des compétences à partir de courtes vidéos, et le modèle WALL-B. Selon Leiphone, le pipeline fonctionne avec WALL-OSS et peut s'adapter à d'autres modèles de fondation comme pi0.5. Sharpa, avec sa main dextre et son gant haptique, travaille dans une direction voisine. La suite annoncée comprend un article technique « bientôt disponible » et l'extension de la collecte aux environnements ouverts et aux tâches de longue traîne. Il s'agit pour l'instant d'une démonstration de recherche, sans produit livré ni déploiement client.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

IA physique & VLAExosquelettes

À lire aussi

L'équipe Tsinghua-Harvard développe Acorn, un robot « zéro-données » qui apprend par instinct, sans entraînement
1Pandaily 

L'équipe Tsinghua-Harvard développe Acorn, un robot « zéro-données » qui apprend par instinct, sans entraînement

La startup Acorn Robot, cofondée par le Dr. Jiang Yao (doctorat en génie mécanique à Tsinghua, postdoctorat en neurosciences à Harvard), a présenté un robot de manipulation capable d'apprendre des tâches physiques sans aucune donnée d'entraînement préalable, sans trajectoires de démonstration et sans modèle visuel. Le système repose sur un modèle de décision embarqué baptisé "Natus" (pour "instinct-driven behavioral emergence"), qui fonctionne par essais et erreurs en temps réel sur le matériel physique. Le hardware est délibérément minimaliste : une pince industrielle parallèle à 1 degré de liberté, équipée de capteurs tactiles sur ses deux mâchoires en V, sans caméra externe ni connexion cloud. La démonstration présentée montre le robot parvenir à saisir une carte bancaire posée à plat sur une table, un défi reconnu pour les préhenseurs industriels conventionnels, en utilisant une mâchoire comme levier contre le bord de la carte et la surface de la table comme point d'appui. Le système requiert typiquement huit à neuf tentatives pour converger vers cette stratégie. Selon la société, une preuve de concept a été validée chez l'un des principaux fabricants de cosmétiques en Chine, avec un déploiement à l'échelle annoncé. La cible commerciale visée est la fabrication flexible B2B, où l'adaptabilité prime sur le volume de données. L'approche représente une rupture philosophique avec le paradigme dominant de la robotique contemporaine, qui s'appuie massivement sur des données de démonstration, des modèles vision-langage-action (VLA) et de l'apprentissage par simulation. Le Dr. Jiang soutient que les forces de contact imprévisibles et les variations mécaniques entre robots individuels rendent les approches data-driven structurellement fragiles, décrivant la dépendance aux données comme un "puits sans fond impossible à combler" et affirmant qu'il n'existe pas de modèle universel, seulement un modèle optimal pour un robot donné. Pour les intégrateurs industriels et les décideurs en fabrication flexible, le claim est potentiellement significatif : un système capable de s'adapter à une nouvelle tâche physique sans pipeline de collecte de données ni infrastructure cloud réduit le coût de déploiement et le délai de mise en service. Il convient toutefois de nuancer : les huit à neuf tentatives annoncées proviennent d'une vidéo de démonstration sélectionnée, les conditions exactes du déploiement cosmétique ne sont pas détaillées, et la distinction entre preuve de concept validée et déploiement industriel à grande échelle reste à préciser. Acorn Robot s'inscrit dans un paysage robotique mondial où l'essentiel des investissements se concentre sur les humanoïdes dotés de VLA à grande échelle : Figure 03 de Figure AI, Optimus Gen 3 de Tesla, pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA. L'approche d'Acorn, centrée sur un préhenseur industriel à faible complexité matérielle plutôt que sur une plateforme humanoïde généraliste, repositionne la question de la généralisation robotique au niveau du comportement émergent plutôt que de la capacité de représentation. La startup appartient à une génération de chercheurs sino-américains explorant des alternatives à l'apprentissage supervisé massif, un espace également investigué par des équipes européennes en robotique cognitive, notamment en France et en Suisse. Les prochaines étapes annoncées portent sur l'extension à d'autres scénarios de fabrication flexible, sans calendrier précis communiqué à ce stade.

