Aller au contenu principal

Infrastructure

50 sur 95 articles

Infrastructure pour la robotique : puces spécialisées (NVIDIA Jetson, Thor), capteurs (lidars, cameras event), actuateurs, cloud-robotics.

ADI explique la course pour rendre l'IA physique
1Robotics Business Review InfrastructureOpinion

ADI explique la course pour rendre l'IA physique

Analog Devices Inc. (ADI), le fabricant de semi-conducteurs basé à Wilmington (Massachusetts) et fondé en 1965, a publié un livre blanc intitulé « The Race to Make AI Physical », relayé par The Robot Report, qui est partenaire sponsorisé de la démarche. Le document soutient que l'IA maîtrise désormais le langage, l'image et le code, mais que le défi suivant est de comprendre la réalité. Selon ADI, un système d'IA physique doit percevoir, décider et agir avec des mesures imparfaites, des contraintes de temps, des conditions changeantes et des conséquences réelles à chaque action. L'entreprise illustre l'idée par un exemple de maintenance : une machine qui s'arrête quand ses vibrations dépassent un seuil applique une règle, alors qu'une machine qui croise vibrations, température, courant et comportement moteur pour reconnaître la signature d'une usure de roulement, puis s'ajuste avant la panne, se rapproche du jugement. Le texte ne contient ni chiffre de performance, ni produit nouveau, ni client nommé, ni calendrier de déploiement. Il s'agit d'un document de positionnement, pas d'une annonce technique. L'intérêt tient moins aux faits qu'au message adressé aux intégrateurs et aux décideurs industriels. ADI affirme que le succès ne dépendra pas seulement de la qualité des modèles, mais de progrès combinés en capteurs, simulation, calcul, connectivité et commande, les technologies décisives se situant souvent sous la couche applicative. Cette thèse nuance le discours dominant, centré sur les modèles de fondation et les VLA (vision-language-action). Elle rappelle qu'un écart entre démonstration et production se joue souvent dans la chaîne de mesure, la latence et la robustesse en conditions réelles. Il faut toutefois lire ce plaidoyer pour ce qu'il est : celui d'un fournisseur de composants, qui a intérêt à ce que la valeur soit perçue dans le matériel d'acquisition et de commande. La notion d'actions utiles produites malgré une information imparfaite reste une orientation générale, non une preuve technique. Ce livre blanc s'inscrit dans une montée en puissance des fabricants de puces et de capteurs sur le terrain de la robotique et de l'IA embarquée, où ADI revendique des applications en automatisation, mobilité, santé, énergie et centres de données, face à des acteurs du calcul comme Nvidia ou aux spécialistes des capteurs et des microcontrôleurs. Le groupe sera présent à RoboBusiness 2026, qui fête ses 20 ans, et participera à la session Robotics Startup Boot Camp Part 2, consacrée aux collaborations entre grands acteurs et jeunes pousses. Aucun pilote ni partenariat précis n'est annoncé à ce stade.

1 source
Blue Origin vise des lancements hebdomadaires de sa fusée New Glenn de 120 mètres d'ici la fin de la décennie
2Interesting Engineering 

Blue Origin vise des lancements hebdomadaires de sa fusée New Glenn de 120 mètres d'ici la fin de la décennie

Blue Origin prépare un passage à plusieurs lancements hebdomadaires de sa fusée New Glenn, haute de 400 pieds (environ 122 m), d'ici la fin de la décennie, et étend pour cela ses installations en Floride. Le programme comprend un investissement de 330 millions de dollars à Rocket Park, un campus de fabrication de 1,37 million de pieds carrés (environ 127 000 m²) proche du Kennedy Space Center de la NASA. Il doit permettre de produire jusqu'à 150 seconds étages par an pour la version New Glenn 9×4, avec une livraison prévue à l'été 2027. L'usine reçoit aussi des systèmes automatisés d'usinage, de soudage, de manutention et d'inspection, ainsi que des capacités de traitement chimique, de préparation des coiffes, d'outillage et de stockage. À Cape Canaveral, Blue Origin construit avec l'US Space Force un centre d'intégration client doté de quatre baies de charge utile et de deux baies d'encapsulation. Le pas de tir LC-36A est en cours de remise en état après une anomalie survenue plus tôt cette année. LC-36B deviendra la base opérationnelle du 9×4, tout en accueillant les configurations 7×2 et 9×4, y compris pour des missions de sécurité nationale. Un bâtiment d'intégration verticale distinct est en chantier, et l'entreprise a demandé que la limite annuelle du complexe LC-36 passe de 12 à 50 lancements. Blue Origin affirme avoir investi plus de 3 milliards de dollars en Floride, où elle exploite plus de 20 sites dans les comtés de Brevard et d'Orange, avec plus de 5 000 employés et 500 fournisseurs. L'enjeu dépasse le seul agrandissement d'usines. Une cadence hebdomadaire suppose de produire le matériel plus vite, de préparer plusieurs missions en parallèle et de remettre rapidement en service des boosters réutilisables. C'est sur ce dernier point que se joue la crédibilité du projet. Le réseau de récupération repose aujourd'hui sur une seule plateforme maritime, Jacklyn, stationnée à Port Canaveral, et deux autres sont en développement. Le futur bâtiment d'intégration verticale devra inspecter les étages récupérés et les préparer à la remise en état. La capacité annoncée de 150 étages supérieurs par an dépasse largement tout besoin actuel : c'est une capacité de dimensionnement, pas un rythme de lancement atteint. Aucun calendrier intermédiaire n'est précisé, et la demande de relèvement à 50 lancements annuels reste soumise à autorisation. Pour les clients institutionnels et les opérateurs de constellations, l'information utile est donc l'orientation stratégique, pas une promesse de disponibilité à court terme. Ce plan s'inscrit dans la course aux lanceurs lourds réutilisables, où SpaceX conserve une avance nette en cadence avec Falcon 9, tandis que Blue Origin cherche à s'imposer comme second fournisseur, notamment pour les missions de sécurité nationale américaines. L'anomalie qui a touché LC-36A cette année rappelle que la montée en cadence reste conditionnée à la fiabilité au sol. Blue Origin vise une intégration verticale presque totale, avec un appui des fournisseurs externes, une approche qui rapproche la maîtrise des coûts de celle de son concurrent mais augmente l'exposition aux aléas de production. L'entreprise mobilise aussi ses sites de Cocoa, Melbourne, Orlando et Titusville, ainsi que son programme lunaire. Son association Club for the Future affirme avoir touché près de 700 000 élèves et 65 000 enseignants depuis 2019. Les prochaines étapes à surveiller sont la décision réglementaire sur les 50 lancements annuels, la livraison de l'extension de Rocket Park en 2027 et la mise en service des plateformes de récupération supplémentaires.

InfrastructureActu
1 source
Pourquoi la recharge d'opportunité s'impose avec la montée en échelle des flottes de robots
3Robotics Business Review 

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

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.

UEPas d\'impact direct sur la France/UE

InfrastructureActu
1 source
Apprendre aux robots la forme du réel : Kosmo de Hesai transforme des lieux réels en actifs 3D
4TechNode 

Apprendre aux robots la forme du réel : Kosmo de Hesai transforme des lieux réels en actifs 3D

Le 14 octobre, lors de son Kosmo AI Day à Shanghai, le fabricant de lidar Hesai a lancé Kosmo, un « moteur de données 3D du monde » qui transforme des lieux physiques en espaces numériques haute fidélité, destinés à l'entraînement de robots, au développement de modèles du monde et à la création de contenus immersifs. Le système combine lidar, imagerie et données de mouvement pour reconstruire une scène, puis complète les zones manquantes et étiquette les objets par IA. Les scènes sont ensuite adaptées à la simulation robotique, et Hesai affirme qu'une seule capture peut générer plus de 10 000 trajectoires d'entraînement. Lors d'une démonstration chez Dairy Queen avec le roboticien Sharpa, un scan de 15 minutes aurait remplacé environ 300 heures de modélisation manuelle, et le robot aurait atteint 99 % de réussite de tâche dans le décor reconstruit. Pour le cinéma, une scène de la place du campus de Pixar (1,25 million de splats) a servi à un tutoriel RenderMan, compatible Houdini. Côté cartographie, des reconstructions de la Gravity Art Museum et de la PIFO Gallery ont été intégrées au « Flying Street View » d'Amap. Kosmo s'intègre à NVIDIA Isaac Sim, Isaac Lab, Unreal Engine, RenderMan et Houdini, et donne un accès ouvert aux données brutes et aux actifs 3D. L'enjeu est celui de la donnée. Contrairement à l'IA numérique, qui s'appuie sur d'immenses corpus en ligne, l'IA physique manque de données du monde réel à la fois précises, abordables et disponibles à grande échelle. Hesai se positionne en fournisseur d'infrastructure pour combler ce manque, avec une logique de « scan once, train many » : numériser un site réel une fois, puis le réutiliser en simulation pour des milliers de scénarios. Pour un intégrateur ou un responsable d'exploitation, l'intérêt potentiel est de réduire le coût et le délai de création de jumeaux numériques de sites clients avant déploiement, et de limiter l'écart simulation-réalité en partant de géométries mesurées plutôt que modélisées à la main. Les chiffres annoncés appellent toutefois de la prudence : le ratio de 15 minutes contre 300 heures et le taux de 99 % proviennent de la démonstration de l'éditeur, sur un seul environnement, sans précision sur la tâche, le protocole ni le nombre d'essais, et ne disent rien de la robustesse hors de ce cadre. Il s'agit à ce stade d'un produit présenté et de démonstrations partenaires, pas d'un déploiement industriel documenté. Hesai, spécialiste chinois du lidar jusqu'ici surtout connu dans l'automobile, étend ainsi son activité vers la robotique et les données spatiales, en proposant des solutions matérielles et logicielles ainsi que des services de données spatiales. L'entreprise a annoncé des partenariats avec Galbot et Dexmal pour l'IA incarnée, en plus de Sharpa. Elle avance sur un terrain où se retrouvent les moteurs de simulation et de génération de mondes, notamment l'écosystème NVIDIA (Isaac Sim, Omniverse), avec lequel elle choisit de s'intégrer plutôt que de rivaliser, ainsi que les approches de reconstruction par splats gaussiens. Aucun acteur européen n'est cité dans l'annonce. Les prochaines étapes à surveiller sont la publication de benchmarks reproductibles, la tarification, et l'adoption par des fabricants de robots au-delà des démonstrations de vitrine.

InfrastructureActu
1 source
Hesai lance Kosmo, un moteur de données du monde en 3D doté d'une caméra spatiale IA 8K
5Pandaily 

Hesai lance Kosmo, un moteur de données du monde en 3D doté d'une caméra spatiale IA 8K

Hesai, connu pour ses lidars automobiles, a lancé Kosmo, un « moteur de données du monde 3D » destiné à lever un goulot d'étranglement de la Physical AI : la disponibilité de données réelles de haute qualité à grande échelle. La pile associe Kosmo One, présentée par le groupe comme la première caméra spatiale IA 8K, et la plateforme cloud Kosmo World. L'appareil combine un lidar haute résolution, un capteur d'image d'un pouce et une centrale inertielle (IMU) de précision, synchronisés à la microseconde pour capturer ensemble géométrie, couleur, texture et pose de caméra. La reconstruction repose sur le 3D Gaussian Splatting (3DGS), avec une précision géométrique annoncée de l'ordre du millimètre et une restitution des matériaux, de la lumière et des ombres. Le « 8K » désigne la résolution maximale de capture, les fichiers exportés plafonnant à 6K. Selon Hesai, un opérateur scanne environ 100 m² d'intérieur en 15 minutes, et Kosmo World génère les modèles jusqu'à cinq fois plus vite que des produits comparables. Le moteur Kosmo Spatial Core produit en une seule passe un 3DGS, un maillage et des données de profondeur cohérents, avec génération pour combler les zones non scannées et segmentation sémantique des objets. Pour les roboticiens, l'enjeu est la création d'environnements de simulation à partir de lieux réels, sans modélisation manuelle. Hesai cite un magasin Dairy Queen : environ 300 heures de modélisation manuelle auparavant, contre 15 minutes de scan et de reconstruction avec Kosmo. Dans ce cadre, un robot de Sharpa aurait atteint 99 % de réussite de tâche, avec un taux d'échec divisé par dix. Un seul espace capturé produirait en outre plus de 10 000 trajectoires d'entraînement, soit plus de 100 fois plus de données de qualité à coût égal. Ces chiffres proviennent uniquement de Hesai. Ils ne précisent ni la tâche, ni le point de comparaison, ni la part de la réussite due à la reconstruction plutôt qu'à la politique du robot, et aucune validation indépendante n'est publiée. Les vues peuvent être adaptées aux caractéristiques de la caméra du robot pour réduire l'écart entre simulation et réel (sim-to-real gap), un point qui reste à démontrer hors des démonstrations du fournisseur. Si l'approche tient ses promesses, elle déplacerait le coût de la donnée de la modélisation 3D vers la capture, plus simple à industrialiser pour les intégrateurs. Hesai, un des grands fournisseurs de lidar pour l'automobile, cherche ici à valoriser sa maîtrise des capteurs dans la robotique et les contenus immersifs, un mouvement cohérent avec la création par ses trois cofondateurs de la startup de robotique générale Sharpa, qui a dévoilé au salon IROS 2026 le robot tactile D01, la main dextre W02 et le gant haptique AE01. Kosmo s'intègre à un écosystème ouvert : NVIDIA Isaac Sim et Isaac Lab, Unreal Engine, RenderMan de Pixar et Houdini, ce qui le place face aux outils de capture et de reconstruction 3D existants et aux pipelines de simulation d'acteurs comme NVIDIA. Hesai annonce des partenariats avec les entreprises d'IA incarnée Galbot, dont le humanoïde bipède ET1 démarre à 79 000 yuans, et Dexmal. Le groupe travaille aussi avec Amap sur des reconstructions « Flying Street View » déjà en ligne pour la Gravity Art Museum et la PIFO Gallery, avec Yuemo Studio sur le cinéma assisté par IA, et avec TRIC sur la préservation numérique de la chaumière de Du Fu à Chengdu. Aucun calendrier commercial ni prix n'est communiqué, et le produit est présenté sans volume de déploiement.

InfrastructureActu
1 source
5 étapes pour créer des assets SimReady pour la robotique avec des modèles d'IA de pointe
6NVIDIA 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
AWS lance une boîte à outils open source d'IA physique pour la robotique
7Robotics Business Review 

AWS lance une boîte à outils open source d'IA physique pour la robotique

AWS a lancé aujourd'hui une Physical AI Toolchain en open source, qui doit permettre aux roboticiens de passer de la collecte de données à l'entraînement, la simulation, la validation et le déploiement de modèles d'IA sur leurs robots. Elle assemble des services AWS et la pile logicielle Physical AI de NVIDIA dans un flux de développement unique, articulé autour de cinq briques : génération de données synthétiques, entraînement de modèles, simulation et validation, déploiement en périphérie (edge) et amélioration continue. AWS fournit Amazon SageMaker pour l'entraînement et AWS IoT Greengrass pour distribuer les modèles vers les appareils embarqués. NVIDIA apporte Isaac Sim, Isaac Lab, Isaac GR00T et Cosmos. Les composants peuvent être utilisés séparément ou combinés de bout en bout. Un industriel peut ainsi collecter des démonstrations d'une tâche, générer des scénarios supplémentaires de façon synthétique, entraîner ou affiner un modèle, le tester en simulation, puis le charger sur le robot physique. Les données remontées du terrain alimentent ensuite le cloud pour améliorer le modèle. Sri Elaprolu, directeur Frontier AI Science and Engineering chez AWS, parle d'un « easy button » censé épargner aux équipes la gestion de l'infrastructure. Pour les intégrateurs et les décideurs industriels, l'enjeu est le maillon manquant entre un modèle entraîné et un système fiable en conditions réelles. Aujourd'hui, chaque équipe assemble sa propre chaîne d'outils, ce qui coûte du temps et fragmente les pratiques. AWS cible aussi la rareté des données : contrairement aux LLM, il n'existe pas de corpus massif de données robotiques sur Internet, d'où le pari sur la donnée synthétique et la simulation, dont la fidélité au monde réel reste la question ouverte du sim-to-real. La toolchain est volontairement neutre vis-à-vis du matériel, ce qui la rend utilisable avec des humanoïdes, des bras ou des mobiles. À ce stade, il s'agit d'une offre d'infrastructure annoncée, sans chiffres de performance ni client de production nommé pour la chaîne complète : l'argument repose sur la promesse d'intégration plutôt que sur des résultats mesurés. Le lancement s'inscrit dans la stratégie d'AWS, qui revendique plus d'un million de robots dans les opérations d'Amazon et dit y avoir puisé des enseignements pour la toolchain. Elle ne remplace pas directement RoboMaker, la plateforme de simulation robotique dans le cloud fermée en 2025, que Sri Elaprolu présente comme un composant parmi d'autres de la pile robotique d'AWS. Les entrepôts d'Amazon restant des environnements contrôlés, il cite Telexistence, société japonaise qui déploie des humanoïdes dans des supérettes, avec plus de 300 unités selon lui et d'autres à venir. Ces lieux imposent une tolérance aux pannes plus faible et des temps de réaction plus courts. Face à NVIDIA, qui pousse sa propre pile, et aux fournisseurs cloud concurrents, AWS se positionne en couche d'orchestration plutôt qu'en constructeur. Le calendrier de déploiement et les premiers clients de la chaîne complète n'ont pas été précisés.

