Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RechercheRobohub 

Robot Talk, épisode 168 : faire progresser la robotique grâce à une électronique inédite, avec Zlatka Stoeva

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

Dans le 168e épisode du podcast Robot Talk, l'animatrice Claire reçoit Zlatka Stoeva, fondatrice et directrice générale de DZP Technologies, une entreprise basée à Cambridge (Royaume-Uni) spécialisée dans les matériaux avancés et les nouvelles formes d'électronique. La discussion porte sur l'électronique imprimée flexible, extensible et souple appliquée aux robots dextres. Chimiste des matériaux de formation, Zlatka Stoeva a mis au point les encres et matériaux électroniques qui constituent la base du portefeuille actuel de l'entreprise. DZP est entrée dans la robotique à l'occasion d'un projet financé par ARIA, consacré aux composants électroniques imprimés destinés à un robot dextre.

Pour les intégrateurs et les équipes qui conçoivent des mains robotiques, l'enjeu est moins l'algorithme que la couche physique. La dextérité repose sur la perception tactile et sur des capteurs et pistes conductrices capables de se plier, de s'étirer et d'épouser des surfaces courbes sans perdre leur fonction. L'électronique imprimée est une piste crédible pour y parvenir, mais l'épisode ne communique aucun chiffre sur la sensibilité, la durabilité en cycles, le coût ou la capacité de production. Il s'agit donc d'un échange de présentation, pas d'un produit livré ni d'un déploiement démontré.

Le contexte est celui d'une course humanoïde et manipulation où les modèles d'action progressent vite, tandis que le toucher et la robustesse des mains restent des goulots d'étranglement. DZP, issue de la chimie des matériaux plutôt que de la robotique, illustre l'arrivée de fournisseurs de composants spécialisés dans cet écosystème. Le calendrier de commercialisation et les partenaires éventuels n'ont pas été précisés.

À lire aussi

KAN We Flow ? Faire progresser la manipulation robotique grâce à l'appariement de flux 3D via KAN et RWKV
1arXiv cs.RO 

KAN We Flow ? Faire progresser la manipulation robotique grâce à l'appariement de flux 3D via KAN et RWKV

Une équipe de recherche présente KAN-We-Flow, une politique de manipulation robotique fondée sur le flow matching, décrite dans un article révisé sur arXiv (identifiant 2602.01115, version 3). Le système combine deux architectures récentes: RWKV (Receptance Weighted Key Value), pour le mélange temporel et par canal du contexte de tache, et les réseaux de Kolmogorov-Arnold (KAN), via une couche GroupKAN qui applique des fonctions splines apprenables groupe par groupe pour calibrer les actions prédites. Les auteurs ajoutent une régularisation de cohérence d'action (ACR), une perte auxiliaire qui aligne les trajectoires prédites sur les démonstrations expertes par extrapolation d'Euler, afin de stabiliser l'entrainement. Resultat annonce: une réduction de 86,8% du nombre de paramètres par rapport aux architectures UNet habituelles, avec un temps d'inférence plus rapide et des scores de réussite qualifies d'état de l'art sur trois bancs d'essai de simulation en manipulation dexterale, Adroit, Meta-World et DexArt. Les politiques visuomotrices par diffusion, devenues standard pour l'apprentissage de comportements robotiques a partir de démonstrations, souffrent d'un défaut connu: leur debruitage itératif et leurs backbones UNet lourds les rendent lentes a exécuter, un frein direct au déploiement sur du matériel embarque a ressources limitées. Le flow matching promettait déjà de réduire ce cout en apprenant un champ vectoriel résolu en une seule étape, mais les implémentations existantes conservaient des architectures encombrantes. En remplaçant le UNet par un bloc RWKV-KAN nettement plus compact, ce travail ouvre une piste concrète pour rapprocher les politiques d'apprentissage par imitation des contraintes réelles des robots, calcul embarque et latence de cycle, un enjeu suivi de près par les intégrateurs qui cherchent a faire tourner des politiques de type VLA ou diffusion sur des contrôleurs de bord plutôt que sur des serveurs déportés. Ce travail s'inscrit dans la lignée des politiques par diffusion type Diffusion Policy et des approches de flow matching plus récentes derrière des modèles vision-langage-action tels que Pi-0, qui cherchent toutes a réduire le nombre d'étapes de génération nécessaires pour produire une action. Il ne s'agit pas d'une annonce produit ni d'un déploiement sur robot physique: les résultats publies restent circonscrits a des bancs d'essai de simulation standards en manipulation dexterale, sans précision sur un transfert sim-to-real ni sur un calendrier de mise en oeuvre industrielle. La page projet associée met a disposition code et détails supplémentaires pour la communauté de recherche, mais aucune entreprise ni intégrateur n'est cite comme partie prenante a ce stade.