Chine/AsiePaper
1 source
La Chine ouvre plus de 70 sites d'entraînement pour l'IA incarnée, une norme de jeux de données attendue le 1er novembre
2Pandaily 

La Chine ouvre plus de 70 sites d'entraînement pour l'IA incarnée, une norme de jeux de données attendue le 1er novembre

La Chine a ouvert plus de 70 sites d'entrainement pour l'IA incarnée (embodied AI) a fin juin 2026, avec plus de 40 sites supplémentaires en construction ou en planification, selon un rapport de l'Academie chinoise des technologies de l'information et des communications (CAICT) cite par Economic Information Daily et relaye en anglais par Xinhua le 22 septembre. Ces installations, parfois surnommées "écoles de robots", se concentrent dans le delta du Yangtze, la région Pekin-Tianjin-Hebei et le delta de la rivière des Perles: le Zhejiang arrive en tête avec 14 sites, suivi du Jiangsu, de Pekin, du Guangdong et du Shandong avec huit chacun. La Chine compte plus de 140 fabricants de robots humanoïdes et a livre environ 14 400 unités en 2025, soit environ huit livraisons mondiales sur dix selon Xinhua. Sur ces sites, des opérateurs en capture de mouvement génèrent des trajectoires annotées a partir de taches répétitives comme saisir des bouteilles, charger des plateaux ou scanner des colis. Dans le Guangdong, le site provincial sert aussi de plateforme de mise en relation entre fabricants de robots et utilisateurs des secteurs santé et énergie, tandis que la base pilote nationale de Hangzhou se positionne comme connecteur mutualise entre entreprises publiques, groupes technologiques et partenaires applicatifs, avec des porteurs de projet qui évoquent des économies importantes par rapport a la constitution de jeux de données propriétaires. Cette annonce révèle un gouffre persistant entre le volume de déploiement de robots humanoïdes et leur fiabilité réelle en usage quotidien: malgré une production de masse, les fabricants chinois restent freines par la raretee de données d'interaction en conditions réelles, ce qui confirme que le "sim-to-real gap" n'est pas résolu par le seul volume de simulation. Pour les intégrateurs et décideurs B2B du secteur robotique, le signal est celui d'une infrastructure nationale de collecte de données plutôt que d'un produit ou d'un modèle fini a l'américaine (a comparer aux approches Pi-0 de Physical Intelligence ou GR00T N2 de Nvidia, davantage centrées sur les modèles VLA). Cette approche par volume de terrains d'entrainement, combinée a une normalisation imminente de la qualité des jeux de données, pourrait accélérer la maturité opérationnelle des flottes chinoises et redistribuer la compétition mondiale, jusqu'ici dominée par le narratif américain autour des VLA (vision-language-action). Cette dynamique s'inscrit dans la continuité d'une politique industrielle déjà engagée: en juin 2026, le ministère de l'Industrie et des Technologies de l'information (MIIT) et la Commission de supervision et d'administration des actifs publics (SASAC) ont lance une action spéciale demandant a chaque région provinciale d'identifier au moins 20 scenarios prioritaires et de créer des espaces d'entrainement et de test nécessitant un aménagement minimal. Parallelement, une norme industrielle sur la qualité des jeux de données d'IA incarnée, rédigée par le CAICT avec plus de 40 organisations, doit entrer en vigueur le 1er novembre 2026, avec l'objectif de faire passer le secteur d'une logique de collecte massive a une logique de qualité et d'évaluation. Des opérateurs testent aussi des modèles économiques allant au-delà de la simple vente de données brutes, comme le "training-as-a-service" combinant collecte, entrainement de modèles et validation applicative. Aucun acteur français ou européen (Wandercraft, Exotec, Pollen Robotics, Enchanted Tools) n'est mentionne dans cette annonce, qui reste centrée sur l'écosystème chinois et ses partenaires industriels domestiques.