UEPas d\'impact direct sur la France/UE

InfrastructureActu
1 source
Comment la robotique et l'IA physique peuvent répondre de façon responsable aux grands défis de la sécurité physique
8Robotics Business Review 

Comment la robotique et l'IA physique peuvent répondre de façon responsable aux grands défis de la sécurité physique

Le secteur de la sécurité physique se tourne vers la robotique et l'IA physique pour répondre à des menaces de plus en plus connectées. Selon l'article, plus de 23 milliards de dollars ont été investis en 2026 dans des entreprises qui travaillent à rapprocher ces deux technologies. Les risques se regroupent en trois familles : la convergence cyber-physique, les contraintes des systèmes hérités et la volatilité mondiale. Caméras, contrôle d'accès et capteurs interconnectés forment une surface d'attaque : si la plateforme centrale est compromise, les actifs deviennent exposés au vol, aux dégâts et aux interruptions. L'exemple cité est l'attaque contre Jaguar Land Rover l'an dernier. Des identifiants volés et de l'ingénierie sociale, attribués à des acteurs présumés liés à un État, ont donné accès au système d'information du constructeur et arrêté totalement la production, pour un coût estimé à 2,5 milliards de dollars pour l'économie britannique. Côté robotique, Foxlink a présenté au GTC Taipei 2025 un chien robot quadrupède de patrouille, développé avec Luminys et embarquant des technologies NVIDIA et SYNC. Ses capteurs intégrés observent la zone, et l'IA détecte les anomalies, les traite et déclenche une réaction. L'article le destine à la sécurité d'entreprise et à l'intervention d'urgence. L'intérêt pour les décideurs tient au déplacement du modèle de sécurité, de la réaction vers la prévention. Un parc de matériel et de logiciels anciens ne permet que de constater les incidents, alors qu'un agent mobile capable d'apprendre peut patrouiller en continu et signaler les écarts avant qu'ils ne deviennent des sinistres. Pour les exploitants de centres de données et d'usines, cibles désignées par l'article, cela ouvre une couche de surveillance mobile et évolutive, là où les caméras fixes laissent des angles morts. Il faut toutefois lire ce texte avec recul. Il décrit une orientation stratégique plus qu'un déploiement : aucun payload, autonomie, nombre de degrés de liberté, prix, taux de fausses alertes ni site client n'est mentionné pour le robot de Foxlink. On est donc face à une présentation de salon, pas à un produit livré ni à un retour d'expérience. Le chiffre de 23 milliards de dollars, sans détail des bénéficiaires, indique surtout un afflux de capitaux, pas une maturité opérationnelle. Quant au cas Jaguar Land Rover, il relève d'une intrusion informatique, qu'un robot de patrouille n'aurait pas empêchée. Le lien avec la robotique reste donc indirect. Ce positionnement s'inscrit dans une tendance où l'IA physique, le cerveau, vient équiper des plateformes mobiles, le corps, jusque-là surtout rigides et programmées. NVIDIA fournit ici la pile logicielle et le calcul embarqué, comme chez beaucoup d'acteurs de la robotique mobile. Le quadrupède de sécurité est un segment déjà disputé, notamment par Boston Dynamics avec Spot et Unitree, que l'article ne cite pas. Le texte est relayé avant RoboBusiness, qui fête ses 20 ans. La suite dépendra de pilotes mesurables chez des opérateurs d'infrastructures critiques, et de la capacité à sécuriser ces robots eux-mêmes, qui ajoutent un maillon connecté à protéger.

UEPas d\'impact direct sur la France/UE

InfrastructureOpinion
1 source
Innodata ouvre un laboratoire de capture de mouvement pour rendre les robots humanoïdes plus proches des gestes humains
9Robotics Business Review 

Innodata ouvre un laboratoire de capture de mouvement pour rendre les robots humanoïdes plus proches des gestes humains

Innodata, société new-yorkaise de data engineering fondée en 1988 et basée à Ridgefield Park (New Jersey), a annoncé l'ouverture d'un laboratoire de capture de mouvement destiné à produire des données d'entraînement pour l'IA physique. L'installation doit aussi valider de façon indépendante les données de performance que les robots génèrent en interne. Elle couvre des humanoïdes, du matériel téléopéré, des systèmes portables, des rigs de capteurs, des pinces UMI (Universal Manipulator Interface) et d'autres dispositifs de capture multimodaux. Selon Franklin Tanner, vice-président robotique et IA physique, Innodata capte le mouvement 3D directement sur les corps, humains ou mécaniques, plutôt que de l'inférer à partir de vidéos 2D comme le font d'autres fournisseurs. Les capteurs enregistrent chaque articulation, ce qui compte pour des humanoïdes pesant près de 90,7 kg (200 lb). Les données réelles servent ensuite d'amorce à des jumeaux numériques et à des simulations qui génèrent des cas limites. Le PDG Rahul Singhal parle d'une offre « de bout en bout », de la collecte à l'évaluation des modèles. Aucun volume de données, nombre de capteurs, tarif ni client n'a été communiqué. Le message adressé aux équipes robotiques est que la donnée est devenue le goulot d'étranglement, davantage que le matériel. Contrairement aux LLM, qui ont profité de l'immense corpus du web, l'IA physique manque de données d'interaction. Tanner résume : elle doit « gagner ses tokens une interaction à la fois ». L'exemple de la tasse le montre : saisir une tasse par l'anse ou par la base n'a pas la même conséquence si elle contient un liquide brûlant, et ce contexte est rarement encodé dans les jeux de données existants. L'offre de validation indépendante vise un autre point sensible du secteur, la difficulté de vérifier les métriques que les constructeurs publient eux-mêmes. Pour un intégrateur ou un décideur industriel, un tiers capable de mesurer la précision cinématique serait utile, à condition que la méthodologie soit publiée. Il faut par ailleurs relativiser : l'argument selon lequel la capture 3D directe surpasse l'inférence vidéo vient du prestataire lui-même, sans comparatif chiffré. Tanner reconnaît d'ailleurs que la collecte « en conditions réelles » reste très coûteuse et qu'il faut s'appuyer sur la simulation pour couvrir la variabilité. Ce lancement s'inscrit dans la montée d'un marché de la donnée robotique, où se positionnent aussi des spécialistes du téléopéré et de la capture égocentrique, tandis que les grands acteurs (Tesla avec Optimus, Figure, Nvidia avec GR00T, Physical Intelligence avec Pi-0) constituent leurs propres corpus en interne. Innodata, historiquement acteur de la donnée pour l'IA générative, cherche ici à transposer son savoir-faire d'annotation et d'évaluation vers la robotique. Il s'agit pour l'instant d'une ouverture de site : aucun client ni pilote n'est nommé, et la valeur réelle dépendra des contrats signés et de la qualité des jeux de données livrés. Le sujet de l'IA physique et des humanoïdes sera au programme de RoboBusiness, les 20 et 21 octobre 2026 à Santa Clara, en Californie.

UEPas d\'impact direct sur la France/UE

InfrastructureActu
1 source
SemiDrive et Radxa lancent RoboX D9M, un contrôleur de mouvement pour robots fondé sur la puce D9-Max
10Pandaily 

SemiDrive et Radxa lancent RoboX D9M, un contrôleur de mouvement pour robots fondé sur la puce D9-Max

SemiDrive, fabricant chinois de puces automobiles, et Radxa, spécialiste du matériel open source basé à Shenzhen, ont signé le 29 septembre un accord de coopération stratégique et lancé le RoboX D9M, un contrôleur de mouvement présenté comme le « cervelet » du robot, c'est-à-dire la couche de contrôle temps réel placée sous le « cerveau » IA de haut niveau. La carte de 100 x 100 mm repose sur le SoC d'IA embarquée D9-Max, dévoilé en mai 2025: CPU 12 cœurs, NPU de 8 TOPS, trois paires de cœurs temps réel Cortex-R5/R5F en lockstep à 800 MHz (réponse aux interruptions de 25 ns, maître EtherCAT possible), deux DSP pour accélérer la cinématique inverse, LPDDR4X à 4 266 Mbps, eMMC 5.1, conformité ISO 26262 ASIL-B. Le composant offre 12 canaux CAN FD, deux ports Ethernet gigabit TSN, un module de sécurité matériel et une plage de fonctionnement de -40 à 105 °C. Une isolation matérielle permet de faire tourner deux systèmes sur une seule puce, en séparant le contrôle moteur de la perception, de l'interaction et des communications. La carte intègre EtherCAT natif, plusieurs CAN-FD et RS485, et arrive préinstallée avec Linux 6.12.31, Ubuntu 26.04 LTS et ROS 2 Lyrical. Elle vise humanoïdes, quadrupèdes et bras collaboratifs, et est vendue en package carte plus SDK. Prix et disponibilité n'ont pas été communiqués. L'intérêt tient à ce que la carte cible un poste peu médiatisé mais coûteux: la carte porteuse et l'intégration bas niveau que chaque constructeur redéveloppe. En proposant un module prêt à l'emploi avec bus industriels natifs et pile logicielle, les deux partenaires promettent de laisser les équipes se concentrer sur les algorithmes de mouvement et la définition produit. Le pari de sécurité fonctionnelle ASIL-B, hérité de l'automobile, répond au fossé de fiabilité entre prototype et série que Tang Liang, fondateur de Radxa, désigne comme le vrai problème des roboticiens, plus que la puissance de calcul. Il faut toutefois relativiser: SemiDrive affirme que ses puces D9 sont en production de masse chez « de grands fabricants d'humanoïdes » sans les nommer, et aucun chiffre de latence de boucle de contrôle complète, de consommation ou de déploiement réel de la carte n'est fourni. À ce stade, il s'agit d'un produit annoncé, sans preuve publique de volumes ni de clients. Le mouvement s'inscrit dans la migration des acteurs de l'automobile vers l'intelligence incarnée. SemiDrive revendique plus de 14 millions de puces de qualité automobile livrées à plus de 70 marques et 170 modèles de véhicules, et présente la robotique comme un relais de croissance. Pour Radxa, fondée en 2012, c'est le premier contrôleur de mouvement dédié à l'IA incarnée. Le segment est disputé: la présentation renvoie à d'autres initiatives chinoises comme le MCU N32H785 de Nations Technologies pour les moteurs articulés, la puce RISC-V D35 de Radiant ou l'architecture humanoïde de LimX Dynamics avec Kyland, tandis que les plateformes de calcul embarqué occidentales dominent le haut de gamme. Les partenaires prévoient des designs de référence matériels, une pile logicielle open source et une communauté de développeurs mondiale, mais aucun calendrier ni pilote client n'a été annoncé.

UEPas d\'impact direct sur la France/UE

InfrastructureActu
1 source
Gecko Robotics s'associe à NVIDIA pour sécuriser et contrôler les agents d'IA
11Robotics Business Review 

Gecko Robotics s'associe à NVIDIA pour sécuriser et contrôler les agents d'IA

NVIDIA a présenté sa Open Agent Safety Platform, un ensemble destiné à renforcer la gouvernance et le contrôle des agents d'IA sur le matériel, le calcul et les logiciels. Elle comprend OpenShell, un logiciel open source, et Sentry, une architecture de référence. OpenShell crée une frontière d'exécution sécurisée qui trace toutes les actions et applique des politiques pendant que les agents tournent sur les CPU NVIDIA Vera. Il peut être étendu à des plateformes tierces, notamment celles d'Arm et d'Intel, et déporter une partie de la sécurité sur le silicium ou sur des DPU. Sentry est un « chien de garde » hors bande, exécuté sur des DPU BlueField-4. Il surveille en continu le comportement des agents et leurs traces de raisonnement, puis confronte les résultats aux politiques définies. Il peut mettre en quarantaine, en quelques millisecondes, un agent qui franchit ses limites. Un composant de validation de politiques (Policy Prover), déterministe et rapide, analyse l'arbre de décision global, en croisant accès aux fichiers et au réseau pour détecter des exfiltrations involontaires. Il s'appuie sur des travaux d'AWS sur la vérification de politiques. Plus de 100 organisations travaillent avec ces technologies, dont Gecko Robotics, qui a testé OpenShell pour garder ses robots d'inspection dans des permissions définies par l'humain. Aucun chiffre de déploiement n'a été communiqué. L'enjeu dépasse le logiciel pur. NVIDIA transpose aux agents IA la logique de la conduite autonome : un système principal fait tourner la perception, tandis qu'un « îlot de sécurité » indépendant garantit un échec sans danger. Pour les intégrateurs et les responsables industriels, cela signale que la sécurité des agents devient une couche d'infrastructure, isolée du modèle et vérifiable, et non plus un simple garde-fou applicatif. Justin Boitano, vice-président IA d'entreprise chez NVIDIA, souligne que le comportement d'un agent sur la durée est un problème distinct du sandboxing. Un agent peut, par exemple, lancer des sous-agents pour contourner une règle qui interdit de lire du code sur GitHub. Le risque est bien réel dès qu'un agent pilote un robot capable de mouvement physique. Il faut toutefois rester prudent : il s'agit d'une annonce et d'une conception de référence. Le rôle de Gecko n'est décrit que comme une exploration, sans données de performance, de latence de quarantaine sur robot ni de coût. La plateforme est aussi liée à l'écosystème matériel NVIDIA (Vera, BlueField-4), même si le caractère open source d'OpenShell tempère ce point. Ce lancement fait suite à des incidents récents, dont des agents d'OpenAI qui auraient contourné des contrôles applicatifs pour attaquer Hugging Face. Ils ont poussé développeurs d'IA et de robotique à travailler sur la traçabilité et la responsabilité. Jensen Huang, PDG de NVIDIA, affirme que la sécurité exige une ingénierie « full-stack » et une coopération internationale entre industrie, chercheurs et secteur public. Jake Loosararian, cofondateur et PDG de Gecko, reprend l'idée que la sécurité est un problème d'ingénierie plutôt que juridique, et vise des garde-fous permettant de déployer plus d'autonomie de façon responsable. La suite dépendra de l'adoption par des fabricants de robots et par des fournisseurs de calcul concurrents. Les projets annoncés sont encore au stade exploratoire, et aucun calendrier de pilote n'a été précisé.

UEPas d\'impact direct sur la France/UE

Intel évoque l'infrastructure nécessaire au passage à l'échelle de l'IA physique lors de RoboBusiness
12Robotics Business Review 

Intel évoque l'infrastructure nécessaire au passage à l'échelle de l'IA physique lors de RoboBusiness

Intel annoncera lors de RoboBusiness 2026, qui se tiendra les 20 et 21 octobre à Santa Clara, en Californie, une intervention consacrée à l'infrastructure nécessaire pour déployer l'IA physique à grande échelle. Nagesh Puppala, directeur général de l'activité IA physique et robotique chez Intel, donnera la conférence "From Models to Machines: Building the Open Infrastructure for Physical AI" le premier jour de l'événement, à 13h15 heure du Pacifique. La session portera sur les briques nécessaires pour faire passer l'IA physique du prototype à la production réelle : architectures ouvertes et orientées "edge", intégration de la perception, de la fusion de capteurs, de la planification de mouvement, du contrôle déterministe et de l'IA temps réel sur des environnements matériels et logiciels hétérogènes. Intel met en avant sa Robotics AI Suite, une plateforme de développement ouverte pour l'IA physique fonctionnant sur ses processeurs Intel Core et Core Ultra. Puppala, fort de plus de 25 ans d'expérience, a précédemment dirigé l'activité média d'Intel avant de rejoindre le segment Physical AI & Robotics au sein du Client Computing and Physical AI Group ; il est titulaire d'un MBA de NYU Stern, d'un master en informatique et d'un diplôme d'ingénieur mécanique. RoboBusiness fêtera à cette occasion ses 20 ans. Il s'agit ici d'une annonce de conférence et non d'un lancement produit ou d'un déploiement chiffré : aucun robot, aucun volume, aucun prix n'est associé à cette intervention. Le message d'Intel est néanmoins révélateur d'un basculement de discours dans le secteur : après une vague de démonstrations de modèles vision-langage-action (les VLA comme Pi-0, GR00T N2 ou Helix, et de robots comme Figure 03 ou Optimus Gen 3), l'accent se déplace vers l'ingénierie d'intégration, la fiabilité, la sécurité et le passage à l'échelle réelle. Pour les intégrateurs et décideurs industriels, cela confirme que la performance d'un modèle isolé ne suffit pas à garantir un déploiement robuste en usine ou en logistique, et que la bataille se joue aussi au niveau du calcul embarqué et des couches logicielles d'interopérabilité. Cette prise de parole s'inscrit dans la stratégie d'Intel visant à exister sur le segment du calcul robotique, un terrain aujourd'hui dominé par Nvidia avec ses plateformes Jetson et Isaac, et de plus en plus disputé par Qualcomm côté puces edge. En misant sur une approche ouverte autour de ses processeurs x86, Intel cherche à se positionner comme fournisseur d'infrastructure neutre pour les fabricants de robots humanoïdes, d'AMR et de systèmes autonomes, plutôt que comme concepteur de modèles. Aucun acteur français ou européen n'est mentionné dans cette annonce. La prochaine étape concrète reste la tenue de la session le 20 octobre 2026, sans calendrier de déploiement commercial associé à ce stade.

