RechercheInteresting Engineering 23 octobre 2026

Des robots pilotés par IA dans un laboratoire américain mélangent, fondent et testent des matériaux pour découvrir de nouveaux alliages

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Texas A&M University a reçu une subvention de 2 millions de dollars de la WoodNext Foundation, qui gère la philanthropie du fondateur et PDG de Roku, Anthony Wood, et de son épouse Susan. Elle financera l'Aggie AI Foundry, un laboratoire autonome dont le département de science et ingénierie des matériaux annonce qu'il sera le premier du genre. Les professeurs Raymundo Arróyave et Ibrahim Karaman ont conçu l'installation, qui sera entièrement automatisée. Une IA proposera des compositions d'alliages, et des bras robotisés commandés par ordinateur les prépareront, les fondront et les testeront. Les bras travailleront en ligne d'assemblage et prélèveront leurs échantillons dans une armoire murale contenant des éléments de l'ensemble du tableau périodique. L'IA sera d'abord entraînée avec des modèles physiques, des algorithmes et le savoir humain accumulé par des années d'essais et d'erreurs. L'université vise une réduction du temps de développement d'un alliage, de plusieurs mois à une semaine ou moins. Aucune date de mise en service, aucun nombre de robots ni aucun modèle de bras n'ont été communiqués.

Pour la recherche en matériaux, l'enjeu est de déplacer le goulot d'étranglement. Selon Arróyave, aucun outil de calcul au monde ne prédit de façon fiable le comportement d'un alliage, et la validation physique reste donc indispensable. L'IA peut explorer un espace combinatoire immense, de l'ordre du billion de combinaisons pour quelques dizaines d'éléments, et repérer des corrélations cachées. Le banc d'essai robotisé ferme alors la boucle conception, fabrication, mesure, ce qui évite de rater les bonnes pistes faute de temps humain. Les cibles citées sont des alliages à mémoire de forme, capables de retrouver leur forme après déformation, et des alliages assez souples pour progresser dans les vaisseaux sanguins, ce qui intéresse les dispositifs médicaux. Les ordres de grandeur annoncés (semaines au lieu de mois) restent toutefois des objectifs, sans mesure indépendante ni précision sur le type d'essais couverts. Un test de fatigue ou de corrosion, par exemple, prend bien plus qu'une semaine. Les intégrateurs en robotique de laboratoire et les fournisseurs de métallurgie des poudres ou de fusion automatisée y verront un signal de marché, plus qu'une preuve de maturité.

Ce projet s'inscrit dans le mouvement des « laboratoires autonomes » (self-driving labs), déjà portés par des initiatives comme l'A-Lab de Berkeley pour les matériaux inorganiques, ou les travaux de l'Université de Toronto et de l'Acceleration Consortium. Arróyave et Karaman travaillent depuis des années sur la conception accélérée de matériaux, et ils présentent la fondation comme un moyen de libérer leurs étudiants des tâches répétitives, qu'Arróyave compare au travail de commis de cuisine dans un grand restaurant. Aucun acteur européen n'est cité dans l'annonce. Le prochain jalon sera la construction de la plateforme et la publication de premiers alliages validés. Ce sont ces résultats, bien plus que le financement, qui diront si l'IA dirige réellement la découverte ou si elle se contente d'accélérer des essais conçus par l'humain.