UEAucun acteur français ou européen n'est impliqué, mais l'avance chinoise en volume de données d'entraînement terrain pourrait creuser l'écart de maturité opérationnelle face aux fabricants de robots humanoïdes européens.

Chine/AsieActu
1 source
Des données de caméras corporelles sur des travailleurs humains servent à entraîner des cerveaux robotiques dans un essai coréen
3Interesting Engineering 

Des données de caméras corporelles sur des travailleurs humains servent à entraîner des cerveaux robotiques dans un essai coréen

La startup sud-coréenne RLWRLD a annoncé un partenariat avec le Lotte Hotel Seoul, le groupe logistique CJ Logistics et des enseignes Lawson pour constituer une base de données de gestes professionnels humains destinée à l'entraînement de robots. Les employés de ces sites portent des caméras-corps pendant l'exécution de tâches courantes mais techniquement exigeantes : pliage de serviettes de banquet et mise en place de tables à l'hôtel, opérations d'entrepôt chez CJ Logistics, organisation de rayonnages en commerce de détail. Ces flux vidéo, enrichis de données de mouvement et de force, alimentent le modèle fondationnel RLDX-1, présenté en 2025, qui cible la manipulation robotique haute précision avec des mains à haut degré de liberté (DoF). L'architecture centrale, baptisée Multi-Stream Action Transformer (MSAT), traite en flux parallèles les signaux visuels, de mouvement, de mémoire et de couple (torque), qu'elle fusionne ensuite pour générer les actions motrices. Le système intègre également un modèle vision-langage-action (VLA) spécialisé robotique, des modules de physique et de mouvement, et une interface cognitive qui compresse la perception en tokens mémoire pour le suivi de tâches longues. RLWRLD affirme que RLDX-1 dépasse les VLA leaders sur des benchmarks spatiaux, temporels et en contact riche, en simulation comme en conditions réelles, sans chiffres de latence ni taux de succès indépendants publiés à ce stade, ce qui invite à la prudence avant de valider ces affirmations. Ce projet illustre un changement de paradigme dans la collecte de données robotiques : au lieu de téléopération ou de simulation synthétique seule, RLWRLD mise sur la capture in situ d'expertise métier réelle, là où la dextérité humaine est déjà optimisée par des années de pratique. Pour les intégrateurs et les équipementiers industriels, cela signale que le goulot d'étranglement du sim-to-real gap pourrait être partiellement contourné par du data collection en environnement de production réel. La capacité de RLDX-1 à se généraliser sur des configurations single-arm, dual-arm et humanoïde depuis un modèle unique réduit potentiellement les coûts de fine-tuning par plateforme. La gestion de la mémoire à long horizon via tokens de cognition est une réponse directe à la limite connue des VLA actuels sur les tâches séquentielles complexes, problème documenté chez des équipes comme Physical Intelligence (Pi-0) ou chez l'équipe GR00T de NVIDIA. RLWRLD s'inscrit dans une vague coréenne de robotique physique soutenue par des programmes gouvernementaux de numérisation des savoir-faire pour l'IA industrielle. Sur le plan compétitif, la startup se positionne face à Physical Intelligence (Pi-0, États-Unis), à l'équipe GR00T N2 de NVIDIA, à Figure (Figure 03) et à 1X Technologies dans la course aux modèles fondationnels pour la manipulation. La Corée du Sud mobilise sa base manufacturière dense, automobile, électronique, logistique, comme terrain de collecte de données, ce que ni les laboratoires américains ni les acteurs européens comme Wandercraft ou Enchanted Tools ne répliquent à cette échelle sectorielle. Les prochaines étapes annoncées incluent l'extension des captations à d'autres secteurs et le déploiement du modèle sur des plateformes humanoïdes commerciales, sans calendrier précis communiqué.