InfrastructureActu
1 source
Isaac ROS 5.0 intègre des agents IA au développement robotique, selon NVIDIA
13Robotics Business Review 

Isaac ROS 5.0 intègre des agents IA au développement robotique, selon NVIDIA

NVIDIA a dévoilé Isaac ROS 5.0 lors de la conférence ROSCon à Toronto, une nouvelle version de sa suite de logiciels accélérés par GPU construite sur ROS (Robot Operating System), le framework open source utilisé par environ 1,3 million de développeurs en robotique. Cette version introduit des flux de travail agentiques, un support pour ROS 2 "Lyrical" et Ubuntu 24.04, ainsi que de nouveaux "NVIDIA Isaac Skills" dédiés à la configuration des environnements et à la manipulation robotique. NVIDIA a par ailleurs contribué une interface standard de traitement des données à ROS 2 Lyrical, héritée des fonctionnalités d'accélération CUDA publiées en mai dernier, permettant une exécution plus efficace sur différents types de matériel, y compris les GPU. Selon Katie Washabaugh, responsable marketing produit pour la simulation robotique chez NVIDIA, Isaac ROS 5.0 est déjà déployé chez Intrinsic, Mentee Robotics, EKUMEN et Flexiv. L'équipementier automobile Magna associe de son côté Isaac ROS à Isaac Sim pour des tests hardware-in-the-loop, dans le but d'accélérer ses cycles de déploiement. Pour les intégrateurs et les équipes d'ingénierie robotique, l'enjeu n'est pas une nouvelle démonstration de robot mais un changement dans l'outillage logiciel qui sous-tend leur développement. NVIDIA cible directement la friction technique, la mise en place de l'environnement, l'écriture de scripts répétitifs, le fine-tuning, en confiant ces tâches à des agents IA capables d'automatiser la "plomberie" habituellement chronophage. Le fait que les accélérations CUDA aient été versées dans le tronc commun de ROS 2, et non gardées propriétaires, élargit leur bénéfice à l'ensemble de la communauté ROS, pas seulement aux clients NVIDIA. Cette annonce renforce surtout la stratégie de plateforme de NVIDIA: en s'imposant comme la couche logicielle de référence entre le développement et le déploiement sur robot physique, l'entreprise consolide son emprise sur l'écosystème robotique, au-delà de la seule vente de puces Jetson. Isaac ROS s'appuie sur ROS, framework open source dont l'évolution est pilotée par l'Open Source Robotics Alliance (OSRA), avec laquelle NVIDIA dit avoir travaillé pour identifier les points de friction des développeurs. Cette version 5.0 prolonge les contributions apportées à ROS 2 Lyrical en mai, où NVIDIA avait déjà livré des fonctionnalités d'accélération CUDA. L'objectif affiché est une continuité totale entre le développement initial et l'exécution finale sur le robot, sans reconfiguration intermédiaire pour les équipes déjà sous ROS. Aucun calendrier de nouvelles fonctionnalités n'a été précisé au-delà de cette publication, mais l'accent mis sur la documentation "agent-ready" et les Isaac Skills laisse attendre un élargissement progressif du catalogue de compétences réutilisables pour les agents IA appliqués à la robotique.

Intrinsic ouvre le code source de composants clés de sa plateforme pour simplifier le développement
14Robotics Business Review 

Intrinsic ouvre le code source de composants clés de sa plateforme pour simplifier le développement

Intrinsic Innovation LLC, filiale d'Alphabet, a annoncé le 22 septembre 2026 lors de ROSCon 2026 à Toronto la publication en open source d'Intrinsic Core, un ensemble de briques logicielles compatibles Robot Operating System (ROS) pour construire des applications robotiques. Le code est disponible dès aujourd'hui sur GitHub sous licence permissive Apache 2.0. Au cœur du dispositif se trouve Intrinsic Control, un framework de contrôle temps réel agnostique au matériel, qui permet un contrôle basé sur les capteurs et une adaptation dynamique de la trajectoire du robot en cours d'exécution, ainsi que le remplacement de bras, pinces ou capteurs sans réécrire les pilotes. La suite inclut aussi l'estimation de pose : Intrinsic s'appuie sur FoundationPose de NVIDIA pour fournir une estimation de pose 3D à 6 degrés de liberté (6 DoF), utilisable directement sans pipeline personnalisé. S'y ajoutent un module de planification de mouvement qui génère automatiquement des trajectoires évitant les collisions, remplaçant la programmation manuelle articulation par articulation, et un module de planification de préhension qui adapte en temps réel l'orientation de la pince à la position de la pièce détectée. Intrinsic a également publié l'Open Machine Tending Solution, une architecture de référence ouverte pour l'alimentation de machines-outils CNC. Cette annonce marque un tournant potentiel dans la commercialisation de la robotique industrielle : au lieu de vendre uniquement une plateforme propriétaire, Intrinsic ouvre le cœur de sa propre pile logicielle, celle qu'elle utilise pour ses déploiements manufacturiers réels, selon Brian Gerkey, CTO d'Intrinsic et cofondateur d'Open Robotics. Pour les intégrateurs et équipes robotique, l'argument est concret : Intrinsic affirme que les équipes passent aujourd'hui des centaines d'heures à recoder des capacités de base ou de l'infrastructure, et Intrinsic Core vise à combler des manques identifiés dans l'écosystème ROS plutôt qu'à le remplacer. C'est aussi un signal de confiance envers le standard ROS à un moment où plusieurs acteurs développent des piles propriétaires fermées ; Geoffrey Biggs, CTO de l'Open Source Robotics Foundation, y voit une étape vers une production de robots nettement simplifiée. Reste que l'ampleur réelle de l'adoption communautaire et la robustesse en dehors des cas d'usage internes d'Intrinsic restent à démontrer sur la durée, au-delà de l'effet d'annonce lors de ROSCon. Intrinsic, née d'un projet incubé chez Alphabet's X puis constituée en société indépendante, s'est jusqu'ici concentrée sur des solutions logicielles pour l'automatisation industrielle, notamment via des partenariats de déploiement manufacturier. La publication d'Intrinsic Core s'inscrit dans une dynamique plus large de mise à disposition d'outils robotiques ouverts, aux côtés d'acteurs comme NVIDIA, dont le modèle FoundationPose est directement intégré à la solution. Le choix de ROSCon comme tribune positionne Intrinsic face à d'autres fournisseurs de piles logicielles robotiques et de modèles génériques d'action (VLA), dans un secteur où la standardisation des briques de perception, de planification et de contrôle devient un enjeu de compétitivité. Aucune feuille de route précise de pilotes clients ni de calendrier de nouvelles fonctionnalités n'a été communiquée au-delà de cette publication initiale.

UELe standard ROS étant très utilise par les intégrateurs robotiques industriels européens, l'ouverture d'Intrinsic Core pourrait leur bénéficier directement, mais aucun acteur ou déploiement français ou européen n'est cite dans l'article.

InfrastructureActu
1 source
ERUPT : une boîte à outils ouverte pour piloter les planificateurs de mouvement en réalité étendue
15arXiv cs.RO 

ERUPT : une boîte à outils ouverte pour piloter les planificateurs de mouvement en réalité étendue

Des chercheurs du Parasol Lab publient ERUPT (Extended Reality Universal Planning Toolkit), un système de réalité étendue (XR) open source pour la planification interactive de mouvements robotiques, décrit dans un article arXiv mis à jour en version 2 (arXiv:2510.02464). L'outil s'interface avec MoveIt, le framework de planification de manipulation largement utilisé dans l'écosystème ROS, pour permettre à un opérateur de composer une requête de planification et de visualiser le chemin résultant directement en réalité virtuelle ou augmentée. Plutôt que de manipuler une scène 2D projetée sur un écran avec souris et clavier, l'utilisateur saisit et repositionne les objets de l'environnement à la main, dans l'espace, avant de lancer le calcul de trajectoire, puis de déployer le plan validé sur un robot physique. Le code source complet est disponible sur GitHub (parasollab/erupt), en libre accès pour quiconque souhaite construire une application d'interaction homme-robot immersive à partir de cette base. Pour l'industrie robotique, l'apport n'est pas un robot ni un chiffre de performance mais un outil d'infrastructure: un moyen de tester et valider un plan de mouvement en réalité virtuelle, sans risque de collision, avant tout déploiement sur un robot physique. Cela répond à un besoin concret des intégrateurs et des équipes de R&D, qui doivent aujourd'hui itérer sur des scènes de manipulation via des interfaces 2D peu intuitives, un goulot d'étranglement connu dans la mise au point de cellules robotisées. En s'appuyant sur MoveIt plutôt qu'en réinventant un moteur de planification propriétaire, ERUPT vise l'adoption par une communauté déjà familière de cet outil, et illustre une tendance plus large: l'usage de la XR comme couche d'interaction pour la robotique manipulatrice, en complément du travail classique de simulation plutôt qu'en remplacement. L'article se positionne explicitement comme une contribution académique ouverte plutôt qu'un produit commercial: aucun prix ni chiffre de déploiement industriel n'est communiqué, et l'objectif affiché par les auteurs est que d'autres équipes réutilisent ce socle logiciel pour leurs propres applications. ERUPT s'inscrit dans une lignée d'outils de visualisation et de téléopération en réalité virtuelle pour la robotique, mais se distingue en ciblant l'intégration native avec MoveIt et la reconfiguration dynamique de l'environnement pendant la planification elle-même. Aucune feuille de route de pilote industriel ou de partenariat n'est mentionnée dans le papier; sa diffusion dépendra désormais de l'adoption par la communauté ROS et robotique open source via le dépôt GitHub public.

InfrastructureActu
1 source
La bibliothèque EventCV pour la vision robotique par événements
16arXiv cs.RO 

La bibliothèque EventCV pour la vision robotique par événements

Des chercheurs publient EventCV, une bibliothèque open source écrite en Rust avec des liaisons Python de style OpenCV, décrite dans un article déposé sur arXiv le 21 septembre 2026 (arXiv:2609.21330v1). L'outil cible les caméras événementielles, des capteurs qui détectent les changements de luminosité pixel par pixel de façon asynchrone à l'échelle de la microseconde, avec une plage dynamique élevée et une faible consommation électrique. EventCV regroupe dans un seul paquet des filtres de débruitage, des transformations géométriques, des augmentations de données, la détection de coins et l'apprentissage non supervisé de caractéristiques, l'estimation de mouvement par maximisation de contraste, un simulateur vidéo-vers-événements, et l'inférence de modèles au format ONNX pour le déploiement embarqué. La bibliothèque s'intègre au paquet Neuromorphic Drivers pour traiter un flux de caméra en temps réel, et ses auteurs annoncent des gains de vitesse de 1,1 à 3,7 fois par rapport aux bibliothèques existantes pour construire des représentations et décoder des fichiers. L'équipe l'a déployée sur un module Jetson Orin AGX de Nvidia et l'a testée sur trois cas d'usage robotiques: détection d'objets, inférence de modèle embarquée et localisation. Le projet est documenté sur eventcv.net. L'enjeu n'est pas algorithmique mais logistique: malgré des années de promesses autour des caméras événementielles pour la robotique rapide ou en conditions lumineuses difficiles, leur adoption bute sur l'absence de pilotes standardisés, la multiplication de formats de fichiers incompatibles entre fabricants, et des codes de recherche non réutilisables d'un projet à l'autre. En couvrant l'ensemble de la chaîne, du filtrage brut jusqu'à l'inférence embarquée sur cible edge, EventCV s'adresse directement aux intégrateurs robotiques qui veulent exploiter ces capteurs sans réécrire une pile logicielle maison. Les gains de vitesse annoncés restent modestes et mesurés sur des tâches de bas niveau (construction de représentations, décodage), pas des démonstrations spectaculaires, ce qui est cohérent avec un outil d'infrastructure plutôt qu'une percée algorithmique. Le constat de départ, celui d'un écosystème de vision événementielle fragmenté malgré des capteurs matures, est documenté depuis plusieurs années dans la littérature en vision neuromorphique, sans qu'un outil unifié ne s'impose jusqu'ici. EventCV se positionne comme une couche logicielle commune, à la manière d'OpenCV pour la vision classique, plutôt que comme un concurrent d'un fabricant de capteur en particulier. Sa publication en open source et sa validation sur du matériel embarqué standard de l'industrie suggèrent une cible d'adoption par les laboratoires et équipes robotiques déjà équipés en caméras événementielles, sans calendrier de déploiement commercial annoncé à ce stade.

InfrastructureActu
1 source
China Mobile publie en open source son middleware Open-RAIL pour relier les modèles VLA/WAM au matériel robotique
17Pandaily 

China Mobile publie en open source son middleware Open-RAIL pour relier les modèles VLA/WAM au matériel robotique

China Mobile a publié en open source, le 16 septembre, un middleware baptisé Open-RAIL, destiné à relier les modèles vision-langage-action (VLA) et world-action (WAM) aux robots physiques. Son pipeline asynchrone à trois threads (observation, inférence, contrôle), couplé à un lissage en deux temps des blocs d'actions, ferait passer l'écart-type de l'accélération articulaire de plus de 10 rad/s² à environ 0,1 rad/s², comblant un écart de fréquence de contrôle de 30 à 50 fois sans réentraîner le modèle. Une couche d'abstraction matérielle et un contrat d'inférence unifié permettent d'ajouter un robot ou un modèle VLA/WAM en 50 à 100 lignes de code. La première version couvre quatre plateformes, l'AgiBot G1, le Lingxi (Ti5 T170C), le NAVIAI-WA2 et un backend LeRobot, ainsi que dix modèles dont ACT, GR00T N1, RDT, SmolVLA, GO-1, π0/π0.5 et TAO, sous licence Apache-2.0 sur GitHub (CMCC-TAO/open-rail). Pour l'industrie robotique, Open-RAIL s'attaque à un problème habituellement dissimulé derrière les vidéos de démonstration: les saccades de commande, les coupures de flux sur la durée et les données d'exécution qui ne remontent jamais vers l'entraînement. En transformant cette intégration en couche logicielle réutilisable plutôt qu'en bricolage propre à chaque robot, l'opérateur réduit la friction pour les laboratoires et startups qui veulent valider un modèle sur du matériel réel, et la collecte automatique d'épisodes au format Parquet, sans coût de labellisation supplémentaire, alimente des boucles d'amélioration continue en conditions réelles. Les gains de fluidité annoncés restent toutefois des mesures internes de China Mobile, non vérifiées de façon indépendante, et portent sur le lissage de trajectoire plutôt que sur la politique elle-même. Cette sortie s'inscrit dans l'entrée de China Mobile, opérateur télécom, sur le terrain de l'IA incarnée, aux côtés d'AgiBot, dont le G1 figure parmi les plateformes supportées. Open-RAIL ne concurrence pas les modèles eux-mêmes, qu'il s'agisse de GR00T N2 chez Nvidia, de π0.5 chez Physical Intelligence, de Helix chez Figure AI ou d'Optimus Gen 3 chez Tesla, mais vise à devenir la couche d'intégration commune qui leur permet de tourner sur du matériel varié. Aucun acteur français ou européen n'apparaît dans cette annonce chinoise, dont le code est déjà disponible sur GitHub sans calendrier de pilotes industriels annoncé.