Impact France/UE

Pas d\'impact direct sur la France/UE

À lire aussi

1arXiv cs.RO

Stress-tester des agents LLM dans un laboratoire de chimie robotisé

Une équipe de recherche a testé des agents basés sur des grands modèles de langage (LLM) dans un laboratoire de chimie entièrement robotisé, utilisé comme banc d'essai physique plutôt que simulé. Le laboratoire compte 45 postes de travail modulaires exposés sous forme de compétences ("skills") lisibles par machine, ce qui a permis de lancer 4 608 essais au total. Résultat brut : seulement 3,3% des essais ont produit des workflows exécutables jugés valides par des experts humains selon les contraintes réelles du laboratoire. Même le système le plus performant testé n'a atteint que 28,1% de réussite. Sur le plan de la planification à long horizon, à peine trois workflows exécutables ont dépassé 30 opérations enchaînées, le plus long comptant 44 étapes. Sur cinq rounds successifs intégrant du feedback expérimental, les agents ont procédé à des ajustements ponctuels et locaux, mais aucun n'a jamais replanifié un workflow dans son ensemble ni redessiné une méthode analytique complète. Ce résultat vient tempérer le discours ambiant sur des agents IA capables de piloter seuls une découverte scientifique de bout en bout. Il montre que la génération de plans en langage naturel, aussi convaincante soit-elle sur le papier, ne garantit pas l'exécutabilité physique réelle en environnement contraint, et que l'écart entre démonstration et déploiement reste très large. Pour les acteurs de l'automatisation de laboratoire et les décideurs qui envisagent des pipelines de R&D pilotés par IA, le signal est clair : les agents actuels excellent à produire des plans plausibles, mais échouent majoritairement à les adapter face à des preuves expérimentales contradictoires, une capacité pourtant centrale à toute démarche scientifique itérative. Le champ de l'"IA agentique pour la science" s'est développé rapidement ces deux dernières années, porté par des promesses de laboratoires autonomes capables de concevoir et exécuter des expériences sans intervention humaine. La plupart des évaluations existantes reposent toutefois sur des simulations ou des tâches purement textuelles, ce qui limite leur valeur prédictive. En s'appuyant sur un vrai laboratoire robotisé avec ses contraintes physiques, cette étude propose un cadre diagnostique reproductible pour mesurer la maturité réelle de déploiement de ces agents, et appelle à des travaux futurs axés sur des boucles fermées permettant une véritable replanification et une redéfinition des méthodes analytiques en cours d'expérience.

RecherchePaper

1 source

2Interesting Engineering

Un nouveau cadre améliore de 15 % le suivi de trajectoire des robots volants et marcheurs

Des chercheurs de l'Université de l'Illinois à Urbana-Champaign ont mis au point une méthode d'apprentissage baptisée CARL (Contraction-Aware Reinforcement Learning), qui associe apprentissage par renforcement et théorie de la contraction. Elle vise à améliorer le suivi de trajectoire tout en offrant des garanties mathématiques de stabilité. Les équipes l'ont testée sur trois plateformes aux dynamiques très différentes : un robot à roues TurtleBot 3 Burger (l'article le nomme « TurboBot 3 Burger »), un drone à ailes battantes et un hexapode Jethexa. Elles annoncent un gain de précision de suivi allant jusqu'à 15 % par rapport aux méthodes existantes. Les essais ont d'abord eu lieu en simulation, puis sur des machines réelles dans un laboratoire de vol du département d'ingénierie aérospatiale. Les résultats sont présentés comme valables dans les deux cas. En revanche, l'article ne précise ni les méthodes de référence, ni le nombre d'essais, ni la répartition du gain entre les trois robots. Le « jusqu'à 15 % » est donc un maximum, pas une moyenne. Le problème visé est connu. Une politique apprise par renforcement peut accomplir sa tâche tout en se comportant de façon imprévisible ou en s'écartant fortement de la trajectoire voulue, ce qui est difficilement acceptable sur du matériel coûteux ou au contact de personnes. CARL garde l'apprentissage par renforcement comme contrôleur principal. La théorie de la contraction, un cadre d'analyse de la stabilité des systèmes dynamiques, sert à borner la croissance des erreurs de suivi. De petites erreurs subsistent, mais leur amplitude est mathématiquement limitée. Pour un intégrateur ou un responsable sécurité, c'est la différence entre une politique « qui marche en moyenne » et une politique dont on peut documenter l'enveloppe de comportement, un argument utile pour la certification. Les chercheurs affirment aussi que la méthode gère mieux le sim-to-real gap, par exemple un robot simulé à 1 kg qui pèse 1,2 kg en réalité. Il faut toutefois rester prudent : des plateformes de recherche de petite taille, testées en laboratoire, ne disent rien de la tenue de la méthode sur un humanoïde ou un bras industriel sous charge. Ce travail s'inscrit dans un courant qui cherche à réconcilier l'apprentissage, performant mais opaque, et l'automatique classique, moins flexible mais vérifiable. Il se distingue des approches dominantes dans l'humanoïde et la manipulation, qui misent surtout sur des modèles VLA ou de grandes politiques entraînées en simulation et validées empiriquement, sans borne formelle sur les erreurs. Les auteurs citent la gestion des feux de forêt comme application possible : des robots déployés en environnement dangereux pour localiser des foyers et collecter des données. Il s'agit d'une piste, sans pilote ni calendrier annoncé. CARL reste à ce stade un résultat académique, non un produit. Les prochaines étapes à surveiller sont le passage à des systèmes plus complexes, à plus de degrés de liberté, et la comparaison publique avec les contrôleurs appris existants sur des benchmarks communs.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3Interesting Engineering

