Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Pourquoi la recharge d'opportunité s'impose avec la montée en échelle des flottes de robots
InfrastructureRobotics Business Review 

Pourquoi la recharge d'opportunité s'impose avec la montée en échelle des flottes de robots

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

Dans le 266e épisode du Robot Report Podcast, Mike Oitzman reçoit Ben Waters, PDG et cofondateur de WiBotic, entreprise américaine spécialisée dans la recharge sans fil et dans un logiciel de gestion des batteries à l'échelle d'une flotte, pour plateformes mobiles industrielles. Docteur en génie électrique de l'Université de Washington, où il a travaillé sur l'alimentation sans fil d'implants médicaux, il est aussi diplômé de Columbia en génie électrique et physique. L'entretien démarre à 24 minutes, après une revue de l'actualité qui traite de trois sujets : le projet Roboharm, l'arrestation à Philadelphie de femmes qui bloquaient des robots de livraison pour protester, et une pétition adressée à la NHTSA, le régulateur américain de la sécurité routière, accusant les robotaxis de Tesla de ne pas respecter les zones scolaires. WiBotic sponsorise l'épisode, et ses produits visent les AMR (robots mobiles autonomes), les drones, les autolaveuses et les humanoïdes.

Le fond du sujet, la recharge d'opportunité, consiste à laisser les robots se recharger par petites touches pendant leur cycle de travail, au lieu d'immobiliser la machine pour une recharge longue ou un échange de batterie. L'argument avancé est une disponibilité accrue de la flotte, un meilleur retour sur investissement et plus de sécurité, puisque moins de manipulations humaines sont nécessaires. À mesure que les parcs de robots grossissent, l'énergie devient un poste d'exploitation à part entière, et non plus un détail d'intégration. Le titre affirme que cette approche « gagne », mais la description de l'épisode ne fournit aucun chiffre, ni gain d'uptime mesuré ni client cité. Il s'agit donc d'une position de fournisseur, à confronter aux données de terrain.

Côté contexte, le marché reste partagé entre recharge par contact sur station, échange automatisé de batteries et recharge sans fil, chaque option ayant ses compromis de coût, de rendement et de complexité mécanique. La montée en charge des flottes d'AMR, de drones et désormais d'humanoïdes pousse les intégrateurs à choisir leur stratégie énergétique plus tôt. L'épisode s'inscrit aussi dans la préparation de RoboBusiness, qui fête ses 20 ans.

Impact France/UE

Pas d\'impact direct sur la France/UE

À lire aussi

Robots avant déploiement : pourquoi les équipes de robotique ont besoin de salles d'entraînement virtuelles
1Robotics Business Review 

Robots avant déploiement : pourquoi les équipes de robotique ont besoin de salles d'entraînement virtuelles

Les robots industriels et humanoïdes butent aujourd'hui moins sur l'automatisation d'une tâche que sur l'adaptation à des environnements changeants, selon un article publié par le cabinet de conseil technologique SoftServe. Le marché mondial de la robotique devrait croître à un rythme de 19,6% par an entre 2026 et 2036, selon les chiffres cités de Future Market Insights. Pour combler l'écart entre simulation et réalité, un concept gagne du terrain dans l'industrie : le « virtual gym » (salle de sport virtuelle), un environnement de simulation haute fidélité où un robot peut s'entraîner, échouer, se corriger et être validé avant tout déploiement réel. Ces plateformes combinent jumeaux numériques, simulation physique poussée, données synthétiques, apprentissage par renforcement, modélisation de capteurs et tests hardware-in-the-loop, l'objectif étant de rendre les essais physiques plus ciblés et moins risqués. L'enjeu dépasse la technique pure : c'est un problème de mise en production. Un robot mobile évoluant en entrepôt doit composer avec un trafic qui change d'heure en heure ; un bras robotisé doit reconnaître un même produit sous des emballages, angles ou reflets lumineux différents de ceux vus à l'entraînement. Ces écarts, même mineurs, suffisent à transformer une simulation réussie en échec sur le terrain. L'apprentissage par imitation, souvent utilisé comme point de départ pratique pour la manipulation, reste dépendant de démonstrations de qualité et d'une variété suffisante de cas. Or collecter cette expérience sur du matériel réel coûte cher : arrêts de production, usure des équipements, risques pour la sécurité. Pire, les cas les plus utiles pour l'entraînement (blocages, objets lâchés, quasi-accidents, fuites, palettes endommagées, pannes de capteurs) surviennent trop rarement en conditions normales pour constituer un jeu de données exploitable. Le virtual gym permet de générer ces scénarios de façon contrôlée avant qu'ils ne se produisent en production. Reste que la fidélité de ces environnements doit être calibrée selon le mode de défaillance visé, pas maximisée par principe : un planificateur d'itinéraire pour robot mobile n'a pas besoin du même niveau de physique qu'une tâche de manipulation d'objets déformables ou qu'un robot d'inspection cherchant des défauts thermiques ou structurels. En usine, la modélisation portera sur la géométrie CAO, les fixations, le placement des caméras, l'outillage et les zones de sécurité ; en entrepôt, sur la géométrie des allées, la variabilité des références produits, les mouvements humains et le comportement de flotte. Les virtual gyms les plus aboutis combinent plusieurs approches de modélisation : physique de premiers principes pour le mouvement et les collisions, modèles résiduels pilotés par les données pour corriger les effets difficiles à capturer analytiquement, co-simulation pour coupler plusieurs solveurs (mouvement, thermique, contraintes matérielles), et modèles de substitution comme les réseaux de neurones physiquement informés pour approximer des comportements complexes plus rapidement qu'une simulation complète.