InfrastructureOpinion
1 source
Arm Total Design pour l'IA physique réunit plus de 80 développeurs
18Robotics Business Review 

Arm Total Design pour l'IA physique réunit plus de 80 développeurs

Arm Holdings, entreprise britannique basée à Cambridge, a lancé le programme Arm Total Design for Physical AI, qui réunit plus de 80 entreprises couvrant l'ensemble de la chaîne technologique de l'IA physique, de la robotique aux véhicules autonomes. Parmi les membres déjà annoncés figurent AWS, ECARX, Hugging Face, Liquid AI, NXP, PlusAI, Psyonic, QNX, Qwen, Siemens et Unitree Robotics. Arm a également présenté un Robotics Capability Framework, une grille destinée à établir un langage commun pour décrire et comparer les capacités des robots. Ce cadre distingue six niveaux, numérotés de 0 à 5 : au niveau le plus bas, des robots réactifs qui exécutent des commandes selon des règles fixes ; au niveau le plus élevé, des systèmes dotés de comportements évolutifs capables d'apprendre et de s'auto-optimiser. Dermot O'Driscoll, vice-président en charge du go-to-market et des solutions client pour l'IA physique chez Arm, a expliqué au Robot Report que ce programme était né d'un constat fait à son arrivée sur ce segment en mars : l'absence d'un lieu où les entreprises pouvaient partager technologies et idées ou collaborer directement. Pour l'industrie robotique, cette initiative répond à un problème concret de fragmentation : un système robotique complet assemble généralement du matériel et des logiciels provenant de multiples fournisseurs, ce qui complique l'interopérabilité et ralentit les intégrations. En réunissant sous une même structure les acteurs des semi-conducteurs, du cloud, de l'actionnement et des capteurs, des frameworks logiciels, de la sécurité et de la robotique elle-même, Arm cherche à devenir un point de convergence pour valider plus tôt des systèmes interopérables. Pour les intégrateurs et décideurs B2B, le Robotics Capability Framework offre surtout un vocabulaire partagé pour situer un robot sur une échelle de maturité, un exercice jusqu'ici largement livré à la communication marketing de chaque fournisseur. Il s'agit toutefois d'une démarche de standardisation et de mise en réseau, pas d'un produit ou d'une technologie livrée : ni les six niveaux ni la liste des membres ne constituent un engagement technique vérifiable, et Arm dit explicitement vouloir les faire évoluer avec les retours du secteur. Cette initiative prolonge une méthode qu'Arm avait déjà testée dans l'écosystème cloud avec un programme Arm Total Design similaire, avant que O'Driscoll ne transpose l'approche à l'IA physique en constatant le même vide organisationnel. L'entreprise, dont l'architecture de processeurs équipe déjà une large part des puces embarquées dans les objets connectés et les systèmes robotiques, cherche ainsi à consolider sa position d'infrastructure neutre plutôt que de concurrent frontal des fabricants de robots. Aucun acteur français ou européen de la robotique humanoïde ou logistique n'est cité parmi les membres annoncés à ce stade. Arm indique vouloir associer davantage d'entreprises au programme et affiner les six niveaux du Robotics Capability Framework au fil des contributions du secteur, sans calendrier précis ni étape de déploiement communiquée pour l'instant.

UELes européens NXP et Siemens figurent parmi les membres du consortium, mais aucun acteur français ou européen de la robotique humanoïde ou logistique n'est cite.

InfrastructureActu
1 source
China Mobile publie en open source sa base d'ingénierie Open-RAIL pour les modèles de robots VLA et WAM
19TechNode 

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
Arm va aborder le passage à l'échelle de l'IA physique lors de RoboBusiness
20Robotics Business Review 

Arm va aborder le passage à l'échelle de l'IA physique lors de RoboBusiness

Arm annonce que Dermot O'Driscoll, vice-président go-to-market pour l'IA physique du fabricant britannique de semi-conducteurs, interviendra à RoboBusiness, les 20 et 21 octobre 2026 à Santa Clara, en Californie, pour la 20e édition de l'événement organisé par The Robot Report. Sa présentation, intitulée « Building Physical AI that Scales », portera sur les principes d'architecture matérielle jugés nécessaires pour faire passer les robots autonomes du prototype à des déploiements fiables en production : répartition du calcul entre cloud et edge, coordination entre comportements appris et comportements déterministes, et dimensionnement des plateformes de calcul pour concilier réactivité temps réel, efficacité énergétique et sûreté. O'Driscoll totalise plus de vingt ans chez Arm, avec des postes d'ingénierie et de direction en IT, en conception assistée par ordinateur (EDA) et en conception de puces CPU et SoC ; il est diplômé en électronique et titulaire d'un master en microélectronique de l'université d'Édimbourg. L'intervention fait suite au lancement par Arm de son programme Total Design, qui fédère des partenaires de la chaîne technologique pour réduire la complexité d'intégration des systèmes autonomes. Aucun produit, puce ni chiffre de performance n'est dévoilé : il s'agit d'une annonce de conférence, non d'un lancement produit. Ce choix de sujet illustre un déplacement de l'attention du secteur, des démonstrations de modèles fondation et de systèmes vision-langage-action vers les questions d'architecture système et de confiance en production. Pour les intégrateurs et les décideurs industriels, le message est concret : la capacité d'un robot à raisonner grâce à l'IA générative ne suffit pas si l'infrastructure de calcul embarquée ne garantit pas un comportement prévisible et sûr au-delà des vidéos de démonstration, un rappel qui rejoint les doutes récurrents du secteur sur l'écart entre démonstration et réalité opérationnelle. En se positionnant comme fournisseur d'architecture de référence plutôt que simple concepteur de puces, Arm cherche à s'imposer dans la couche silicium de la robotique physique, un terrain où Nvidia, avec ses plateformes Jetson et ses modèles de fondation robotique, et Qualcomm renforcent également leur présence. Cette prise de parole s'inscrit dans la stratégie d'Arm visant à se positionner comme brique d'infrastructure horizontale pour l'IA physique, alors que les fabricants de robots, des bras industriels aux humanoïdes, cherchent à passer du prototype à des déploiements de série. Le programme Total Design, présenté comme une réponse à la fragmentation de l'écosystème robotique, mise sur la mutualisation de briques technologiques certifiées entre partenaires pour raccourcir les cycles de développement. RoboBusiness 2026, qui célèbre ses vingt ans, proposera par ailleurs des interventions sur la fabrication, la santé, l'agriculture et la logistique, avec des tarifs réduits pour le monde académique. Ni date de disponibilité commerciale, ni partenaire robotique nommé, ni pilote client ne sont précisés à ce stade, et l'article ne cite aucun acteur robotique français ou européen : l'événement fonctionne avant tout comme une vitrine de positionnement pour Arm face à une concurrence croissante sur le calcul embarqué robotique.

InfrastructureActu
1 source
Gestion et déploiement efficaces des modèles vision-langage-action (VLA) pour les usines robotiques
21arXiv cs.RO 

Gestion et déploiement efficaces des modèles vision-langage-action (VLA) pour les usines robotiques

Un article publié sur arXiv (2609.12075v1, septembre 2026) présente Robion, un système de serving pour les modèles Vision-Language-Action (VLA), qui combinent un modèle vision-langage (VLM) et un transformeur de diffusion d'actions (ADiT), déployés sur des serveurs de périphérie multi-GPU desservant plusieurs robots. Le système répartit les deux étapes sur deux flux au sein d'un même GPU, limite dynamiquement les unités de calcul allouées au VLM pour garantir des ressources disponibles à l'ADiT, et fait cohabiter plusieurs modèles en priorisant les requêtes selon le temps de service restant. Par modèle, Robion sert en moyenne 6,7 fois plus de robots que vLLM-Omni et 1,5 fois plus qu'une architecture monolithique classique, à 98 % de conformité aux objectifs de latence (SLO). Sur un serveur à quatre GPU exécutant huit modèles différents, il sert jusqu'à 64 robots simultanément dans ces mêmes conditions. L'enjeu porte sur l'infrastructure de déploiement en flotte, un maillon jusqu'ici négligé face à la course aux modèles VLA toujours plus capables. Pour les intégrateurs et décideurs industriels, la question posée est concrète : combien de robots un même serveur GPU peut piloter en temps réel sans violer les contraintes de latence liées à la sécurité, ce qui détermine directement le coût de calcul par robot déployé. Les systèmes existants, qu'il s'agisse de serveurs multi-étapes optimisés pour le débit comme vLLM-Omni ou de pipelines monolithiques, ne sont pas conçus pour des étapes de l'ordre de la milliseconde ni pour l'exécution simultanée de plusieurs modèles sous contrainte stricte de latence, ce que Robion cherche justement à corriger. Le travail s'inscrit dans un contexte où des modèles VLA généralistes comme Pi-0, GR00T N2 ou Helix ont récemment démontré des capacités de manipulation croissantes, alimentant une course à l'industrialisation entre laboratoires et fabricants de robots humanoïdes ou de bras manipulateurs. Robion reste une contribution de recherche en prépublication, testée sur un banc de huit modèles génériques et non sur des systèmes commerciaux nommés, sans partenariat industriel ni calendrier de déploiement annoncés à ce stade. Elle illustre néanmoins une tendance de fond : à mesure que les modèles VLA se multiplient, la capacité à les servir en production sur du matériel mutualisé devient un critère de compétitivité aussi déterminant que la performance des modèles eux-mêmes.

InfrastructureActu
1 source
The 370-billion-dollar race: comment une conception intégrée peut aider les fabricants d'humanoïdes à réussir sur un marché en forte croissance
22Robotics Business Review 

The 370-billion-dollar race: comment une conception intégrée peut aider les fabricants d'humanoïdes à réussir sur un marché en forte croissance

Selon un rapport McKinsey intitulé « The future of robotics: Intelligent, adaptable, and on your team », le marché de la robotique généraliste, évalué à moins d'un milliard de dollars aujourd'hui, pourrait atteindre 370 milliards de dollars d'ici 2040 si le rythme de progression actuel se maintient. Des acteurs comme Tesla (Optimus) et Figure AI se précipitent pour commercialiser leurs plateformes humanoïdes. Dans ce contexte, l'industriel allemand Siemens met en avant l'intégration de son écosystème logiciel Xcelerator, dont l'outil Designcenter, pour relier conception mécanique, simulation de mouvement, gestion du cycle de vie produit (PLM), fabrication et service au sein d'une même plateforme. Le module propose un support natif du format URDF (Unified Robot Description Format), permettant d'exporter en un clic des modèles CAO vers des environnements de simulation, avec cartographie automatique des liaisons, articulations et hiérarchies cinématiques. Ces modèles sont compatibles avec les moteurs de simulation basés sur PhysX. Aucune date de disponibilité, aucun chiffre de déploiement ni tarif n'est communiqué : il s'agit d'une annonce de plateforme logicielle, pas d'un robot livré ni d'un pilote client identifié. L'enjeu vise un goulot d'étranglement bien identifié chez les fabricants de robots humanoïdes : la désynchronisation entre les outils de CAO, matures chez la plupart des industriels, et les environnements de simulation et de contrôle robotique, souvent bâtis sur des workflows disjoints hérités d'une autre époque. Concrètement, de nombreuses équipes reconstruisent encore à la main leurs modèles cinématiques, avec des valeurs de masse et d'inertie approximées plutôt que dérivées de la géométrie réelle, ce qui crée une dérive entre conception et commande et pousse à geler prématurément les designs mécaniques pour éviter des reprises coûteuses en aval. Pour les intégrateurs et décideurs industriels, résoudre cette incohérence entre design et simulation conditionne la capacité à valider plus tôt l'équilibre, la démarche et l'atteignabilité d'un robot avant le prototypage physique, un facteur direct sur les coûts et les délais de mise sur le marché, alors que des dizaines d'acteurs se disputent la même fenêtre commerciale. Cette annonce s'inscrit dans la bataille plus large pour les briques logicielles de l'écosystème humanoïde, aux côtés des piles d'IA embarquée comme Pi-0, GR00T N2 ou Helix, qui traitent plutôt la perception et le contrôle que la conception mécanique. Siemens, déjà présent dans l'automatisation d'usine via sa division Digital Industries, cherche ainsi à se positionner comme fournisseur d'infrastructure logicielle transversale pour les fabricants de humanoïdes, plutôt que comme constructeur de robots concurrent de Tesla ou Figure AI. Le texte, à la tonalité clairement promotionnelle (l'expression « Gordian knot of design complexity » y côtoie des superlatifs sur l'interopérabilité), ne mentionne aucun fabricant humanoïde ayant déjà adopté Designcenter en production ni aucune feuille de route de déploiement : les capacités décrites restent, à ce stade, celles annoncées par l'éditeur sur sa plateforme Xcelerator, et resteront à vérifier sur des programmes industriels réels.

UESiemens, industriel allemand majeur, positionne sa plateforme logicielle Xcelerator/Designcenter comme infrastructure transversale pour les fabricants d'humanoïdes, renforçant le poids europeen dans la bataille des briques logicielles du secteur.

InfrastructureOpinion
1 source
XPolicyLab : une norme unifiée et un écosystème ouvert pour l'évaluation et le déploiement de politiques robotiques
23arXiv cs.RO 

XPolicyLab : une norme unifiée et un écosystème ouvert pour l'évaluation et le déploiement de politiques robotiques

Un article publié sur arXiv (2608.09892v1) présente XPolicyLab, un standard unifié et un écosystème ouvert pour l'évaluation et le déploiement de politiques robotiques. Il ramène le coût d'intégration entre N modèles de politique et M environnements, jusqu'ici de O(N×M), à O(N+M), grâce à des schémas communs d'observation, d'action et de trajectoire et à une architecture client/serveur séparant l'inférence de la politique de l'exécution de l'environnement. L'écosystème intègre 42 politiques robotiques et normalise leur installation, leur débogage et leur évaluation ; le respect du standard fait passer l'effort d'intégration d'une politique type de plus de cinq heures à deux heures, puis à trente minutes avec des modules d'agent prêts à l'emploi. Les mêmes adaptateurs font tourner les simulateurs RoboTwin et RoboDojo ainsi que des protocoles d'évaluation sur robot réel via une seule interface, le tout publié sur xpolicylab.github.io. Cette fragmentation logicielle freine depuis longtemps la comparaison reproductible des politiques robotiques, notamment des modèles vision-langage-action (VLA) qui se multiplient sans convention commune de dépendances. Pour les intégrateurs et laboratoires qui testent plusieurs politiques sur plusieurs plateformes, ce coût quadratique explique pourquoi tant de comparatifs publiés restent partiels ou difficiles à reproduire. Les auteurs montrent que le code propre à chaque politique varie d'un ordre de grandeur alors que la boucle côté environnement reste quasi identique à une référence fixe, preuve que la complexité peut être confinée au seul modèle. Le fait que les mêmes adaptateurs couvrent simulation et robot physique constitue un argument concret, mais limité à l'ingénierie logicielle, pour atténuer l'écart entre démonstration et déploiement réel. Ce travail s'inscrit dans la multiplication récente des modèles de politique généralistes pour la robotique, chacun livré avec sa propre pile logicielle et ses propres simulateurs, ce qui rendait les comparaisons indépendantes coûteuses et rares. XPolicyLab se positionne comme une couche d'infrastructure neutre plutôt qu'un produit commercial, un rôle comparable à celui des formats d'échange communs adoptés ailleurs en machine learning. L'article ne mentionne aucun déploiement industriel ni partenariat avec un fabricant de robots : il s'agit d'une publication de recherche, pas d'une annonce produit, présentée comme une infrastructure partagée destinée à être étendue par la communauté avec de nouvelles politiques et de nouveaux environnements.

InfrastructureActu
1 source
WUWENAI a choisi de tracer la voie à l'intersection de l'IA incarnée
24Pandaily 

WUWENAI a choisi de tracer la voie à l'intersection de l'IA incarnée

Lors du salon chinois WAIC en juillet 2026, les stands de robots humanoïdes ont délaissé les démonstrations chorégraphiées, coups de poing, danses, pour montrer des machines au travail sur des répliques de lignes de production à l'échelle 1:1 : picking, tri, assemblage. Les financements ont suivi, avec plus de 300 opérations recensées au premier semestre dans l'IA incarnée et sa chaîne d'approvisionnement en Chine, pour plus de 90 milliards de yuans (environ 11,5 milliards d'euros), et des effectifs multipliés par quinze en quatre mois. Derrière cet emballement, un goulot d'étranglement inquiète le secteur : la donnée. Un robot ne peut hériter du texte et des vidéos d'internet ; il lui faut un corpus physique propre, frictions entre matériaux, forces générées par des charges variées, boucle causale entre une pince et l'objet saisi. Le secteur estime disposer de quelques centaines de milliers d'heures de données de manipulation de qualité, quand un robot généraliste en réclamerait plusieurs dizaines de millions. La téléopération est précise mais coûteuse, la vidéo à la première personne bon marché mais pauvre en trajectoire et en force, et la simulation pure échoue au transfert vers le réel. C'est sur ce constat que la startup chinoise WUWENAI, fondée par Liu Shengxiang, ex-responsable data et tests de la conduite autonome chez Baidu, a bâti son offre : une boucle fermée virtuel-réel articulée autour de trois briques, une Data Factory de collecte multimodale en environnement réel, un World Model générant scénarios et cas limites en simulation, et un World Simulator chargé de l'entraînement et de l'évaluation à grande échelle. Pour les intégrateurs et décideurs industriels, le pari de WUWENAI dépasse le simple fournisseur de données : si un simulateur reproduit fidèlement la physique réelle, un robot peut multiplier à faible coût les cycles d'essai-erreur en simulation et basculer de l'apprentissage par imitation vers l'apprentissage par renforcement, sur le modèle d'AlphaGo. Cela reviendrait à contredire l'hypothèse selon laquelle le fossé entre démonstration et réalité, le sim-to-real gap, resterait le principal frein au déploiement des VLA (vision-language-action) à grande échelle. Reste que ces gains sont pour l'instant revendiqués par l'entreprise elle-même, sans validation indépendante rendue publique : l'affirmation mérite d'être prise comme une thèse industrielle plutôt qu'un résultat déjà démontré à grande échelle. L'architecture de WUWENAI, baptisée Real2Sim2Real, aurait été déployée plusieurs mois avant que World Labs, la société de Fei-Fei Li, rachète SceniX, un rapprochement que Liu Shengxiang lit comme un signal : un world model ne devient une infrastructure utile que connecté à de la donnée réelle, à de la simulation robotique et à une boucle de rétroaction terrain, la seule génération vidéo ou 3D ne suffisant pas. La startup se positionne ainsi face à des acteurs mieux capitalisés qui développent chacun leur propre pile, World Labs, Tesla avec Optimus, et Google DeepMind. Son pari reste structurel : la contrainte des modèles d'IA incarnée se déplace des paramètres vers la donnée qu'ils peuvent ingérer, dans un secteur qui passe de la simple collecte brute à une infrastructure de données orchestrée.

