FR/EU ecosystemeRobot Magazine FR 3 novembre 2026

Universal Robots automatise le vissage en mouvement chez Thyssenkrupp

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Sur son site d'Herrlisheim (Bas-Rhin), thyssenkrupp Automotive Systems France a automatisé une opération de vissage sur des moteurs thermiques destinés à un constructeur automobile allemand, sans arrêter la ligne. L'installation a été intégrée par RobotIndus. Elle associe deux cobots UR30-1300 d'Universal Robots (30 kg de charge utile, 1 300 mm de portée) au guidage par vision 3D d'Inbolt. Les moteurs sont suspendus à un convoyeur aérien en mouvement continu et oscillent pendant leur déplacement. Une caméra montée sur le bras du cobot localise la pièce en six degrés de liberté et transmet sa position en temps réel au contrôleur, qui corrige la trajectoire pendant l'approche et le vissage. Chacune des six variantes de moteur, avec ses points de fixation propres, est programmée à partir de son modèle CAO. Le taux de vissages non conformes est annoncé inférieur à 1 %. Le poste était auparavant tenu manuellement, avec une visseuse électrique et les bras levés, ce qui sollicitait fortement les épaules des opérateurs. thyssenkrupp prévoit de passer de deux à quatre robots.

L'intérêt tient moins à la robotique collaborative qu'à la tâche traitée. Visser sur une pièce mobile et instable est un cas où la vision 2D classique atteint ses limites, faute de mesure précise de la profondeur et des variations de position. Le cas montre qu'une boucle de vision 3D à six degrés de liberté peut fermer le contrôle de trajectoire d'un cobot à couple élevé sur une ligne vivante. Pour un intégrateur ou un directeur industriel, cela ouvre l'automatisation de postes jusqu'ici réservés à l'humain parce que l'arrêt de ligne était impensable, avec en prime un argument ergonomique concret. Quelques réserves s'imposent. Le chiffre de moins de 1 % vient des acteurs du projet et ne précise ni la définition de la non-conformité ni la période de mesure. Le temps de cycle, la cadence de ligne, le coût et le retour sur investissement ne sont pas communiqués. Il s'agit d'un déploiement réel en production, et non d'une démonstration. Sa portée reste celle d'un site et d'une application.

Le dossier est très français. Inbolt, spécialiste du guidage 3D de robots, et RobotIndus, l'intégrateur, sont des acteurs hexagonaux, et l'installation tourne en Alsace. Universal Robots, filiale de Teradyne et pionnier du cobot, cherche à étendre ses modèles lourds comme l'UR30 vers des opérations industrielles exigeantes, face à des concurrents tels que FANUC, ABB ou KUKA, qui proposent eux aussi du suivi de convoyeur et de la vision intégrée. Cette réalisation relève de la robotique industrielle éprouvée plutôt que de l'IA incarnée ou des humanoïdes, un segment où les déploiements restent plus rares. La suite annoncée est le passage à quatre robots sur le même poste. Aucune date ni extension à d'autres sites du groupe n'a été indiquée dans les éléments disponibles.

Impact France/UE

Déploiement réel en Alsace impliquant l'intégrateur RobotIndus et la start-up Inbolt, qui montre la maturité de l'écosystème français de cobots et de vision 3D pour automatiser des postes sur ligne en mouvement.

Dans nos dossiers

IA physique & VLA Cobots & robots collaboratifs

À lire aussi

1Robotics & Automation News

Les robots de Sereact automatisent le traitement des retours Zalando dans des centres logistiques en Allemagne et en Pologne

Sereact, le détaillant en ligne Zalando et CEVA Logistics ont lancé le traitement automatisé des retours de mode sur deux sites logistiques : Greven en Allemagne et Świebodzin en Pologne. Les systèmes robotiques à deux bras, pilotés par Cortex, la plateforme de physical AI de Sereact, sont entrés en exploitation réelle. Ils prennent en charge de façon autonome des articles retournés par des clients. Les partenaires présentent ce déploiement comme la phase initiale d'un programme plus large. Le communiqué ne précise ni cadence, ni taux de réussite, ni nombre de cellules, ni périmètre exact des références traitées. L'enjeu est considérable. Les retours de vêtements sont un cas d'usage difficile pour la manipulation robotique : textiles déformables, emballages variables, états hétérogènes, tâches de tri et de contrôle. Un déploiement en production chez un grand e-commerçant européen, sur deux pays, suggère que les modèles de manipulation guidés par l'IA quittent le stade du pilote pour s'intégrer à des flux logistiques réels. Il faudra toutefois attendre des chiffres de débit, de disponibilité et de coût par pièce pour juger de la rentabilité face au travail manuel. À ce stade, il s'agit d'un lancement en conditions réelles, sans données de performance publiées. Sereact, start-up allemande de Stuttgart, mise sur un modèle fondation généraliste pour la manipulation, là où des concurrents comme Dexterity, Mujin ou Pickle misent sur des solutions plus spécialisées. CEVA Logistics, filiale de CMA CGM basée à Marseille, apporte une visibilité française dans ce projet et un accès à de nombreux sites. Zalando, de son côté, traite de gros volumes de retours. L'extension à d'autres sites des trois partenaires sera le vrai test de la généralisation.

