Vers des robots à base d'agents : modèle, données, environnement et harnais

Une équipe de chercheurs publie sur arXiv (référence 2610.20442) une revue de littérature qui tente de structurer ce qu'elle appelle les « robots agentiques ». Le texte est un survol académique, sans nouveau robot, sans benchmark inédit ni déploiement chiffré. Il définit un robot agentique comme un système où un agent raisonne sur des instructions humaines, interagit avec son environnement, corrige seul ses erreurs d'exécution et ajuste dynamiquement sa stratégie. Les auteurs retracent d'abord le passage des politiques robotiques aux systèmes agentiques, en passant par les modèles vision-langage-action (VLA), les modèles du monde et les « world-action models ». Ils classent ensuite la littérature existante en dix-sept catégories, réparties sur quatre domaines fonctionnels : le modèle, la donnée, l'environnement et le « harness », c'est-à-dire la couche qui organise les capacités du robot pour son utilisation. Ils couvrent aussi la façon dont les agents orientent l'apprentissage et les décisions, collectent et curent les données robotiques, construisent mondes, tâches et tests pour l'entraînement et l'évaluation, et se terminent sur les défis ouverts.

L'intérêt est surtout de cadrage. Les modèles de fondation ne se limitent plus à prédire des actions bas niveau : ils sont mobilisés pour piloter toute la chaîne, de la collecte de données à l'entraînement, à la planification et à l'exécution. Pour un intégrateur ou un décideur industriel, cela signale que la valeur se déplace du seul modèle de contrôle vers l'orchestration autour de lui : génération automatique de scénarios de simulation, curation des démonstrations, évaluation continue, reprise sur erreur. C'est aussi un aveu implicite : ces travaux sont aujourd'hui peu reliés entre eux, et les chercheurs n'ont pas de vision commune pour assembler ces fonctions en un système complet. Le survol ne prouve rien sur la fiabilité de ces approches en production. Il ne contredit ni ne confirme l'écart entre démonstration et réalité, et aucune métrique comparative n'est avancée dans le résumé.

Ce travail s'inscrit dans la montée en puissance des VLA et des modèles du monde, popularisés par des acteurs comme Physical Intelligence avec Pi-0, NVIDIA avec GR00T ou Figure avec Helix, et dans la vague des agents à base de LLM issue du logiciel. La taxonomie en quatre domaines servira surtout de grille de lecture pour situer les prochains travaux, et le terme « agentique » reste en partie un label de positionnement dont la définition n'est pas encore stabilisée. Les auteurs annoncent une discussion des directions futures, sans calendrier ni pilote industriel. Le texte est une préversion (v1) non évaluée par les pairs, à lire comme une cartographie du champ et non comme une validation de ses résultats.