Genie Master d'AgiBot permet aux robots G2 de diagnostiquer leurs propres pannes pendant un service réel en supérette
AgiBot a publié Genie Master, un framework d'agent incarné conçu pour que les robots continuent de s'améliorer après leur déploiement, sans attendre un réentraînement par les ingénieurs. Selon l'entreprise, des robots G2 équipés du framework travaillent dans un vrai magasin de proximité, où ils préparent des plats préparés, prélèvent des produits et réapprovisionnent les rayons. Ils y identifieraient et corrigeraient leurs propres modes de défaillance sans démonstrations humaines dans la boucle. Exemple cité : un robot ratait régulièrement un petit crochet de rayonnage, car une étiquette de prix masquait la vue de sa caméra de tête. En analysant ses journaux d'exécution, l'agent a diagnostiqué le problème, rapproché la main gauche pour que la caméra de poignet confirme la position du crochet, accroché l'article avec la main droite, puis mémorisé cette correction. Le socle technique est l'Embodied Execution Protocol (EEP), une interface unifiée entre l'agent et le robot. Elle comprend quatre volets : capacités du robot, transmission à la politique d'action d'indices spatiaux et de références d'objets, retour sur ce qui s'est physiquement produit, et suivi de la progression et des dépendances entre tâches à l'échelle d'une flotte pour replanifier ou reprendre après interruption.
L'intérêt tient à l'objet visé : la phase de déploiement, là où les écarts entre démonstration et réalité se paient. Si la boucle diagnostic, correction et mémorisation fonctionne hors laboratoire, elle réduit la dépendance aux équipes de téléopération et de collecte de données, principal coût caché des déploiements humanoïdes. L'amélioration suit deux voies. La première, « Harness RSI », ne touche pas aux poids du modèle et affine prompts, mémoire et règles d'exécution via une réflexion quotidienne sur les succès et échecs. La seconde, « Policy RSI », collecte les données des exécutions autonomes, des reprises en main et des récupérations, les filtre, les repondère, puis réentraîne la politique par apprentissage supervisé, par imitation ou par renforcement. AgiBot reconnaît que cette seconde voie utilise encore des données de reprise humaine : l'humain n'est pas supprimé. L'étiquette « première validation de la RSI physique » relève du discours de l'entreprise. Aucun chiffre de taux de réussite, de fréquence d'intervention ou de durée de la boucle n'est publié, et l'exemple du crochet est un cas choisi.
Genie Master est le quatrième élément de la série AI WAVE, lancée le 22 octobre. Le prochain, annoncé pour le 28 octobre, est une mise à niveau de la plateforme de simulation Genie Sim avec un moteur physique maison pour les objets déformables, avec plus de 95 % de cohérence entre résultats réels et simulés sur des tâches complexes selon AgiBot, sans détails publiés à ce stade. Le vrai test public aura lieu les 2 et 3 novembre : six G2 assureront un service de 24 heures non scripté, diffusé en direct, dans un magasin de proximité, avec pics du déjeuner et du dîner, service de nuit et préparation du petit-déjeuner. Ce format sera plus parlant que des vidéos sélectionnées, à condition que les taux d'intervention humaine soient communiqués. AgiBot reste très actif sur le déploiement, comme le montre le G2 Max chez JD Logistics, tandis que son GO-3 Nano domine le classement de simulation RoboDojo.
Dans nos dossiers