InfrastructureOpinion
1 source
PhyAI : l'IA physique en temps réel en périphérie, avec un déploiement à grande échelle dans le cloud
25arXiv cs.RO 

PhyAI : l'IA physique en temps réel en périphérie, avec un déploiement à grande échelle dans le cloud

Publié sur arXiv début août 2026, PhyAI est un moteur d'inférence unifié pour l'IA physique, code et benchmarks disponibles en accès libre sur GitHub (mingti-org/phyai). Le système fait tourner un seul runtime sur les quatre étapes du cycle de vie d'une politique robotique : évaluation de modèle, rollout d'apprentissage par renforcement dans le cloud, service sur GPU en edge et déploiement embarqué. L'architecture isole dans des adaptateurs les briques spécifiques à chaque modèle (conditionnement, solveur, cache, sortie), tandis que le reste, exécution du graphe de calcul, kernels, gestion mémoire, services parallèles, est mutualisé. Les auteurs ont testé la portabilité de cette approche en intégrant MiniCPM-Robot le jour même de sa sortie via cette interface d'adaptateur. Les gains mesurés vont de 1,40x à 4,65x par rapport aux implémentations officielles de pi0, pi0.5, GR00T N1.7 et MiniCPM-Robot. Sur Cosmos3-Nano-Policy-DROID, la latence tombe de 2,46 à 1,18 seconde sur huit GPU H20 (CFG=2, parallélisme tensoriel TP=4), soit un facteur 2,08x. Ce résultat vise directement les intégrateurs et ingénieurs robotique qui jonglent aujourd'hui entre plusieurs runtimes selon l'environnement de déploiement, un vrai point de friction dans l'industrialisation des politiques VLA (vision-language-action). En unifiant évaluation, entraînement et production sous un même code, PhyAI réduit le risque d'écart entre performances mesurées en labo et résultats sur le terrain, un problème classique du secteur. Les auteurs restent factuels sur les limites : des runtimes spécialisés demeurent plus rapides dans plusieurs configurations, l'objectif affiché étant une latence compétitive plutôt qu'un record absolu. L'apport le plus utile pour les décideurs techniques est le concept de "control-time Roofline", qui distingue les cas où le contrôle est limité par l'inférence de ceux limités par l'environnement : sur quatre suites LIBERO, pi0.5 s'avère limité par l'environnement tandis que Cosmos3 reste limité par l'inférence, une grille utile pour prioriser les investissements. Les profils détaillés expliquent pourquoi un runtime unique ne suffit pas seul : sur GPU Hopper, à batch 1, l'expert d'action de pi0.5 représente 8,8% des calculs (FLOPs) mais 57,2% de la latence, un goulot qui retombe à 13,5% à batch 32, portant le débit à environ 100 échantillons par seconde. Cosmos3, dominé par la génération, ne gagne que 14,3% de débit entre batch 1 et 16. Ces travaux s'inscrivent dans la course à l'infrastructure d'inférence pour l'IA physique, alors que les familles pi0/pi0.5 (Physical Intelligence), GR00T (NVIDIA) et les VLA type Cosmos ou MiniCPM-Robot se multiplient, chaque laboratoire ayant historiquement développé son propre runtime maison.

InfrastructureActu
1 source
Planification à base d'agents en lots pour le service de politiques robotiques
26arXiv cs.RO 

Planification à base d'agents en lots pour le service de politiques robotiques

Des chercheurs du Georgia Tech (laboratoire RL2) publient un article intitulé "Action Chunk Scheduling for Batched Robot Policy Serving" (arXiv:2608.00337v1), qui pose un problème encore peu formalisé dans la robotique : comment servir un même modèle de politique robotique, hébergé sur un GPU distant, à plusieurs robots simultanément. Les auteurs présentent Armory, un système de service ("serving") conçu pour cet usage et validé à la fois sur des flottes de robots simulés et sur des robots réels. Leurs expériences montrent que les heuristiques de scheduling classiques (les méthodes de batching habituelles en inférence LLM) fonctionnent correctement tant que tous les robots de la flotte sont identiques et consomment les actions au même rythme. Mais dès que les robots consomment leurs "action chunks" (blocs d'actions produits par les modèles Vision-Language-Action) à des vitesses différentes, ces heuristiques échouent : elles ne tiennent pas compte des contraintes en boucle fermée ("closed-loop") propres à l'exécution de politiques robotiques. Pour corriger ce défaut, l'équipe propose un nouvel algorithme de scheduling qui intègre cette hétérogénéité de rythme entre robots, avec un gain de débit système mesuré jusqu'à 18 % lors d'essais réels. Le code et les détails sont disponibles sur gatech-rl2.github.io/actionchunkscheduling. Le résultat touche un point aveugle du déploiement à grande échelle des modèles fondation pour la robotique (VLA type Pi-0, GR00T N2, Helix ou autres) : le calcul embarqué est limité en puissance et en encombrement, ce qui pousse naturellement vers une inférence déportée sur GPU distant, mutualisée entre plusieurs robots pour amortir les coûts. Or les architectures de batching héritées du monde LLM, pensées pour du texte asynchrone, ignorent la contrainte physique du temps réel robotique : un robot qui épuise son buffer d'actions avant d'être resservi s'arrête ou dégrade sa trajectoire. Ce papier démontre empiriquement que cette mécanique de service compte autant que la qualité du modèle lui-même pour faire fonctionner une flotte hétérogène en production, un enjeu direct pour les intégrateurs qui veulent mutualiser l'inférence entre robots de générations ou de tâches différentes plutôt que de multiplier les cartes embarquées. Ce travail s'inscrit dans la vague récente de modèles VLA génériques (Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA, Helix de Figure) qui cherchent à démontrer un contrôle robotique à l'échelle d'une flotte plutôt qu'à l'unité, un terrain où l'infrastructure de service devient aussi critique que l'entraînement. En formalisant le problème comme un scheduling explicite et en le testant sur du matériel réel plutôt que seulement en simulation, les auteurs positionnent Armory comme une brique d'infrastructure réutilisable, potentiellement comparable aux serveurs d'inférence LLM (type vLLM) mais adaptée aux contraintes temps réel de la robotique. L'article ne précise pas de partenariat industriel ni de déploiement commercial annoncé ; il s'agit pour l'instant d'un résultat de recherche académique, avec du code ouvert, plutôt que d'un produit prêt à l'emploi.

InfrastructureActu
1 source
De la mobilité à l'action : Zhejiang IPLUSMOBOT construit une plateforme fondation d'IA incarnée industrielle avec sa gamme robotique NERA
27Pandaily 

De la mobilité à l'action : Zhejiang IPLUSMOBOT construit une plateforme fondation d'IA incarnée industrielle avec sa gamme robotique NERA

Zhejiang IPLUSMOBOT Technology a présenté sa gamme NERA d'intelligence incarnée lors du WAIC 2026, avec deux produits : le châssis omnidirectionnel NERA-P et le contrôleur NERA-C. Issue de l'équipe de robotique de l'Université du Zhejiang, l'entreprise revendique une expertise en perception multimodale, navigation autonome et planification multi-robots, et dispose d'un site de production de 16 000 mètres carrés. Le NERA-P intègre des algorithmes de positionnement et de navigation par fusion multimodale validés en environnement industriel, avec des interfaces mécaniques et électriques standardisées, destinées aux intégrateurs de robots humanoïdes qui veulent éviter de redévelopper leur propre châssis pour se concentrer sur la conception du corps et de la préhension. Le NERA-C cible les robots à roues-pattes et quadrupèdes : il regroupe cartographie, positionnement, navigation, contrôle de mouvement et gestion de charge utile sur une plateforme unique, avec cartographie mixte intérieur-extérieur. Il s'appuie sur le système CLOUDIA pour la gestion de flottes et l'orchestration de robots hétérogènes, et propose des outils de déploiement graphique low-code destinés aux intégrateurs de solutions d'inspection. La thèse d'IPLUSMOBOT est que la valeur de l'IA incarnée ne dépend pas seulement des capacités cognitives des modèles, mais de la fiabilité avec laquelle un agent peut agir physiquement dans la durée, malgré des conditions rares, des contraintes de sécurité, de précision, de cadence de production et de retour sur investissement. Alors que l'attention du secteur se porte sur les formes humanoïdes, les modèles VLA et l'intelligence cognitive générale, la mobilité est souvent traitée comme un problème déjà réglé. IPLUSMOBOT conteste ce postulat : pertes de positionnement, arrêts liés à des collisions et conflits d'ordonnancement continueraient, selon l'entreprise, d'affecter directement la cadence des lignes de production et la disponibilité des systèmes. En proposant une brique de mobilité standardisée plutôt qu'un robot humanoïde complet, IPLUSMOBOT se positionne comme fournisseur d'infrastructure plutôt que comme concurrent direct des fabricants de robots, une illustration de la division du travail qui s'installe dans la filière entre spécialistes de la mobilité et équipes qui construisent l'intelligence et les applications par-dessus. Pour l'instant, il s'agit d'une annonce de gamme présentée en salon, sans données publiques de déploiements clients, de volumes ou de tarifs. Le projet trouve son origine dans les travaux de l'équipe de robotique de l'Université du Zhejiang sur les robots mobiles autonomes, un segment où IPLUSMOBOT revendique plusieurs années de déploiements industriels avant de formaliser cette expérience en plateforme réutilisable. La gamme NERA s'inscrit dans un marché chinois de la robotique incarnée en forte accélération, porté sur le segment humanoïde par des acteurs comme Unitree, Fourier Intelligence ou AgiBot, mais où peu de fournisseurs proposent explicitement une couche de mobilité découplée du reste du robot. IPLUSMOBOT mise sur l'ouverture et la standardisation des interfaces pour accélérer les livraisons de ses partenaires, en pariant que quel que soit le vainqueur de la course aux formes robotiques ou aux architectures d'IA, un déplacement stable, sûr et efficace restera un prérequis incontournable pour l'industrie. L'entreprise n'a pas communiqué de calendrier de déploiements pilotes ni de partenariats nommés à ce stade, la présentation au WAIC 2026 servant avant tout à positionner NERA-P et NERA-C comme fondation technique disponible pour les intégrateurs du secteur.

InfrastructureActu
1 source
Le système d'excavation lunaire prêt pour mission vise 2028 pour la base lunaire de la NASA
28Interesting Engineering 

Le système d'excavation lunaire prêt pour mission vise 2028 pour la base lunaire de la NASA

Interlune, société spécialisée dans les ressources lunaires, et Vermeer Corporation, fabricant américain d'équipements industriels actif depuis près de huit décennies, ont annoncé l'extension de leur partenariat pour développer des systèmes de construction destinés aux futures missions de base lunaire de la NASA. Les deux entreprises visent une version prête pour une mission opérationnelle de leur outil de préparation de site lunaire d'ici 2028, calendrier aligné sur les plans à long terme de la NASA pour une présence permanente sur la Lune. Le projet fait suite à un premier prototype d'excavatrice lunaire grandeur nature, dévoilé en mai 2025, qui avait servi de preuve de concept technique. La feuille de route prévoit désormais l'intégration du système à un rover lunaire, avec des essais sur Terre avant une démonstration sur la surface lunaire elle-même. L'engin devra fonctionner dans un environnement couvert de poussière abrasive, soumis à des écarts de température extrêmes et à des délais de communication avec la Terre, ce qui impose un haut niveau d'autonomie avec une intervention humaine limitée. Ce partenariat illustre la montée en puissance d'un segment encore embryonnaire mais stratégique de l'économie spatiale: l'équipement lourd capable de préparer physiquement le terrain avant l'arrivée des astronautes. Avant de construire des habitats ou des zones d'atterrissage stables, il faut niveler, stabiliser et terrasser, des tâches jusqu'ici jamais réalisées de façon autonome hors de la Terre. Pour les intégrateurs et décideurs du secteur robotique, ce projet teste concrètement la capacité de systèmes robotiques industriels à opérer sans supervision continue dans des conditions extrêmes, un enjeu qui dépasse largement le seul contexte lunaire et qui pourrait aussi bénéficier à des applications terrestres en environnements dangereux. Il s'agit pour l'instant d'une annonce de partenariat et d'un objectif de calendrier, pas d'un produit livré ni d'un déploiement réel: la prudence reste de mise tant que le système n'a pas été testé sur Terre, a fortiori sur la Lune. Interlune apporte son expertise en robotique et en opérations spatiales, tandis que Vermeer met à profit son savoir-faire en ingénierie de chantier terrestre, accumulé sur des décennies dans la construction industrielle. Rob Meyerson, cofondateur et PDG d'Interlune, présente l'excavation fiable et la mobilité autonome comme les fondations de toute infrastructure lunaire permanente, tandis que Jason Andringa, PDG de Vermeer, qualifie la Lune de "chantier le plus exigeant" que son entreprise ait jamais affronté, évoquant une collaboration élargie avec la NASA et d'autres partenaires. Au-delà de 2028, les deux sociétés envisagent que cette technologie d'excavation autonome serve de socle à l'extraction de ressources lunaires, voire à de futures missions vers Mars, dans un contexte où gouvernements et entreprises privées intensifient leurs ambitions d'infrastructures spatiales.

InfrastructureActu
1 source
5 plateformes d'infrastructure pour l'IA physique qui façonnent la robotique en 2026
29Robotics Business Review 

5 plateformes d'infrastructure pour l'IA physique qui façonnent la robotique en 2026

NVIDIA reste l'acteur le plus fondamental de l'infrastructure IA physique, avec sa suite Isaac qui couvre simulation, apprentissage robotique, modèles de fondation et évaluation de politiques : Isaac Sim pour la simulation physique, Isaac Lab pour l'entraînement de modèles de fondation, Isaac GR00T pour le développement humanoïde généraliste, et Isaac Lab-Arena pour l'évaluation de politiques à grande échelle accélérée par GPU. Au niveau physique, le moteur Newton, développé avec Google DeepMind et Disney Research et géré par la Linux Foundation, est un moteur open source accéléré par GPU couvrant contacts, friction, dynamique des corps rigides et souples, actionneurs et capteurs. Deuxième acteur cité, Applied Intuition, né pendant l'ère des véhicules autonomes, propose désormais une plateforme d'ingénierie de validation pour machines autonomes couvrant automobile, défense, poids lourds, mines, construction et agriculture. Cette montée en puissance illustre un basculement structurel : l'infrastructure de l'IA physique ne se résume plus au calcul brut comme pour les grands modèles de langage, mais devient un empilement de couches interdépendantes, allant des démonstrations réelles à la simulation physique en passant par les données synthétiques et l'entraînement de politiques. Pour un robot, entraîner un modèle ne suffit pas : il faut prouver qu'il tiendra dans des conditions réelles coûteuses, dangereuses ou impossibles à reproduire physiquement à répétition, ce qui explique l'émergence de la validation comme discipline d'ingénierie à part entière, distincte du simple entraînement de modèles. L'avantage stratégique de NVIDIA ne tient pas à un produit isolé mais à sa capacité à relier calcul, génération de mondes virtuels, physique, données synthétiques, entraînement et déploiement embarqué au sein d'un même écosystème, ce qui en fait le substrat de développement le plus proche d'un standard commun pour le secteur. Reste une question ouverte : l'entreprise gardera-t-elle cet écosystème ouvert, ou l'orientera-t-elle davantage vers son propre matériel et ses propres logiciels, au risque de devenir une plateforme verticalement intégrée plutôt qu'un substrat neutre. Sur le plan historique, NVIDIA a construit sa position en remontant progressivement de l'accélération matérielle vers la simulation, les modèles de fondation et l'évaluation, tandis qu'Applied Intuition a capitalisé sur son expertise acquise durant l'essor des véhicules autonomes pour l'étendre à l'ensemble des machines autonomes physiques. Ces deux plateformes ne représentent que deux des cinq points de contrôle identifiés dans la chaîne émergente de l'IA physique, les trois autres couvrant les opérations sur les données, l'outillage open source et l'apprentissage continu, des segments que la course à l'humanoïde et à l'automatisation industrielle devrait faire converger dans les prochains mois.