InfrastructureOpinion
1 source
5 étapes pour créer des assets SimReady pour la robotique avec des modèles d'IA de pointe
2NVIDIA Developer Blog 

5 étapes pour créer des assets SimReady pour la robotique avec des modèles d'IA de pointe

NVIDIA a publié un guide en cinq étapes pour préparer des actifs CAD destinés à la simulation robotique, en s'appuyant sur des modèles d'IA de pointe. Le flux de travail combine les bibliothèques Omniverse, les spécifications SimReady Foundation et des « skills » agentiques maison. Il convertit la géométrie CAD en OpenUSD, puis configure et valide les matériaux, les géométries de collision, les articulations (joints) et les autres propriétés physiques avant tout test du comportement d'un robot. Il s'agit d'une documentation technique et d'une méthode, pas d'un produit chiffré. Les extraits disponibles ne donnent ni gain de temps mesuré, ni taux de réussite de la validation automatisée, ni liste de clients. L'enjeu est un goulot d'étranglement peu visible. Un fichier CAD converti en USD n'est pas encore un modèle simulable. Des collisions mal définies, des axes d'articulation erronés ou des masses incohérentes faussent l'entraînement des politiques et creusent l'écart sim-to-real. Pour les intégrateurs et les équipes de jumeaux numériques, la préparation manuelle des actifs reste un coût récurrent. Confier une partie de cette vérification à des agents, guidés par une spécification standardisée, viserait à rendre la validation reproductible. Cette promesse reste à confirmer sur des cas industriels, d'autant que l'IA générative peut produire des erreurs physiques plausibles mais fausses. Cette publication prolonge la stratégie de NVIDIA autour d'OpenUSD, d'Isaac Sim et d'Omniverse comme couche commune de simulation, face à des outils concurrents comme MuJoCo ou aux environnements propriétaires des constructeurs. Le risque est une dépendance accrue à l'écosystème NVIDIA. Les éventuelles suites, comme l'extension des spécifications SimReady ou l'adoption par des fabricants de robots, ne sont pas précisées dans le texte.

UEPas d\'impact direct sur la France/UE

InfrastructureActu
1 source
AMD dévoile le module Kria pour le contrôle en temps réel et la mémoire unifiée des robots
3Robotics Business Review 

AMD dévoile le module Kria pour le contrôle en temps réel et la mémoire unifiée des robots