UEDéploiement en production d'une start-up allemande avec Zalando et CEVA Logistics (filiale de CMA CGM, Marseille) sur deux sites européens, illustrant l'arrivée de la manipulation robotique par IA dans la logistique de l'UE.

FR/EU ecosystemeActu

1 source

2Interesting Engineering

Robots peuvent désormais apprendre des tâches d'usine à haute dextérité par la vidéo, avec un minimum d'entraînement

Mimic Robotics, société suisse de robotique physique, a dévoilé FLUX-mimic, un modèle vidéo-action de nouvelle génération développé avec Black Forest Labs, capable d'enseigner à des robots industriels des tâches de manipulation fine à partir de simples démonstrations vidéo. Le système s'appuie sur FLUX 3, le modèle de génération vidéo de Black Forest Labs, associé à un décodeur d'actions qui traduit les prédictions visuelles en mouvements robotiques exécutables. Selon Mimic Robotics, FLUX-mimic peut être affiné pour certaines tâches avec seulement 30 minutes de démonstrations robotiques, contre 30 heures ou plus pour les pipelines d'apprentissage conventionnels, un écart présenté par l'entreprise elle-même et donc à prendre avec la prudence habituelle réservée aux chiffres communiqués par le fournisseur. La technologie est actuellement déployée chez le constructeur automobile Audi, dans le cadre d'une évaluation portant sur l'automatisation de tâches à haute dextérité impliquant des matériaux flexibles et une manipulation fine. Cette annonce s'inscrit dans un débat plus large sur la viabilité des modèles vidéo-action (VAM) face aux modèles vision-langage-action (VLA) désormais dominants, à l'image de Pi-0 ou GR00T N2. Contrairement à ces derniers, pré-entraînés sur des paires image-texte statiques et devant apprendre la physique quasi exclusivement via des démonstrations robotiques coûteuses, FLUX-mimic part d'un modèle vidéo déjà entraîné à grande échelle sur la dynamique des objets et des mouvements, ce qui réduirait drastiquement le volume de données spécifiques à collecter. Si la promesse se vérifie en production, elle répond directement à l'un des principaux obstacles à la commercialisation de la robotique industrielle par apprentissage: le coût et la lenteur de la collecte de démonstrations pour chaque nouvelle tâche. Une réduction du cycle de déploiement de plusieurs mois à quelques semaines, telle qu'annoncée, changerait significativement le calcul économique pour les intégrateurs face à des tâches variables et peu standardisées, typiquement délaissées par l'automatisation classique programmée manuellement. FLUX-mimic prolonge les travaux antérieurs de Mimic Robotics sur les modèles vidéo-action, avec une architecture désormais pensée spécifiquement pour l'IA physique en environnement industriel. Le partenariat avec Audi, dont les usines affichent déjà un fort taux d'automatisation, sert de banc d'essai pour mesurer si ces systèmes d'apprentissage tiennent la route hors laboratoire, un test que beaucoup d'approches VLA ou VAM concurrentes n'ont pas encore passé à cette échelle. Les deux partenaires évoquent des perspectives d'extension à d'autres opérations de fabrication et de logistique, sans toutefois communiquer de calendrier précis ni de métriques de performance en production, ce qui place pour l'instant cette collaboration au stade du pilote d'évaluation plutôt que du déploiement industriel validé.

UEAudi teste FLUX-mimic dans ses usines allemandes pour automatiser des tâches de manipulation fine, un cas concret d'adoption industrielle en Europe qui pourrait influencer d'autres constructeurs automobiles de l'UE si le pilote se confirme.