Nouveau muscle artificiel intelligent pour un retour sensoriel humain dans les robots humanoïdes

Des chercheurs de l'Université nationale de Séoul (SNU) ont publié les résultats d'une étude portant sur un muscle artificiel intelligent capable de combiner actuation et perception dans une seule structure. Le dispositif repose sur des élastomères à cristaux liquides (LCE), un matériau polymère dont l'orientation moléculaire peut être contrôlée, dans lequel sont intégrés des canaux de métal liquide. L'architecture associe deux types de LCE en série : un LCE isotrope, qui joue le rôle de tendon, et un LCE nématique, qui se contracte comme un muscle sous l'effet d'un chauffage électrique. Deux canaux de métal liquide distincts assurent respectivement l'actuation et la mesure en temps réel de la force et de la déformation interne, sans capteur externe. L'équipe a démontré le système sur des doigts et pinces robotiques capables de saisir délicatement des objets tout en estimant automatiquement leur rigidité et leur taille. L'article ne communique pas de chiffres précis de force maximale ni de temps de cycle sur des missions répétées, ce qui limite la comparaison directe avec d'autres actionneurs publiés. Les chercheurs signalent par ailleurs deux limitations concrètes : une dérive de force liée à l'accumulation de chaleur lors de mouvements répétés, et des erreurs de suivi lors de changements brusques de consigne. L'intérêt industriel de ces travaux tient à la suppression de la séparation traditionnelle entre actuation et captation dans les muscles artificiels conventionnels, qui impose aujourd'hui des capteurs additionnels et des architectures de contrôle complexes. Un actionneur qui s'auto-surveille en temps réel réduit la masse embarquée et la surface d'intégration, deux contraintes critiques pour les membres de robots humanoïdes ou les dispositifs d'assistance médicale. Pour les intégrateurs et les équipes R&D travaillant sur des robots à manipulation douce, la capacité à estimer la compliance d'un objet sans outillage sensoriel dédié représente un gain de conception notable. Cela dit, les travaux en sont au stade de la démonstration de laboratoire : les performances sur tâches industrielles répétitives, le vieillissement thermique du matériau et la scalabilité de fabrication restent à établir avant toute application commerciale sérieuse. Cette publication s'inscrit dans un effort plus large de la communauté robotique pour combler le fossé entre actionneurs biologiques et mécaniques. En parallèle, des équipes du MIT Media Lab et du Politecnico di Bari travaillent sur des muscles à fibres électrofluides visant la même combinaison de force, vitesse et contrôle. Du côté industriel, les développeurs de robots humanoïdes comme Figure, Agility Robotics ou 1X s'appuient encore majoritairement sur des actionneurs électromécaniques rigides ou des câbles tendus, dont la gestion de contact reste un problème ouvert. Les LCE chauffés souffrent d'une lenteur de réponse inhérente, que les chercheurs de SNU proposent de corriger via des canaux de refroidissement intégrés ou des modules à effet Peltier, deux pistes qui alourdissent à nouveau le système. Les prochaines étapes annoncées comprennent le raffinement du modèle d'estimation d'élongation et l'étude de la distribution thermique dans le matériau, sans timeline précise de transfert vers un prototype industriel.