RecherchePaper
1 source
Entendre la forme d'une arène grâce à la robotique en essaim spectrale
2arXiv cs.RO 

Entendre la forme d'une arène grâce à la robotique en essaim spectrale

Des chercheurs proposent un cadre baptisé « robotique en essaim spectrale », publié sur arXiv (2403.17147, version 2 révisée), qui permet à un essaim de robots d'identifier la forme de l'arène où il évolue sans aucun calcul centralisé. Chaque robot émule localement un processus de diffusion pour estimer la deuxième valeur propre du Laplacien du graphe formé par l'essaim. Cette grandeur est d'ordinaire obtenue par calcul global. Dans cette preuve de concept, cette seule valeur sert à classer l'arène parmi un ensemble prédéfini de formes aux signatures spectrales distinctes, en une seule passe. Les auteurs identifient aussi une loi d'échelle reliant la taille de l'essaim (paramètre global) au rayon d'interaction (paramètre local), condition d'une estimation robuste. L'approche est validée sur deux plateformes matérielles, les Kilobots et les Pogobots, avec du bruit réaliste et une connectivité faible. Le résumé ne donne ni effectifs d'essaim, ni taux de réussite chiffrés. L'intérêt porte sur un point faible connu de la robotique en essaim : des robots aux capteurs et à la puissance de calcul minimaux peinent dès qu'une tâche exige une conscience du contexte spatial global. Ici, la géométrie d'ensemble devient un descripteur compact, accessible par interactions strictement locales. Cela pourrait servir à adapter un comportement collectif à la structure de l'environnement, par exemple pour l'exploration ou la répartition spatiale. La portée reste limitée, car la classification se fait parmi des arènes fermées choisies à l'avance, ce qui n'équivaut pas à cartographier un site inconnu. Aucune application industrielle n'est annoncée, et le passage à des essaims de grande taille ou à des environnements ouverts reste à démontrer. Le titre fait écho à la célèbre question du mathématicien Mark Kac, « peut-on entendre la forme d'un tambour ? », qui relie le spectre d'un opérateur à la géométrie d'un domaine. Les Kilobots, petits robots vibrants à bas coût popularisés par Harvard, sont la référence des études d'essaim à grande échelle. Les Pogobots sont une plateforme plus récente, utilisée ici pour confirmer que la méthode ne dépend pas d'un seul matériel. Les prochaines étapes évoquées sont des contextes où l'efficacité du comportement collectif dépend fortement de la structure globale de l'essaim, mais aucun calendrier ni pilote n'est mentionné. Il s'agit donc d'un résultat de recherche fondamentale, à suivre côté algorithmique plutôt que commercial.

