Aller au contenu principal
Robot Talk épisode 164 : accélérer l'apprentissage des robots, avec Michelle LuIllustration générée par IA
IA physiqueRobohub 

Robot Talk épisode 164 : accélérer l'apprentissage des robots, avec Michelle Lu

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Dans l'épisode 164 du podcast Robot Talk, l'animatrice Claire reçoit Michelle Lu, cofondatrice et CEO de Vsim Technology, pour parler d'entraînement de robots par simulation et intelligence artificielle. Michelle Lu a été directrice de la technologie de simulation chez NVIDIA, où elle a créé avec son cofondateur Isaac Gym, présenté comme le premier framework d'apprentissage par renforcement (RL) de bout en bout accéléré sur GPU. En 2022, les deux associés ont quitté NVIDIA pour fonder Vsim. L'entreprise vise trois limites de la robotique entraînée en simulation : l'efficacité, le passage à l'échelle et l'écart sim-to-real. L'épisode est un entretien : aucun produit, chiffre de performance, client ou financement n'est annoncé dans la présentation.

L'intérêt tient au profil de la fondatrice. Isaac Gym a fixé la méthode que suivent aujourd'hui la plupart des équipes : des milliers d'environnements physiques simulés en parallèle sur GPU, pour entraîner des politiques de locomotion et de manipulation en quelques heures. Que ses concepteurs créent une société indépendante suggère que ces trois verrous restent ouverts, malgré les démonstrations de plus en plus fluides des humanoïdes. Pour un intégrateur, le sim-to-real conditionne le coût réel d'adaptation d'un robot à un nouveau site. À ce stade, Vsim n'a pas publié de preuve chiffrée visible dans ce résumé.

Côté contexte, Vsim naît dans le sillage d'un écosystème dominé par NVIDIA, qui a poursuivi ce travail avec Isaac Sim et Isaac Lab. Les concurrents sont nombreux : MuJoCo et ses déclinaisons GPU de Google DeepMind, ou les moteurs de simulation propres aux laboratoires humanoïdes. Les suites dépendront de ce que Vsim démontrera publiquement : benchmarks, partenaires industriels, déploiements.

Dans nos dossiers

À lire aussi

Modèle d'action géométrique pour l'apprentissage de politiques robotiques
Illustration générée par IA
1arXiv cs.RO 

Modèle d'action géométrique pour l'apprentissage de politiques robotiques

Des chercheurs ont déposé le 16 juin 2026 sur arXiv (arXiv:2606.17046) le Geometric Action Model (GAM), une politique de manipulation robotique conditionnée par le langage naturel. L'architecture réutilise un modèle fondamental géométrique (GFM) pré-entraîné en le scindant en deux segments : les couches superficielles encodent les observations visuelles, tandis qu'un prédicteur causal inséré à la jonction génère des tokens latents futurs conditionnés sur les instructions textuelles, la proprioception et l'historique d'actions du robot. Les blocs restants du GFM décodent ensuite simultanément la géométrie future de la scène et les actions à exécuter via un backbone unique partagé.

IA physiqueOpinion
1 source
NVIDIA étend LeRobot (open source) avec des outils IA humanoïde pour accélérer le développement des robots
Illustration générée par IA
2Interesting Engineering 

NVIDIA étend LeRobot (open source) avec des outils IA humanoïde pour accélérer le développement des robots

NVIDIA et Hugging Face élargissent leur collaboration autour de LeRobot, la plateforme robotique open source de Hugging Face, avec l'ajout de deux nouveaux outils. Le premier est NVIDIA Isaac GR00T 1.7, présenté par NVIDIA comme son premier modèle de fondation robotique vision-langage-action (VLA) ouvert et commercialement exploitable, conçu pour simplifier le post-entraînement et le déploiement sur différents designs de robots. Le second est NVIDIA Isaac Teleop, un framework open source permettant de collecter des données d'entraînement de haute qualité via des démonstrations humaines avec des dispositifs de contrôle externes, dans un format standardisé et partageable au sein de l'écosystème LeRobot. Un troisième modèle, Cosmos 3, dédié à la génération de données synthétiques et à la simulation d'environnements, sera intégré ultérieurement.

UELe robot humanoïde français Reachy 2 (Pollen Robotics) intègre le calculateur embarqué Jetson Thor de NVIDIA dans le cadre de cet écosystème LeRobot.

IA physiqueActu
1 source
Apprentissage robotique ludique à base d'agents
Illustration générée par IA
3arXiv cs.RO 

Apprentissage robotique ludique à base d'agents

RATs (Robotics Agent Teams) est un système d'apprentissage robotique agentic présenté dans le preprint arXiv 2606.19419 qui introduit une phase de "jeu" auto-dirigé avant toute tâche explicite. L'agent, basé sur le paradigme Code-as-Policy (CaP), propose lui-même des tâches exploratoires, exécute des politiques en code, vérifie les progrès intermédiaires, diagnostique les échecs avec un feedback dense à chaque étape et distille les exécutions réussies dans une bibliothèque de compétences persistante. À l'inférence, cette bibliothèque gelée est réutilisée par d'autres agents pour résoudre des tâches inédites, sans fine-tuning du modèle sous-jacent.

💬 La vraie idée ici, c'est pas le "jeu" (ça fait bien dans un abstract), c'est la bibliothèque de compétences gelée et partageable entre agents sans ré-entraînement. Si ça tient hors labo, tu peux imaginer des flottes entières qui mutualisent leurs primitives robotiques comme des développeurs partagent des packages. Les +8,8 points en déploiement réel sont le seul chiffre qui compte, et il est là.

IA physiqueOpinion
1 source
X-Morph : des priors de mouvement humain pour l'apprentissage robotique évolutif multi-morphologies
Illustration générée par IA
4arXiv cs.RO 

X-Morph : des priors de mouvement humain pour l'apprentissage robotique évolutif multi-morphologies

Une équipe de chercheurs a publié fin juin 2026 sur arXiv (arXiv:2606.30290v1) X-Morph, un pipeline qui convertit des données de mouvement humain en politiques de locomotion et de loco-manipulation déployables sur des robots à pattes non-humanoïdes. L'approche cible trois morphologies distinctes : un quadrupède, un hexapode, et un quadrupède équipé d'un bras manipulateur. Le pipeline fonctionne en trois étapes : un module de re-ciblage cross-morphologique transforme des séquences de mouvement humain en références cinématiquement cohérentes avec la structure mécanique du robot cible ; ces références sont ensuite suivies par une politique d'apprentissage par renforcement (RL) dite "privileged" qui accède à des informations d'état complètes, puis distillées en une politique étudiante causale utilisable en inférence temps-réel.

IA physiqueOpinion
1 source