UELa Corée du Sud construit à grande échelle un avantage compétitif en données d'expertise industrielle réelle que les acteurs européens ne répliquent pas encore, creusant l'écart sur les modèles fondationnels de manipulation robotique.

Chine/AsieOpinion
1 source
X Square Robot bat de 45% le record établi par Figure AI sur son propre benchmark
4Pandaily 

X Square Robot bat de 45% le record établi par Figure AI sur son propre benchmark

Le 12 août, la startup chinoise d'IA incarnée X Square Robot, basée à Shenzhen, a diffusé en direct sur X et YouTube un stream d'une heure, non monté, montrant un système à deux bras fixe alimentant une ligne de tri de colis. Le compteur final affichait 1 816 colis traités, avec un taux de réussite annoncé supérieur à 98%. Avant le lancement du chronomètre, l'entreprise avait affiché à l'écran un objectif de 1 248 colis par heure, chiffre qui correspond presque exactement à la moyenne soutenue par la flotte de robots humanoïdes Figure 03 de Figure AI lors de son marathon autonome de 200 heures en mai (249 560 colis traités au total, soit 1 247,8 par heure). Ce système, piloté par le réseau neuronal Helix-02, avait atteint un rythme d'environ 2,6 secondes par colis, avec 230 unités traitées dans les dix premières minutes, sans intervention humaine. La tâche de X Square porte sur l'induction de colis : extraire les paquets des piles désordonnées issues du déchargement de camions, les positionner un par un sur le convoyeur pour scan, et écarter les colis de forme irrégulière. Des observateurs du stream ont toutefois décrit une version plus étroite de la démonstration : saisie et retournement des colis pour orienter les codes-barres vers le haut, plus redirection de certains types de paquets vers des goulottes alternatives. Le choix d'un objectif calé quasi exactement sur la moyenne de Figure AI, puis dépassé de 45%, ressemble moins à une coïncidence qu'à une réponse directe adressée à un concurrent, dans un secteur où chaque chiffre public sert de message. Le point de friction principal reste que ce système fixe ne rivalise pas vraiment avec des humanoïdes bipèdes mais avec le marché établi de la robotique industrielle (Kuka, Fanuc, Dematic et une longue liste d'intégrateurs chinois), ce qui déplace l'argument de vente vers le logiciel plutôt que vers la mécanique. X Square mise sur WALL-B, son modèle de fondation d'IA incarnée, censé remplacer les règles écrites à la main par une politique apprise capable de s'adapter à chaque colis et à l'évolution de la pile. Le moment clé du stream, une intervention en direct pour rattraper un colis dérivant vers la mauvaise goulotte, illustre précisément ce qu'une automatisation scriptée ne sait pas faire : récupérer d'un état hors norme. Reste que ce n'est qu'un seul clip, et que Figure a de son côté documenté ses propres erreurs (orientation d'étiquette manquée, colis perdus) sur ses 200 heures, classées comme défaillances de colis plutôt que de robot. Le stream de Figure AI en mai avait démarré comme un défi de huit heures lancé par le vétéran de l'automatisation industrielle Scott Walter, avant de s'étendre à 200 heures. Wang Qian, fondateur et PDG de X Square Robot, a justifié la démonstration en affirmant que la vraie question n'est pas la capacité à réussir une prise isolée, mais à maintenir de bonnes décisions à mesure que la pile change et à récupérer des erreurs sans interrompre l'opération. Aucun pilote commercial ni déploiement en entrepôt n'a été annoncé à ce stade : il s'agit d'une démonstration technologique, pas d'un produit livré. Sur ce match, X Square l'emporte sur l'heure, Figure AI sur la durée.

UEAucun acteur ni deploiement europeen direct, mais la demonstration vise indirectement le marche de la robotique industrielle ou Kuka (Allemagne) est un acteur etabli.

Chine/AsieOpinion
1 source