AMD a dévoilé sa nouvelle gamme Ryzen AI Embedded X100, associée à la plateforme Kria AI Robotics, pour cibler les charges de calcul de l'IA physique. Le fabricant promet un contrôle temps réel déterministe, une mémoire unifiée entre CPU, GPU et NPU, et une pile logicielle ouverte non liée à un fournisseur unique. Le X100 succède au P100 et devient le SoC phare de la gamme robotique d'AMD. Il vise le temps réel "ferme" via des optimisations Linux et BIOS, avec une latence d'interruption ciblée sous 7 microsecondes, complétées par des fonctions de qualité de service AMD (réservation de cache L3, allocation de bande passante mémoire, isolation des threads). Pour le temps réel "dur", AMD recommande une virtualisation par hyperviseur Zen, une machine virtuelle FreeRTOS et l'isolation de VM. Le module Kria AI SoM, bâti sur ce SoC, adopte le format standard COM-HPC plutôt qu'un connecteur propriétaire, avec une fermeture de boucle de contrôle annoncée à 1,5 microseconde. Selon Rob Bauer, responsable produit chez AMD pour le portefeuille APU embarqué x86, la puce délivrerait trois fois la puissance de calcul FP32 du NVIDIA Thor sur des charges de traitement du signal, un segment où AMD dit rester compétitif malgré l'optimisation poussée de Thor pour l'inférence. Cette annonce vise directement la position dominante de NVIDIA sur l'IA physique, incarnée par ses puces Orin et Thor, en offrant aux intégrateurs une alternative capable, selon AMD, de mettre la pression sur les prix. La mémoire unifiée réduit les copies de données entre unités de calcul, un point sensible pour la perception, la fusion de capteurs et la planification de trajectoire, tâches critiques pour les bras industriels, les robots mobiles autonomes et les humanoïdes. Un stack logiciel ouvert, non verrouillé, répond aussi à une demande croissante des intégrateurs de ne pas dépendre d'un seul écosystème propriétaire. Les chiffres avancés (3,4 fois la performance temps réel du Thor T5000, 1,6 fois de capacité de calcul disponible, 2,3 fois de capacité pour l'IA agentique) restent toutefois des mesures internes d'AMD, sans benchmark indépendant publié à ce stade, ce qui invite à la prudence sur leur portée réelle en conditions de déploiement. L'offensive s'accompagne du lancement du Robotics Development Kit, de la suite logicielle open source AMD Robotics Sophie Suite, et d'un réseau de partenaires robotique. Cette stratégie plein-stack doit être présentée plus en détail lors du salon RoboBusiness 2026. Il s'agit pour l'instant d'une annonce de plateforme et de composants, pas encore de déploiements industriels documentés à grande échelle, un point que le secteur devra vérifier une fois les premiers intégrateurs équipés du Kria AI SoM.

InfrastructureActu
1 source
China Mobile publie en open source sa base d'ingénierie Open-RAIL pour les modèles de robots VLA et WAM
4TechNode 

China Mobile publie en open source sa base d'ingénierie Open-RAIL pour les modèles de robots VLA et WAM

China Mobile a mis en open source Open-RAIL, une base d'ingénierie reliant les modèles vision-langage-action (VLA) et monde-action (WAM) aux robots physiques. La plateforme réunit en un seul flux l'inférence des modèles, l'exécution sur robot réel, la remontée de données et l'itération des modèles. Elle prend en charge quatre robots hétérogènes et dix modèles VLA ou WAM des le lancement. Selon l'opérateur telecom chinois, l'intégration d'un nouveau modèle ne nécessite que 50 a 100 lignes de code, grâce a une couche d'abstraction matérielle qui standardise le contrôle, la lecture d'état et l'exécution des actions quelle que soit la plateforme. Aucune date de disponibilité, aucun tarif ni site de déploiement industriel n'a été précise a ce stade. Pour l'industrie robotique, cette ouverture s'attaque a un goulot d'étranglement connu: chaque robot possède ses propres API et sa propre cinématique, ce qui oblige les intégrateurs a réécrire l'interface logicielle pour chaque nouveau modèle ou chaque nouvelle plateforme matérielle. En promettant une intégration en quelques dizaines de lignes, Open-RAIL cherche a jouer un rôle d'abstraction commune, un peu comme ROS l'a fait pour la robotique classique, mais applique cette fois aux modèles fondation VLA et WAM. Si ces chiffres se confirment en usage réel et pas seulement en environnement contrôle, le cout d'adoption pour les intégrateurs baisserait sensiblement et les cycles entre simulation et robot physique s'accélèreraient. Cette initiative s'inscrit dans la stratégie chinoise de construction d'un écosystème logiciel ouvert pour l'IA incarnée, alors que des laboratoires comme NVIDIA (GR00T N2), Physical Intelligence (Pi-0) ou Figure AI (Helix) développent chacun des piles VLA propriétaires ou semi-ouvertes. En tant qu'opérateur telecom, China Mobile s'appuie sur son infrastructure cloud et réseau pour se positionner comme fournisseur d'outils d'orchestration robotique plutôt que comme fabricant de robots. Aucun calendrier de déploiement pilote ni partenariat industriel n'a été communique pour la suite du projet.

InfrastructureActu
1 source