RecherchePaper
1 source
Robot Talk, épisode 166 : l'évolution des corps et des cerveaux de robots, avec Rika Antonova
3Robohub 

Robot Talk, épisode 166 : l'évolution des corps et des cerveaux de robots, avec Rika Antonova

L'épisode 166 du podcast Robot Talk met en scène un entretien entre la présentatrice Claire et Rika Antonova, professeure associée (Associate Professor) à l'Université de Cambridge. Il porte sur l'usage de l'intelligence artificielle pour concevoir de façon complémentaire le matériel et les algorithmes des robots, c'est-à-dire faire évoluer ensemble leur corps et leur « cerveau ». Les travaux d'Antonova couvrent la co-conception, la découverte automatisée d'algorithmes, l'apprentissage par renforcement économe en données, l'exploration, l'apprentissage actif et la robotique. Elle a fait un master de recherche au Robotics Institute de Carnegie Mellon, un doctorat au KTH Royal Institute of Technology, puis une bourse Computing Innovation Fellowship à Stanford. Elle avait auparavant été ingénieure logicielle senior chez Google. Il s'agit d'une conversation de recherche : la présentation ne mentionne ni robot précis, ni benchmark, ni chiffre de performance, ni calendrier de déploiement. Le sujet touche un point sensible de la robotique actuelle. La plupart des projets figent d'abord la mécanique, puis entraînent un logiciel qui s'en accommode. La co-conception propose d'optimiser les deux ensemble, ce qui pourrait réduire le coût d'adaptation d'un robot à une tâche. L'apprentissage par renforcement économe en données répond à un autre verrou, le coût des essais sur matériel réel, central pour le passage de la simulation au monde physique. Ces enjeux concernent les intégrateurs et les industriels qui se demandent si l'écart entre démonstration et exploitation se réduira par de meilleurs modèles seuls ou aussi par un meilleur matériel. Le parcours d'Antonova, entre laboratoires académiques américains et européens et expérience industrielle chez Google, illustre la proximité entre recherche fondamentale et ingénierie à grande échelle. Aucune entreprise ni aucun concurrent n'est cité dans la description, et la co-conception reste surtout un sujet de recherche plutôt qu'une pratique industrielle établie. Aucune suite n'est annoncée au-delà de l'épisode lui-même.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Robot Talk Épisode 161 : les systèmes haptiques collaboratifs, avec Allison Okamura
4Robohub 

Robot Talk Épisode 161 : les systèmes haptiques collaboratifs, avec Allison Okamura

Allison Okamura, professeure Richard W. Weiland Engineering à l'Université Stanford et directrice adjointe du Wu Tsai Stanford Neurosciences Institute, était l'invitée du 161e épisode du podcast Robot Talk, animé par Claire. L'échange portait sur les systèmes robotiques haptiques collaboratifs, un domaine qui vise à doter les robots et les interfaces de téléopération d'un retour de force et de toucher fidèle. Okamura dirige au Stanford Robotics Center des travaux couvrant la téléopération chirurgicale, la réalité virtuelle avec retour tactile, la robotique molle et la rééducation physique. L'haptique reste l'un des verrous les plus sous-estimés de la robotique industrielle et médicale : sans retour de force calibré, un bras chirurgical téléopéré ou un robot collaboratif ne peut pas distinguer une manipulation délicate d'un geste destructeur. Les recherches d'Okamura adressent directement ce déficit en couplant modèles neuromécaniques issus du Wu Tsai Institute et actionneurs souples, ouvrant la voie à des systèmes qui transmettent texture, rigidité et glissement en temps réel. Pour les intégrateurs B2B, les avancées dans ce domaine conditionnent l'adoption des robots dans la chirurgie mini-invasive, l'assemblage de précision et la rééducation. Stanford occupe une position centrale dans la recherche haptique mondiale, aux côtés du MIT CSAIL, de Shadow Robot (UK) et d'entreprises comme Immersion Corporation ou HaptX pour la partie commerciale. En France, des acteurs comme Haption (Laval) développent des bras à retour d'effort pour la simulation industrielle et médicale. Le podcast Robot Talk ne fournit pas de détails sur des résultats expérimentaux spécifiques ni sur des déploiements concrets issus de cet épisode, ce qui limite l'évaluation de l'état réel des travaux présentés.

UEHaption (Laval, France) est cité comme acteur européen pertinent dans la haptique industrielle et médicale, mais l'article ne rapporte aucun résultat expérimental ni déploiement concret issu de cet épisode.

RecherchePaper
1 source