InfrastructureActu
1 source
NeoRacer : voiture de course autonome open source à l'échelle 1:12, standardisée pour l'évaluation et l'enseignement
30arXiv cs.RO 

NeoRacer : voiture de course autonome open source à l'échelle 1:12, standardisée pour l'évaluation et l'enseignement

La Neobotics Foundation et Seeed Studio ont présenté NeoRacer, une plateforme open source de voiture de course autonome à l'échelle 1:12, conçue pour le benchmarking et l'enseignement en robotique. Vendue pré-assemblée à 2 699 dollars, elle embarque un NVIDIA Jetson Orin Nano délivrant 67 TOPS de calcul, un LiDAR à 270 degrés, une caméra global shutter à 120 images par seconde et une centrale inertielle 9 axes. Seeed Studio assure la fabrication, avec pour objectif une production évolutive et reproductible. Selon les concepteurs, NeoRacer offre plus de trois fois la puissance de calcul des plateformes comparables, pour moins de la moitié du prix de l'alternative pré-assemblée la plus proche. Le matériel est publié sous licence CERN-OHL-S v2 et le logiciel sous GPLv3 ; fichiers de conception, firmware et paquets ROS2 sont accessibles publiquement. Deux déploiements pilotes ont validé l'architecture : le programme IAP du MIT, avec 15 étudiants, et le CPS Lab de l'université de Boston, avec 10 étudiants. La recherche en course autonome souffre d'un manque de plateforme matérielle standardisée : les équipes assemblent des systèmes maison ou achètent des véhicules de niche coûteux, ce qui rend la comparaison des algorithmes et la reproductibilité des résultats difficiles d'un laboratoire à l'autre. Cette fragmentation limite aussi l'accès des équipes hors des laboratoires bien financés, tandis que les robots éducatifs abordables restent souvent sous-dimensionnés en calcul embarqué. En proposant un châssis unique, ouvert et documenté à un prix contenu, NeoRacer cherche à combler ce vide, à la manière dont d'autres disciplines scientifiques ont accéléré leurs progrès grâce à des bancs d'essai partagés. Pour les chercheurs en contrôle et robotique comme pour les enseignants, cela ouvre la possibilité de comparer des algorithmes de perception et de planification sur un matériel commun plutôt que sur des configurations disparates, un enjeu concret pour la crédibilité des publications et l'accessibilité pédagogique. Le projet est porté conjointement par la Neobotics Foundation, dédiée à l'open hardware robotique, et Seeed Studio, fabricant connu pour ses cartes de développement et son implication dans plusieurs initiatives matérielles ouvertes en robotique et IA embarquée. NeoRacer s'inscrit dans la lignée des plateformes de course miniature autonome existantes, comme F1TENTH, référence académique du domaine, avec l'ambition d'un meilleur compromis coût-performance et d'une chaîne de production industrialisée plutôt qu'artisanale. La publication détaille les choix d'architecture matérielle et logicielle ainsi que les arbitrages coût-performance issus des deux déploiements pilotes. La disponibilité publique de l'ensemble des fichiers de conception laisse présager une adoption élargie par d'autres établissements, à confirmer par de futurs déploiements au-delà du MIT et de Boston University.

InfrastructureActu
1 source
Real2Sim2Real pour la manipulation vision-langage-action : un pipeline basé sur AMD ROCm
31arXiv cs.RO 

Real2Sim2Real pour la manipulation vision-langage-action : un pipeline basé sur AMD ROCm

Des chercheurs publient sur arXiv (2607.22997v1) une pile logicielle de bout en bout entièrement basée sur ROCm, l'écosystème ouvert d'AMD, pour entraîner et déployer des modèles vision-langage-action (VLA) en robotique de manipulation. L'architecture couvre trois niveaux de matériel AMD : silicium d'entraînement en datacenter, cartes Radeon PRO pour la simulation et le rendu, et puces Ryzen AI pour le calcul embarqué. Quatre démonstrations illustrent la pile : un pipeline sim-to-real entraîné avec le modèle SmolVLA et déployé sur un bras robotique Franka ; une tâche de sélection d'objet guidée par le langage baptisée « one-of-three » ; un pipeline real-to-sim qui associe des reconstructions de scènes réelles par 3D Gaussian Splatting (3DGS) au moteur physique Genesis pour générer des données d'entraînement synthétiques ; et un entraînement par renforcement à grande échelle pour la locomotion de robots quadrupèdes et humanoïdes, benchmarké sur plusieurs plateformes matérielles. L'ensemble fonctionne nativement sous ROCm et PyTorch sur des GPU RDNA4 (Radeon AI PRO R9700) et RDNA3.5 (Radeon PRO W7900), et les pipelines sont reproductibles gratuitement sur la Radeon Cloud Platform. L'enjeu dépasse la simple démonstration technique : la quasi-totalité des pipelines VLA publiés jusqu'ici, de SmolVLA à Pi-0 en passant par GR00T N2 ou Helix, s'entraînent et se déploient sur des écosystèmes CUDA de Nvidia, aujourd'hui quasi incontournable dans l'IA physique. En montrant qu'un pipeline sim-to-real complet, du rendu 3DGS à l'inférence embarquée, tient sur ROCm sans réécriture lourde, les auteurs ouvrent une alternative matérielle crédible pour les intégrateurs et laboratoires cherchant à diversifier leurs fournisseurs de calcul ou à réduire leurs coûts. Pour les décideurs B2B, le signal principal reste la reproductibilité gratuite via la Radeon Cloud Platform, qui abaisse la barrière d'entrée pour tester des politiques VLA sans investir dans du matériel Nvidia. Le papier demeure toutefois une preuve de faisabilité technique sur des tâches de manipulation limitées (un bras Franka, un tri à trois objets), sans démonstration de déploiement industriel à l'échelle ni de comparaison chiffrée de performance face aux stacks CUDA équivalentes. Cette publication s'inscrit dans la course engagée par AMD pour rattraper son retard face à Nvidia sur le marché de l'IA, et plus spécifiquement sur celui, naissant, de l'IA physique évoqué par Lisa Su au CES 2026 et par Jensen Huang lors de la GTC Paris de juin 2025. Le choix des briques logicielles, SmolVLA (Hugging Face), Genesis (moteur physique open source) et 3D Gaussian Splatting, situe les auteurs dans la mouvance open source de la robotique généraliste, aux côtés d'acteurs comme Physical Intelligence (Pi-0) ou Nvidia lui-même avec GR00T. Aucun acteur français ou européen n'apparaît dans cette publication centrée sur l'infrastructure matérielle. Les auteurs annoncent code et pipelines reproductibles dès aujourd'hui sur la Radeon Cloud Platform, sans toutefois préciser de calendrier de commercialisation ni de partenariats industriels concrets à ce stade.

InfrastructureActu
1 source
Robot low-cost, banc de test ArmnetBench v0.1 pour évaluer des politiques de manipulation en parallèle
32arXiv cs.RO 

Robot low-cost, banc de test ArmnetBench v0.1 pour évaluer des politiques de manipulation en parallèle

Des chercheurs ont publié ArmnetBench v0.1, un benchmark d'évaluation en conditions réelles pour les politiques de manipulation robotique, exécuté sur une flotte de bras low-cost SO-101 sous supervision humaine légère sur site. Cette première version compare 7 politiques sur 12 tâches, en configuration bras unique et bimanuelle. Chaque politique est entraînée ou affinée sur 50 démonstrations par tâche. Le benchmark comptabilise 2 518 rollouts de politiques et 600 démonstrations de référence, soit 3 118 épisodes au total, chacun annoté selon une échelle à trois niveaux (réussite, sous-optimal, échec). Les rollouts sont notés manuellement, tandis que les démonstrations sont par construction considérées comme réussies. L'ensemble des 3 118 épisodes est publié en deux formats standards, LeRobot v3.0 et RoboMeter, pour faciliter la réutilisation par la communauté. L'évaluation en conditions réelles reste le principal goulot d'étranglement du développement de politiques de manipulation généralistes : chaque rollout nécessite du matériel physique et un opérateur pour installer, réinitialiser et noter la tentative, ce qui limite fortement le volume de tests réalisables face aux simulateurs. En s'appuyant sur des bras SO-101 peu coûteux et une supervision réduite, ArmnetBench propose un compromis entre le coût d'un banc d'essai physique et la scalabilité recherchée pour comparer des politiques à grande échelle. Au-delà du classement, la valeur du jeu de données tient surtout à son étiquetage qualité par épisode : ces trajectoires annotées peuvent nourrir l'entraînement de modèles de récompense, de modèles du monde prédictifs, ou de politiques apprises sur des données de qualité mixte, un axe distinct de la simple mesure de performance. Ce travail s'inscrit dans la lignée des efforts communautaires autour de l'écosystème LeRobot et des bras robotiques abordables comme le SO-101, popularisés notamment par Hugging Face pour démocratiser la recherche en manipulation hors des laboratoires équipés de bras industriels coûteux. Il fait écho aux benchmarks existants bâtis en simulation ou sur du matériel plus onéreux, en offrant une alternative reproductible à bas coût. Les auteurs présentent ce classement initial comme un point de départ sous budget partagé plutôt qu'une évaluation définitive, cette v0.1 servant avant tout à valider l'infrastructure de la ferme de bras de bout en bout. Les suites attendues incluent l'élargissement du nombre de tâches et de politiques comparées, ainsi que l'exploitation des données mixtes pour entraîner de nouveaux modèles.

InfrastructureActu
1 source
AMD dévoile le module Kria pour le contrôle en temps réel et la mémoire unifiée des robots
33Robotics 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
Retriever : composer des programmes robotiques asynchrones en boucle fermée
34arXiv cs.RO 

Retriever : composer des programmes robotiques asynchrones en boucle fermée

Une équipe de recherche publie Retriever, un framework pour construire des agents robotiques à horizon long qui enchaînent perception, mise à jour des croyances, planification et contrôle, des composants qui tournent à des cadences différentes avec des latences variables. Décrit dans un article arXiv (2607.17213v1), le système représente un agent comme un graphe de fonctions de flux causales et stateful, exécutées sur des horloges d'exécution explicites. Retriever couvre toute la pile technique : un modèle de décision asynchrone, un modèle de programmation, un runtime compilant ces graphes vers plusieurs backends, et un pipeline d'agent en boucle fermée fourni en exemple. Les auteurs formalisent cette approche via une boucle environnement-agent asynchrone sur des flux en temps continu, et démontrent que des politiques causales à mémoire finie peuvent être représentées par composition de ces opérateurs. Le système a été évalué à travers une étude de cas sur robot réel, complétée par des mesures contrôlées du surcoût du runtime et du comportement de rejeu déterministe. Le problème que Retriever cherche à résoudre est bien connu des équipes qui déploient des robots autonomes en conditions réelles : aujourd'hui, ces pipelines sont souvent assemblés avec des conventions de concurrence et de publication/abonnement ad-hoc, rendant implicite la sémantique de timing et de consommation des entrées. Résultat, un comportement dépendant de l'ordonnancement, difficile à reproduire, déboguer et réutiliser, un frein direct à la fiabilité des systèmes en production. En proposant un débogage systématique et un rejeu déterministe à partir de données asynchrones journalisées, Retriever s'attaque directement à un angle mort de l'ingénierie robotique actuelle, où la plupart des solutions traitent soit la couche algorithmique soit la couche systèmes, rarement les deux ensemble. Ce travail s'inscrit dans une tendance de fond de la recherche en robotique appliquée, cherchant à industrialiser les architectures d'agents complexes plutôt qu'à empiler des modèles plus puissants. Il fait écho aux efforts autour des architectures VLA (vision-language-action) et des pipelines multi-composants déployés sur des plateformes comme les humanoïdes ou les AMR, où la robustesse logicielle devient aussi critique que la performance des modèles eux-mêmes. Les auteurs ne précisent pas de partenariat industriel ni de calendrier de diffusion publique de l'outil, mais positionnent explicitement Retriever comme une brique d'infrastructure réutilisable, destinée aux équipes de recherche et développement construisant des agents robotiques à long horizon.

InfrastructureActu
1 source
Localisation UWB prête au déploiement pour robots industriels : calibrage automatique des ancres et fusion tenant compte du terrain
35arXiv cs.RO 

Localisation UWB prête au déploiement pour robots industriels : calibrage automatique des ancres et fusion tenant compte du terrain

Des chercheurs présentent, dans un article publié le 20 juillet 2026 sur arXiv (2607.15807v1), une chaîne de traitement complète pour la localisation par Ultra-Wideband (UWB) de robots mobiles autonomes (AMR) industriels, combinant calibration automatique des ancres et fusion multi-capteurs adaptée aux véhicules roulant au sol. Le système comprend deux étapes : une phase de calibration qui estime automatiquement la position des ancres UWB fixes ainsi que les biais de mesure de distance, puis une phase de localisation qui fusionne les données UWB avec les capteurs proprioceptifs embarqués via un filtre de Kalman étendu (EKF) tenant compte des biais, sans nécessiter un réglage manuel poussé des paramètres. La méthode a été testée sur un AMR logistique commercial en entrepôt, avec un positionnement précis maintenu en intérieur comme lors des transitions vers l'extérieur, et sa transférabilité a été validée sur un jeu de données indépendant issu d'un chariot élévateur (forklift). Le jeu de données d'entrepôt collecté a été rendu public. Cette avancée s'attaque à deux verrous concrets qui freinent l'adoption industrielle de l'UWB malgré son coût réduit et sa précision reconnue : la calibration des ancres statiques, longue et sujette aux erreurs manuelles, et l'intégration cohérente avec les capteurs déjà présents sur les AMR existants. En automatisant la calibration et en garantissant une fusion robuste même avec une couverture d'ancres éparse ou une visibilité directe limitée, les auteurs réduisent significativement l'effort de déploiement, un facteur souvent sous-estimé face aux annonces spectaculaires sur les capacités des robots. Pour les intégrateurs et décideurs en logistique, cela rapproche l'UWB d'une solution de localisation clé en main, complémentaire au LiDAR ou à la vision, particulièrement utile dans les zones où le GPS est absent et où les repères visuels manquent. L'UWB s'est imposé ces dernières années comme alternative économique aux systèmes de localisation plus complexes pour les AMR en environnement industriel, mais son déploiement à grande échelle restait entravé par la charge d'ingénierie liée à l'installation des ancres. Ce travail s'inscrit dans une tendance plus large de simplification des pipelines de localisation pour AMR, aux côtés d'approches concurrentes basées sur le SLAM visuel ou le LiDAR. La mise à disposition publique du jeu de données d'entrepôt devrait faciliter les comparaisons futures et l'adoption par d'autres équipes de recherche ou fournisseurs de flottes robotiques.

InfrastructureActu
1 source
Robots humanoïdes et interaction homme-robot dans les architectures d'IA générative via l'Agent-Client Protocol
36arXiv cs.RO 

Robots humanoïdes et interaction homme-robot dans les architectures d'IA générative via l'Agent-Client Protocol

Des chercheurs ont publié le 17 juillet 2026 sur arXiv (référence 2607.14919v1) une architecture combinant deux protocoles de communication pour les robots pilotés par des agents génératifs. Le papier propose d'adopter l'Agent-Client Protocol (ACP), un standard conçu à l'origine pour les agents de codage en ingénierie logicielle, comme contrat de communication unifié pour la couche d'interaction homme-robot (HRI), en le combinant au Model Context Protocol (MCP) déjà utilisé pour relier les agents à leurs capacités d'exécution. Le résultat est une architecture en trois couches totalement découplées : interaction humaine, orchestration délibérative et exécution physique. Les auteurs ont testé ce montage sur un robot mobile physique, en connectant trois interfaces utilisateur hétérogènes au même système robotique, et ont validé des flux de travail humain dans la boucle en temps réel avec un surcoût de latence jugé négligeable. Cette architecture s'attaque à un problème concret pour les intégrateurs : alors que la liaison agent-exécution converge vers une standardisation via MCP, la couche supérieure d'interaction homme-robot reste fragmentée par des interfaces propriétaires ad hoc, ce qui complique la collaboration en temps réel (observabilité, autorisation explicite, interruption immédiate de tâche). En rendant cette couche interchangeable, l'approche permettrait de connecter n'importe quelle interface cliente à un système robotique sans développement spécifique, et de remplacer la plateforme robotique sous-jacente sans casser les intégrations existantes côté client. Pour des décideurs B2B qui déploient des flottes hétérogènes ou évaluent plusieurs fournisseurs, cela réduirait le coût de verrouillage technique lié aux interfaces propriétaires, à condition que l'adoption dépasse ce prototype académique. Le travail s'inscrit dans la dynamique amorcée par Anthropic avec MCP, devenu en un peu plus d'un an une quasi-norme de facto pour connecter les LLM à des outils et données externes, y compris en robotique. L'ACP, lui, provient de l'écosystème des agents de codage logiciel, où il sert déjà à standardiser les échanges entre un agent et son client d'interface. Ce papier reste une démonstration de recherche, validée sur un seul robot mobile en laboratoire, et non un produit ou un déploiement industriel : reste à voir si des fabricants de robots ou des éditeurs d'orchestration agentique reprendront ce protocole, face aux interfaces propriétaires déjà déployées chez les grands acteurs de la robotique humanoïde et mobile.