RecherchePaper

1 source

4arXiv cs.RO

Vers une collaboration humain-agent-robot fondée sur les preuves pour le tri des anomalies sans dépendance à la Terre

Des chercheurs proposent, dans un preprint arXiv (2610.08933), une architecture de triage d'anomalies pour équipages en espace lointain, fondée sur une équipe humain, agent IA et robot. Le système repose sur un gestionnaire d'état de triage qui conserve les hypothèses en cours, la provenance des preuves, l'incertitude, le contexte opérationnel et l'état des outils. Un agent incarné, tourné vers l'équipage, recueille les observations des astronautes et explique pourquoi l'évaluation change. Un robot mobile va chercher des preuves ciblées et localisées. Des interfaces typées séparent le dialogue et l'orchestration du monitoring, des commandes robot, de la récupération de contexte et du contrôle critique pour la sécurité. L'IA agentique y joue le rôle de coordinateur à état au-dessus de services bornés et inspectables, et non celui de pilote autonome d'un véhicule. Le prototype d'intégration en boucle matérielle (hardware-in-the-loop) combine un Reachy Mini comme agent incarné et un robot mobile Innate MARS. Deux scénarios l'illustrent. Le premier s'inspire d'une vraie fausse alerte à l'ammoniac sur l'ISS, où une contamination suspectée restreint l'accès de l'équipage. Le second concerne une anomalie d'interface d'alimentation dans une base lunaire habitée, où l'inspection robotisée distingue un défaut local de connecteur d'autres causes que la télémétrie à distance ne permet pas de départager. L'intérêt du travail tient au problème qu'il cible. Lors des missions lointaines, le délai de communication interdit de compter sur un support sol en temps réel. Les alertes initiales sous-déterminent souvent la cause, et les indices décisifs se trouvent soit dans les observations de l'équipage, soit dans des zones dangereuses, coûteuses ou inaccessibles pour un humain. La contribution revendiquée est une boucle de preuves fermée, à autorité bornée : l'IA propose et explique, mais ne détient pas la commande des fonctions critiques. Cette posture contraste avec le discours dominant sur les agents entièrement autonomes, et elle intéresse tout décideur confronté à des environnements où la traçabilité et la responsabilité priment sur la performance brute. Il faut toutefois rester prudent. Il s'agit d'une architecture démontrée sur deux scénarios illustratifs, sans évaluation quantitative annoncée dans le résumé : ni taux de réussite, ni temps de triage, ni comparaison avec une procédure de référence. Le prototype relève de la preuve de concept en laboratoire, loin d'un système qualifié pour le vol. Le travail s'inscrit dans la montée de l'autonomie à bord requise par les programmes d'exploration habitée, notamment les projets de présence lunaire durable, où les opérations dépendront moins du centre de contrôle terrestre. Le choix du matériel est révélateur : Reachy Mini est un petit robot de bureau open source de l'écosystème Hugging Face, et Innate MARS une plateforme mobile accessible. Cela montre que l'on peut prototyper ce type de coordination avec des composants du commerce, loin des robots spatiaux dédiés. Le résumé ne cite ni agence spatiale partenaire, ni calendrier de test en conditions représentatives, ni acteur européen. Les suites naturelles seraient des essais en analogue de mission, des mesures de charge cognitive de l'équipage et une validation des garde-fous face à des pannes de communication ou de capteurs.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source