FR/EU ecosystemeActu

1 source

3Robotics & Automation News

Pourquoi l'usinage suisse de précision est essentiel à l'avenir de la robotique et de l'automatisation

L'essor mondial de la robotique industrielle et des systèmes de fabrication intelligente génère une demande croissante pour des composants mécaniques usinés avec une précision extrême. Les robots collaboratifs, les systèmes d'assemblage automatisé et les équipements de production pilotés par capteurs reposent sur des pièces dont les tolérances s'expriment en microns. L'usinage de décolletage suisse (Swiss machining), technique CNC spécialisée dans la production de pièces cylindriques de petits diamètres à très haute précision, s'impose comme un maillon critique de cette chaîne d'approvisionnement, notamment pour les axes, arbres, vis-mères et composants de transmission intégrés dans les actionneurs et joints des bras robotiques. L'enjeu est structurel : un robot industriel ou collaboratif ne peut maintenir ses performances en production continue que si chaque composant respecte des tolérances serrées sur la durée. Une pièce légèrement hors cote dans un réducteur harmonique ou un rail de guidage peut induire des dérives cumulatives qui compromettent la répétabilité, paramètre central pour tout déploiement en ligne d'assemblage. Cela positionne les sous-traitants en décolletage suisse comme des fournisseurs de premier rang pour les intégrateurs robotiques, au même titre que les fournisseurs de motoréducteurs ou d'électronique embarquée. À noter : l'article reste de niveau "livre blanc promotionnel" et ne cite aucune métrique concrète ni aucun client. Le décolletage suisse est une industrie centenaire dominée par des acteurs européens, notamment en Suisse (canton de Neuchâtel) et dans le Jura français (Arc jurassien), ainsi qu'au Japon et en Allemagne. Face à la montée en charge des commandes robotiques, portée par Figure AI, Boston Dynamics, 1X Technologies ou encore le français Enchanted Tools, ces sous-traitants de précision se retrouvent en position stratégique, à condition d'investir dans l'automatisation de leur propre production pour tenir les volumes demandés par une industrie qui s'industrialise rapidement.

UELes sous-traitants en décolletage de l'Arc jurassien français sont directement positionnés comme fournisseurs stratégiques pour la vague de commandes robotiques mondiale, mais devront investir dans leur propre automatisation pour tenir les volumes.

FR/EU ecosystemeActu

1 source

4Hackaday Robots Hacks

Le robot de bureau Reachy Mini intègre une IA conversationnelle entièrement locale

Hugging Face a publié un guide d'implémentation pour doter son robot de bureau Reachy Mini d'une intelligence artificielle conversationnelle entièrement locale, avec mouvements de tête et oscillations d'antenne synchronisés avec la parole. La pile logicielle suit une architecture en quatre étapes : VAD (détection d'activité vocale), STT (reconnaissance vocale), LLM (grand modèle de langage) et TTS (synthèse vocale), chaque brique pouvant être exécutée localement ou déléguée à un service distant selon la puissance disponible. Dans la configuration de référence, le LLM retenu est Qwen3-4B-Instruct, complété par des modèles plus légers pour la détection vocale et la synthèse. Le robot, dépourvu de membres mais équipé d'une tête mobile et d'antennes expressives, vise une latence basse et prend en charge les interruptions en cours de phrase, deux propriétés qui rendent l'interaction perçue comme naturelle. La modularité de cette architecture est le point différenciant : chaque composant peut être remplacé indépendamment, ce qui permet d'adapter Reachy Mini à n'importe quelle configuration matérielle, ou d'exploiter un modèle frontier via API distante pour le seul LLM tout en conservant le reste en local. Pour les chercheurs et les développeurs travaillant sur l'interaction homme-robot, cela réduit considérablement la friction d'expérimentation sans infrastructure lourde. Le fait qu'un modèle de 4 milliards de paramètres suffise à produire des échanges fluides est un signal concret : les capacités conversationnelles embarquées deviennent accessibles sans GPU de classe datacenter, ce qui compte pour des déploiements décentralisés ou en milieu contraint. Lancé sous forme de kit en 2025, Reachy Mini est l'un des premiers produits matériels commercialisés directement par Hugging Face, société jusqu'ici centrée sur les modèles et les jeux de données. Depuis ce lancement, la société a construit un écosystème logiciel comprenant un simulateur et une infrastructure de partage d'applications entre utilisateurs. Sur le segment des robots de bureau orientés interaction, Reachy Mini se positionne face à des projets comme Furhat, axé sur le dialogue structuré, ou aux plateformes open-source concurrentes. La prochaine évolution logique serait l'intégration de capacités de vision pour passer d'une interaction purement vocale à un dialogue multimodal contextualisé, une direction déjà explorée par Hugging Face au travers de son projet LeRobot.

UEHugging Face, dont les fondateurs sont français et qui reste une vitrine de l'IA open source européenne, met à disposition des laboratoires et développeurs FR/EU une architecture conversationnelle embarquée modulaire et documentée pour robots de bureau, réduisant la dépendance au cloud dans les projets d'interaction homme-robot.

FR/EU ecosystemeTuto

1 source