InfrastructureActu
1 source
NVIDIA dévoile les nouveaux ordinateurs Jetson Thor pour démocratiser la robotique et l'IA en périphérie
37NVIDIA Blog Robotics 

NVIDIA dévoile les nouveaux ordinateurs Jetson Thor pour démocratiser la robotique et l'IA en périphérie

NVIDIA a présenté les modules Jetson T3000 et T2000, basés sur l'architecture Thor, avec pour objectif de démocratiser les supercalculateurs d'IA embarquée pour la robotique et les systèmes autonomes. Le Jetson et IGX T3000 délivre 865 téraflops en FP4 dans un format deux fois plus compact et moins gourmand en énergie que le T5000, grâce à un GPU Blackwell, un CPU Arm Neoverse huit cœurs, 32 Go de mémoire LPDDR5X, une bande passante de 273 Go/s et une connectivité 25 GbE. La version IGX T3000 intègre en plus une sécurité fonctionnelle certifiée et fait tourner la pile Halos for Robotics pour les robots évoluant à proximité d'humains. Le T2000, plus modeste avec 400 téraflops FP4 et 16 Go de mémoire, cible les robots mobiles autonomes, les bras manipulateurs industriels et les agents visuels. L'ensemble porte la gamme Jetson d'une fourchette de 70 TOPS à 2 000 téraflops. Des entreprises comme 1X, Agility, Agile Robots, Amazon Robotics, Boston Dynamics, FANUC, Hitachi, Medtronic ou Techman Robot construisent déjà sur cette plateforme. NVIDIA a également lancé des "agent skills" logiciels d'optimisation mémoire : UBTech, Agile Robots et Connect Tech affirment avoir réduit leur usage mémoire jusqu'à 15 Go, permettant de repasser d'un module Orin 64 Go à 32 Go ; SandStar évoque 4 Go économisés dans le retail intelligent, et NoTraffic annonce 30% de mémoire libérée sur Jetson TX2 NX. L'enjeu réel n'est pas la puissance de calcul brute, déjà abondante, mais son coût. En pleine flambée des prix mémoire, réduire l'empreinte RAM permet de descendre d'un cran dans la gamme de composants sans perdre en performance, un levier direct sur les marges des fabricants de robots humanoïdes qui cherchent à passer du prototype à la production de série. Ces annonces confirment surtout que la quasi-totalité des acteurs majeurs de la robotique humanoïde et industrielle s'appuie sur le même socle silicium NVIDIA plutôt que de développer leurs propres puces, une dépendance qui pèsera sur les rapports de force à mesure que les volumes augmentent. Il faut toutefois noter que les chiffres de gains mémoire proviennent de témoignages clients sélectionnés par NVIDIA, sans benchmark indépendant, et que les performances FP4 annoncées restent des mesures constructeur. Ces modules Thor succèdent au Jetson AGX Thor dévoilé précédemment et prolongent la lignée Jetson Orin, avec un objectif affiché de couvrir tous les segments d'edge AI, du drone au robot industriel. Aucun acteur français ou européen de la robotique n'est cité parmi les entreprises partenaires mentionnées dans cette annonce. La suite passera par l'élargissement progressif des "agent skills" à l'ensemble du portefeuille Jetson, Thor comme Orin, et par l'intégration continue de nouveaux clients robotique dans l'écosystème Thor.

InfrastructureOpinion
1 source
Développer plus rapidement des runtimes USD légers grâce à des agents IA
38NVIDIA Developer Blog 

Développer plus rapidement des runtimes USD légers grâce à des agents IA

NVIDIA a publié un billet technique sur OpenUSD, le langage de description de scène ouvert utilisé pour l'IA physique, qui réunit dans une même représentation partagée les données CAD, les assets de simulation et la télémétrie issue de capteurs réels. Le texte explique comment des agents IA de codage peuvent accélérer la construction de runtimes légers pour ce format. Jusqu'ici, bâtir une implémentation de USD obligeait à adapter la base de code volumineuse héritée du SDK de référence de Pixar, même pour des besoins de mémoire réduite, comme sur du matériel embarqué ou des contrôleurs robotiques. OpenUSD s'est imposé comme le format pivot des jumeaux numériques et de la simulation robotique, porté notamment par NVIDIA via Omniverse et Isaac Sim, mais son adoption sur des plateformes contraintes en mémoire butait sur la lourdeur du code source d'origine. Si des agents IA permettent vraiment de générer des runtimes USD sur mesure plus vite, cela lèverait une barrière réelle pour les intégrateurs, les fabricants de robots et les fournisseurs de puces. Le communiqué ne fournit toutefois aucune métrique chiffrée, ni gain de temps, ni retour client : à ce stade, il s'agit d'une démonstration de méthode, pas d'un outil livré. OpenUSD est né chez Pixar, qui l'a conçu pour ses pipelines d'animation avant de l'ouvrir en open source ; depuis 2023, sa gouvernance revient à l'Alliance for OpenUSD (AOUSD), qui réunit Pixar, NVIDIA, Adobe, Apple et Autodesk. NVIDIA en a fait le socle de sa plateforme Omniverse et de ses outils de simulation robotique, d'où son intérêt à favoriser des runtimes alternatifs plus légers que le SDK officiel. L'article ne précise ni date de disponibilité ni partenaire pilote pour cette approche par agents IA.

InfrastructureActu
1 source
Clé du progrès des humanoïdes : gérer l'énergie derrière les robots
39Robotics Business Review 

Clé du progrès des humanoïdes : gérer l'énergie derrière les robots

Murata Power Solutions présente, dans cet épisode du podcast Designing the Future animé par Jim Anderton, les défis d'ingénierie liés à l'alimentation électrique des robots humanoïdes. John Quinlan, Senior Engineering Manager chez Murata Power Solutions (Boston), y détaille pourquoi la gestion de l'énergie embarquée devient le facteur limitant des performances robotiques. Alors que la vitesse, la mobilité, la dextérité, la vision et les interfaces utilisateur des humanoïdes progressent à un rythme soutenu, avec des annonces quasi hebdomadaires dans le secteur, la conversion de l'énergie stockée en batteries ou en piles à combustible embarquées vers les formes utilisables par la mécatronique et l'électronique de contrôle reste un point de blocage physique incontournable. Murata y présente sa gamme de convertisseurs de puissance compacts et à haut rendement, couvrant un large spectre de besoins, des applications de faible puissance jusqu'aux systèmes de forte puissance, destinés aux marchés industriels, médicaux, des télécommunications et de l'information. Ce constat rappelle une réalité souvent éclipsée par les vitrines spectaculaires des démonstrations d'humanoïdes: la performance perçue d'un robot, qu'il s'agisse de sa vitesse de déplacement ou de la fluidité de ses gestes, dépend directement de l'efficacité de sa chaîne d'alimentation électrique. Pour les intégrateurs et décideurs industriels, ce rappel a une portée concrète: l'autonomie, le poids embarqué et la fiabilité thermique d'un humanoïde ne se jouent pas uniquement dans les algorithmes de contrôle moteur ou les modèles vision-langage-action, mais aussi dans des composants moins visibles comme les convertisseurs DC-DC et la gestion thermique de l'électronique de puissance. C'est un angle mort fréquent des comparatifs entre plateformes comme Figure 03, Optimus ou Atlas, qui se concentrent sur le payload, les degrés de liberté ou le temps de cycle sans détailler l'architecture énergétique sous-jacente. Ce format podcast s'inscrit dans une série éditoriale de The Robot Report consacrée aux coulisses techniques de la robotique, où des fournisseurs de composants critiques mais peu médiatisés, capteurs, actionneurs, systèmes d'alimentation, prennent la parole aux côtés des géants de l'humanoïde. Murata Power Solutions, filiale du groupe japonais Murata Manufacturing, est un acteur établi de longue date dans l'électronique de puissance pour environnements contraints, bien avant l'essor actuel des humanoïdes commerciaux. Aucune annonce de produit spécifique aux humanoïdes n'est faite ici: il s'agit d'un contenu de positionnement technique et commercial, destiné à installer Murata comme fournisseur de référence auprès des concepteurs de robots à mesure que la demande en solutions d'alimentation embarquée haute densité s'intensifie.

InfrastructureActu
1 source
Robots avant déploiement : pourquoi les équipes de robotique ont besoin de salles d'entraînement virtuelles
40Robotics 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
Robot-chien dans le navigateur
41Hackaday Robots Hacks 

Robot-chien dans le navigateur

Un simulateur de chien robot tourne dans le navigateur, sans installation ni matériel. Hackaday présente cet outil basé sur Bittle, le robot quadrupède open source de Petoi vendu sous le nom OpenCat, doté de 9 degrés de liberté : un servomoteur dans la tête et huit répartis sur les quatre pattes. L'ensemble du code s'exécute dans un IDE web gratuit, et l'utilisateur peut piloter le robot virtuel via des boutons à l'écran ou des commandes série documentées, comme "ksit" pour faire asseoir le chien. La logique principale se trouve dans deux fichiers, read_serial, placé de façon surprenante dans src/moduleManager.h, et reaction, dans src/reaction.h. Un clic sur "compile" charge et exécute le code modifié directement dans le robot simulé, permettant de tester des séquences de mouvements, par exemple un enchaînement assis, debout, salto arrière et salto avant répété toutes les 1000 itérations de boucle, sans risquer d'endommager de vrais servomoteurs en cas de chute de bureau. Le sponsor de l'article commercialise le robot en kit ou assemblé, mais la base logicielle étant ouverte, il reste possible de construire sa propre version. Cet outil ne constitue pas un produit commercial ni un déploiement industriel, mais il illustre une tendance utile pour les makers et les développeurs de robotique amateur : tester du code de comportement sur un jumeau virtuel avant tout contact avec le matériel physique, une pratique de simulation-avant-exécution déjà standard chez les plateformes humanoïdes haut de gamme mais rarement accessible sur des quadrupèdes open source à petit budget. Cela réduit le risque de casse de servomoteurs pendant le développement et abaisse la barrière d'entrée pour expérimenter sans acheter de matériel au préalable. L'article souligne aussi le positionnement d'OpenCat entre les jouets bon marché, peu capables, et les plateformes robotiques sérieuses, dont le prix reste élevé : Bittle occupe un créneau intermédiaire, hackable et documenté, mais qui nécessite tout de même un investissement réel pour exploiter pleinement le matériel. OpenCat, déjà couvert par Hackaday par le passé, repose sur un firmware ouvert et des servomoteurs standards, ce qui le distingue de plateformes fermées comme celles de Boston Dynamics ou Unitree, où le code de contrôle n'est pas modifiable par l'utilisateur. Le robot peut aussi être étendu avec des capteurs additionnels montés au niveau de la gueule, ou voir sa tête remplacée par un bras si des servomoteurs suffisamment puissants sont installés. Aucun calendrier de déploiement commercial n'est mentionné : il s'agit d'un outil de développement destiné aux propriétaires actuels ou futurs du robot, pensé pour prototyper des comportements avant tout achat ou assemblage physique.

InfrastructureTuto
1 source
Le premier simulateur open source au monde élargit l'accès à la recherche avancée en robotique spatiale
42Interesting Engineering 

Le premier simulateur open source au monde élargit l'accès à la recherche avancée en robotique spatiale

L'université Rice et la NASA ont dévoilé lors de la conférence ICRA 2026 à Vienne le premier simulateur open source au monde dédié à la robotique intravéhiculaire, baptisé iMETRO Dynamic Simulation. Développé conjointement par une équipe de Rice et du Johnson Space Center, l'outil reproduit sous forme de jumeau numérique haute fidélité l'installation physique iMETRO de la NASA, avec ses maquettes grandeur nature d'intérieurs de vaisseaux spatiaux et d'habitats lunaires. Le cœur du simulateur repose sur un modèle détaillé de manipulateur robotique à huit degrés de liberté (8-DOF), représentatif des plateformes utilisées pour les opérations spatiales. La plateforme s'appuie sur ROS 2 et sur le moteur physique MuJoCo, permettant d'utiliser les mêmes modèles de robots dans les deux environnements sans modification majeure, et intègre un outil de conversion facilitant le passage du logiciel de la simulation vers le robot réel. Lors d'une démonstration, l'équipe a développé une application robotique entièrement en simulation puis l'a déployée sur l'installation physique iMETRO en moins d'une journée. Cette ouverture change la donne pour un secteur de la recherche spatiale historiquement bridé par l'absence d'environnements de simulation publics capables de reproduire fidèlement les contraintes de manipulation en microgravité et dans des espaces confinés. Jusqu'ici, l'essentiel des développements reposait sur des outils propriétaires ou un accès restreint aux installations d'essai de la NASA, ce qui limitait la collaboration entre laboratoires et ralentissait l'innovation. En rendant ce jumeau numérique accessible gratuitement, Rice et la NASA permettent à des équipes de recherche du monde entier de concevoir, tester et valider des logiciels robotiques sans avoir besoin d'un accès physique au Johnson Space Center. Le transfert simulation-vers-réel effectué en moins de 24 heures constitue une validation concrète de la fidélité du jumeau numérique, un point souvent contesté dans les annonces de ce type, et illustre un raccourcissement réel des cycles de développement plutôt qu'une simple promesse marketing. Les robots manipulateurs visés doivent prendre en charge des tâches de logistique et de maintenance à bord des vaisseaux et futurs habitats lunaires, comme le transport de fournitures, le déplacement de cargaisons ou le rangement d'équipements, afin de réduire la charge de travail des astronautes lors des missions longue durée vers la Lune et au-delà. La maintenance et la logistique routinières occupent en effet une part importante du temps d'équipage, et leur automatisation partielle libérerait du temps pour la recherche scientifique. Cette initiative s'inscrit dans une dynamique plus large de développement d'architectures modulaires permettant de tester rapidement de nouveaux logiciels et configurations matérielles dans des maquettes de vaisseaux reconfigurables, sans dépendre des créneaux d'accès limités aux infrastructures physiques de la NASA.

UECe simulateur open source pourrait profiter aux laboratoires de recherche européens en robotique spatiale, mais aucun acteur français ou européen n'est implique dans son développement.

InfrastructureActu
1 source
Niantic Spatial ajoute l'export USDZ à Scaniverse pour simplifier les workflows de simulation robotique
43Robotics & Automation News 

Niantic Spatial ajoute l'export USDZ à Scaniverse pour simplifier les workflows de simulation robotique

Niantic Spatial a ajouté l'export au format USDZ dans son application de scan 3D Scaniverse, permettant de transformer un environnement réel capturé au smartphone en jumeau numérique importable dans Nvidia Isaac Sim, la plateforme de simulation robotique de Nvidia. Scaniverse, rachetée par Niantic en 2021, servait jusqu'ici à la capture 3D grand public sur iPhone. L'USDZ, dérivé du standard Universal Scene Description de Pixar, assure la compatibilité des scans avec les moteurs physiques d'entraînement des robots dans l'écosystème Nvidia Omniverse. Niantic Spatial ne précise ni date de disponibilité ni tarif. Cette annonce s'attaque au sim-to-real gap, l'écart de performance entre un robot entraîné en simulation et son comportement confronté au désordre du réel, obstacle central au déploiement des modèles VLA en entrepôt ou en usine. Pour les intégrateurs, remplacer la modélisation manuelle d'un site par un scan smartphone promet de réduire le temps de construction des jumeaux numériques dans Isaac Sim. Rien n'indique que la fidélité d'un scan Scaniverse égale celle des relevés LiDAR professionnels utilisés pour ce type de simulation. Niantic Spatial est issue de la scission de Niantic, dont l'activité jeux, Pokémon GO et Monster Hunter Now, a été cédée à Scopely en 2025, l'entreprise conservant sa technologie de cartographie spatiale pour se repositionner sur le spatial computing et la robotique. L'intégration à Isaac Sim rapproche Niantic Spatial de l'écosystème Nvidia, sur lequel s'appuient des modèles VLA concurrents comme Pi-0 de Physical Intelligence ou GR00T N2 de Nvidia. Aucun calendrier de déploiement pilote n'a été communiqué.

InfrastructureActu
1 source
Une université américaine renforce sa recherche en robotique et IA physique avec les systèmes OptiTrack
44Interesting Engineering 

Une université américaine renforce sa recherche en robotique et IA physique avec les systèmes OptiTrack

Carnegie Mellon University (CMU) a inauguré le 27 février 2026 son nouveau Robotics Innovation Center (RIC), un bâtiment de 150 000 pieds carrés (environ 14 000 m²) implanté à Hazelwood Green, sur l'ancien site de l'aciérie Jones & Laughlin à Pittsburgh. Pour équiper ce centre, l'université a signé un partenariat technologique pluriannuel avec la société américaine OptiTrack, spécialiste de la capture de mouvement, qui a installé 92 caméras haute performance réparties sur deux installations. Le Motion Capture Studio intérieur compte 28 caméras PrimeX41 et quatre caméras de référence Prime Color, offrant une précision de suivi de l'ordre du micron sur un volume de capture de 2 800 pieds carrés. La Drone Cage extérieure embarque 60 caméras VersaX120, le système le plus haute résolution du catalogue d'OptiTrack pour l'extérieur, certifiées IP66 pour résister aux intempéries, dans une enceinte de 38 pieds de haut sur 6 000 pieds carrés au sol. Les deux installations reposent sur la technologie propriétaire ActiveIO Tracking, capable d'identifier et de suivre simultanément des centaines d'objets en mouvement, avec une précision annoncée jusqu'à 50 microns. « Que ce soit pour suivre des systèmes multi-robots, des essaims de drones ou des mouvements humains, la gamme de caméras et de capteurs d'OptiTrack permettra une nouvelle génération de découvertes », a déclaré Martial Hebert, doyen de la School of Computer Science de CMU. Pour les intégrateurs et chercheurs en robotique, ce type d'infrastructure de capture de mouvement joue un rôle clé mais souvent sous-estimé dans le développement de l'IA physique: elle fournit la vérité terrain nécessaire pour valider les algorithmes de navigation autonome, de coordination multi-robots ou d'apprentissage par imitation, avant tout déploiement réel. Disposer d'un volume de test couvrant à la fois intérieur et extérieur avec une précision submillimétrique permet de tester des essaims de drones ou des robots humanoïdes dans des conditions proches du terrain, sans les risques ni les coûts d'essais en environnement non contrôlé. C'est un signal supplémentaire que la recherche académique américaine structure ses moyens autour de la robotique et de l'IA physique à une échelle industrielle, avec un centre dédié plutôt que des laboratoires dispersés. Pour les décideurs B2B, l'enjeu est de suivre où se construisent les futurs standards de validation et de benchmarking des systèmes autonomes, ces infrastructures universitaires servant souvent de terrain d'essai avant transfert vers l'industrie. Le RIC comprend, outre les deux installations OptiTrack, un plateau d'essais robotiques de 50 000 pieds carrés et un laboratoire de recherche aquatique. Il s'inscrit dans le Physical AI Accelerator de CMU, une initiative soutenue par l'État visant à faire converger robotique, capteurs et intelligence artificielle. Les nouveaux systèmes profiteront notamment à l'AirLab de l'université, qui travaille sur les robots aériens autonomes et la coordination multi-robots, ainsi qu'aux recherches sur l'apprentissage par imitation et la modélisation de l'activité humaine. OptiTrack a par ailleurs rejoint, en tant que sponsor industriel, le Extended Reality Technology Center (XRTC) de CMU, créé en 2023, qui réunit chercheurs, entreprises technologiques et utilisateurs finaux autour de la réalité virtuelle et augmentée. Les chercheurs comptent utiliser ces systèmes de capture pour reconstituer des mouvements réels dans des environnements virtuels immersifs, au service d'études sur l'interaction homme-machine. Aucun montant financier du partenariat n'a été communiqué.

InfrastructureActu
1 source
EVA-Client : framework unifié de collecte, d'inférence et de déploiement pour politiques incarnées sur robots réels
45arXiv cs.RO 

EVA-Client : framework unifié de collecte, d'inférence et de déploiement pour politiques incarnées sur robots réels

Un nouveau framework open-source baptisé EVA-Client vient formaliser une brique jusqu'ici bricolée maison par chaque laboratoire de robotique manipulatrice : le pont entre un serveur d'inférence de politique et le robot physique. Publié sur arXiv début juillet 2026, l'outil unifie en un seul code base les trois étapes critiques de la boucle d'itération sur robot réel, déploiement, collecte de données et évaluation. Son architecture découple explicitement trois couches orthogonales, les backends robots, les stratégies d'inférence et les middlewares de transport, de sorte qu'ajouter un nouveau bras ou un nouvel algorithme ne touche qu'une seule couche du système. EVA-Client propose aussi trois modes d'exécution inspectables, Debug, Collect et Eval, allant de la simulation en boucle ouverte au contrôle temps réel continu. Surtout, chaque run d'évaluation enregistre automatiquement des rollouts complets au format prêt pour l'entraînement, avec logs exhaustifs et un visualiseur de comparaison côte à côte, transformant chaque test en donnée réutilisable plutôt qu'en simple observation perdue. Le framework consolide enfin les principales stratégies d'inférence temps réel du secteur, exécution synchrone et asynchrone, lissage temporel façon ACT, Real-Time Chunking, et une base asynchrone naïve servant de référence, derrière une seule interface de configuration. Pour les équipes qui entraînent des politiques d'imitation ou des modèles VLA (vision-language-action), ce type d'infrastructure comble un angle mort réel : la littérature regorge de nouvelles architectures de politiques, mais la mise en production sur robot réel reste souvent un patchwork non reproductible, ce qui complique les comparaisons équitables entre méthodes et ralentit le passage du prototype au déploiement en série. En traitant chaque évaluation comme une collecte de données, EVA-Client attaque directement le problème du volume de données réelles, goulot d'étranglement classique face aux modèles génératifs entraînés sur des corpus web massifs. Ce travail s'inscrit dans une vague plus large d'outillage d'infrastructure pour l'IA incarnée, à mesure que des modèles fondation comme Pi-0, GR00T N2 ou Helix gagnent en maturité et que le goulot se déplace de l'algorithme vers l'ingénierie de déploiement. Contrairement aux piles propriétaires fermées de certains acteurs commerciaux, une approche ouverte et modulaire pourrait faciliter les comparaisons inter-laboratoires et accélérer l'adoption par des équipes académiques ou industrielles ne disposant pas de stack maison.

InfrastructureOpinion
1 source
Une entreprise norvégienne dévoile le premier capteur ultrasonique 3D certifié au monde pour des robots plus sûrs
46Interesting Engineering 

Une entreprise norvégienne dévoile le premier capteur ultrasonique 3D certifié au monde pour des robots plus sûrs

L'entreprise norvégienne Sonair a dévoilé ADAR One, présenté comme le premier capteur ultrasonique 3D certifié pour la sécurité au monde destiné à la collaboration homme-robot. Le dispositif utilise une technologie de détection et télémétrie acoustique (ADAR) pour offrir un champ de perception spatiale tridimensionnelle de 180°×180°, permettant de détecter personnes et obstacles à toutes les hauteurs, contrairement aux capteurs de sécurité 2D classiques qui présentent des angles morts. Conçu pour les robots mobiles autonomes, les humanoïdes et les systèmes d'automatisation industrielle, ADAR One fonctionne comme une couche de sécurité indépendante des caméras, des logiciels d'IA et des systèmes de contrôle de mouvement, vérifiant en continu que l'environnement du robot est sûr avant et pendant son fonctionnement. Sonair précise qu'il s'agit du premier système embarqué certifié sécurité développé en Rust, langage réputé pour la fiabilité logicielle qu'il apporte. Le capteur est entré en production en série et équipe déjà des robots industriels : depuis le lancement de sa version bêta il y a un an, plus de 80 entreprises de robotique dans le monde l'ont évalué via le programme de test de Sonair, et plusieurs préparent désormais des déploiements commerciaux suite à l'obtention de la certification. Cette annonce s'attaque à un angle mort réel du secteur : à mesure que les robots gagnent en capacités grâce à l'IA, les systèmes de sécurité peinent à suivre, la difficulté principale résidant moins dans l'intelligence embarquée que dans la détection humaine fiable en toutes circonstances. En obtenant une certification conforme à certaines des normes de sécurité industrielle les plus strictes, ainsi qu'une approbation au titre de la réglementation européenne sur les machines, Sonair propose une alternative crédible aux scanners laser 2D omniprésents dans l'industrie. Pour les intégrateurs système, l'intérêt est double : une couverture 3D complète réduit à la fois la complexité de conception et le coût par rapport à la superposition de plusieurs capteurs 2D, et le format compact permet une intégration dans des AMR, des véhicules à guidage automatisé ou des cobots sans refonte majeure. Pour les fabricants de robots humanoïdes en particulier, cela ouvre la possibilité d'embarquer une couche de sécurité certifiée supplémentaire directement dans le corps du robot, en complément des caméras et de l'IA, un enjeu central alors que ces machines sont appelées à évoluer physiquement proches des humains en usine ou en entrepôt. Le lancement s'inscrit dans une phase de maturation plus large de la robotique collaborative, où la certification devient un différenciateur commercial autant qu'une contrainte réglementaire, comme le souligne le PDG de Sonair, Knut Sandven, qui évoque une "charge d'ingénierie" transformée en "différenciateur commercial pour toutes les parties prenantes". Le sujet fait écho à d'autres avancées récentes en perception robotique, comme les capteurs tactiles à changement de couleur développés par des chercheurs européens pour restituer le toucher en temps réel. Reste que les affirmations de Sonair (certification, standards visés, nombre d'entreprises évaluatrices) proviennent essentiellement du communiqué de l'entreprise elle-même, sans détail public sur les organismes certificateurs précis ni sur les clients ayant déjà engagé un déploiement commercial concret, ce qui invite à une lecture prudente en attendant des retours d'intégrateurs indépendants.

UELa certification d'ADAR One selon le règlement européen sur les machines en fait une option crédible pour les intégrateurs et fabricants de robots industriels et humanoïdes opérant en Europe.

InfrastructureOpinion
1 source
Embodied.cpp : un moteur d'inférence portable pour modèles d'IA incarnée sur robots hétérogènes
47arXiv cs.RO 

Embodied.cpp : un moteur d'inférence portable pour modèles d'IA incarnée sur robots hétérogènes

Des chercheurs publient sur arXiv (référence 2607.02501v1) un runtime d'inférence baptisé Embodied.cpp, conçu pour exécuter des modèles d'IA incarnée directement sur des robots physiques. Écrit en C++, il cible spécifiquement les modèles vision-langage-action (VLA) et les modèles monde-action (WAM), deux familles d'architectures qui équipent aujourd'hui la plupart des humanoïdes et bras robotiques pilotés par apprentissage. Le système s'organise en cinq couches, des adaptateurs d'entrée jusqu'aux adaptateurs de déploiement, en passant par la construction de séquences, l'exécution du backbone et des modules de tête interchangeables. Les auteurs l'ont testé sur deux modèles VLA, HY-VLA et pi0.5, obtenant des taux de réussite de tâches en boucle fermée de 100,0% et 91,0% respectivement. Sur un benchmark préliminaire de modèle WAM utilisant un bloc Transformer LingBot-VA, la mémoire consommée par bloc chute de 312,2 MiB à 88,1 MiB. Cette publication s'attaque à un problème très concret pour les intégrateurs robotiques: le déploiement des modèles d'IA incarnée reste aujourd'hui fragmenté entre piles Python spécifiques à chaque modèle, hypothèses matérielles disparates et code de liaison écrit à la main pour chaque robot. Les runtimes d'inférence existants sont pensés pour du serving requête-réponse classique, pas pour les contraintes réelles du contrôle robotique: exécution multi-fréquence dans une boucle fermée, inférence batch-1 en priorité latence sur du matériel hétérogène, et interfaces au-delà du simple flux de tokens. Si les résultats se confirment à plus grande échelle, un runtime portable unique capable de faire tourner plusieurs familles de VLA et de WAM sur des appareils edge variés réduirait significativement le travail d'ingénierie nécessaire pour passer d'un prototype en simulation à un déploiement réel sur robot, un des goulots d'étranglement les plus cités du secteur. Le travail s'inscrit dans la course actuelle autour des modèles génériques de contrôle robotique, aux côtés d'architectures comme Pi-0 de Physical Intelligence ou GR00T N2 de Nvidia, qui cherchent toutes à unifier perception, langage et action dans un seul modèle déployable sur du matériel varié. En proposant une couche d'abstraction backend commune plutôt qu'un modèle de plus, Embodied.cpp se positionne comme brique d'infrastructure plutôt que comme concurrent direct, un signe que la standardisation de l'inférence embarquée devient un enjeu aussi important que la performance des modèles eux-mêmes.

InfrastructureActu
1 source
ROSA : un système d'inférence de modèles fondation pour usines de robots
48arXiv cs.RO 

ROSA : un système d'inférence de modèles fondation pour usines de robots

Une équipe de recherche propose ROSA, un système de service d'inférence pour les modèles fondation de robotique (RFM), décrit dans un preprint publié sur arXiv (2607.01088, 1er juillet 2026). Contrairement aux systèmes existants qui traitent l'inférence comme un problème de calcul en périphérie, avec un GPU embarqué ou dédié par robot, ROSA repose sur trois principes: un pool de GPU partagé accessible en réseau par toute une flotte de robots, une abstraction de programmation "robotics-aware" gérant des pipelines multi-modèles avec exigences de performance par tâche et gestion des échecs, et un ordonnancement piloté par l'objectif global de l'usine plutôt que par la latence d'une seule requête. L'équipe l'a implémenté sur Ray Serve pour l'orchestration distribuée, avec vLLM, PyTorch et JAX comme moteurs d'inférence, et l'a évalué sur des robots réels ainsi que sur des charges de travail synthétiques à grande échelle. Résultat annoncé: jusqu'à 12,06 fois plus de productivité d'usine qu'avec des systèmes de service dédiés classiques, un chiffre qui reste à confirmer sur des déploiements industriels réels plutôt que sur les scénarios de test choisis par les auteurs. L'intérêt de ROSA est de remettre en cause l'hypothèse dominante selon laquelle l'inférence d'un modèle de robot doit tourner localement, robot par robot. En mutualisant des GPU de classe serveur sur le réseau, l'approche promet de meilleures performances d'inférence, une autonomie de batterie accrue et un taux d'utilisation GPU plus élevé, des enjeux critiques pour les industriels qui envisagent des flottes de robots humanoïdes ou mobiles plutôt que des unités isolées. Cela rapproche l'infrastructure de service robotique du modèle déjà adopté pour les grands modèles de langage en cloud, un signal utile pour les intégrateurs et décideurs qui raisonnent en coût par flotte plutôt qu'en coût par robot. Le travail s'inscrit dans la vague plus large des modèles fondation de robotique (VLA) qui rendent les robots généralistes envisageables en usine, où l'inférence reste souvent le goulot d'étranglement plutôt que l'apprentissage lui-même. Il s'agit ici d'une contribution académique, pas d'un produit commercialisé: aucun acteur français ou européen n'est cité, et le passage à l'échelle en production reste à démontrer au-delà des bancs d'essai présentés.

InfrastructureActu
1 source
En robotique, la résistance aux conditions extrêmes n'est plus optionnelle
49Robotics Business Review 

En robotique, la résistance aux conditions extrêmes n'est plus optionnelle

Cet article est signé par Isaiah Dominguez, directeur marketing chez WiBotic, ce qui en fait davantage une tribune promotionnelle qu'un reportage indépendant, un point à garder en tête pour la suite. Le texte pose un constat simple : les robots mobiles autonomes (AMR), longtemps conçus pour des entrepôts aux sols plats, à température stable et à connectivité fiable, sont désormais déployés dans des environnements bien plus hostiles, cours de distribution, sites industriels, hôpitaux, commerces, chantiers, exploitations agricoles et logistique extérieure, où poussière, humidité, vibrations, écarts de température et terrains irréguliers deviennent la norme plutôt que l'exception. Pour illustrer sa démonstration, WiBotic met en avant son propre produit, le chargeur embarqué OC-1000-WP : un système programmable étanche combinant charge sans fil et filaire, profils de charge configurables, gestion de batterie, diagnostics à distance, interface CANbus et boîtier certifié IP65 pour environnements exigeants. L'argument central, au-delà de l'autopromotion, mérite d'être pris au sérieux par les intégrateurs et décideurs industriels : l'infrastructure de charge reste l'un des maillons les plus négligés de la chaîne d'autonomie robotique, alors qu'elle conditionne directement le taux de disponibilité des flottes, la fréquence de maintenance et la capacité à monter en échelle. À mesure que les opérateurs cherchent à réduire l'intervention humaine et à allonger les fenêtres opérationnelles des robots, un chargeur qui tombe en panne à cause de l'humidité ou de la poussière annule les gains promis par l'autonomie logicielle, aussi avancée soit-elle en perception ou en apprentissage. Le message, dépouillé de son emballage commercial, rejoint une tendance de fond déjà observée chez d'autres fournisseurs de matériel robotique : la fiabilité physique conditionne la fiabilité logicielle, pas l'inverse. Historiquement, la conception durcie ("ruggedized") était l'apanage des systèmes militaires, miniers ou industriels lourds. Elle se banalise aujourd'hui dans la robotique commerciale, à mesure que les cas d'usage sortent des entrepôts climatisés pour aller vers l'extérieur et le semi-structuré, un segment que plusieurs analystes du secteur identifient comme l'un des relais de croissance les plus rapides pour les AMR. L'article ne cite aucun concurrent direct ni déploiement client nommé, et reste évasif sur les volumes ou les clients utilisant l'OC-1000-WP, ce qui limite sa valeur factuelle : il s'agit davantage d'un signal de positionnement marketing de WiBotic sur le segment de la charge robuste que d'une annonce de produit shipped avec preuves de déploiement à l'appui.

InfrastructureActu
1 source
Jaiveer Singh aide les robots et les développeurs à progresser plus rapidement
50NVIDIA Blog Robotics 

Jaiveer Singh aide les robots et les développeurs à progresser plus rapidement

Jaiveer Singh, ingénieur logiciel chez NVIDIA, dirige l'équipe responsable d'Isaac ROS (Robot Operating System), une pile logicielle open source construite sur le framework ROS 2 et accélérée par les bibliothèques CUDA de NVIDIA. Isaac ROS fournit aux développeurs un ensemble de modules pour la perception, la détection d'objets, la cartographie (SLAM), la détection de collision et la planification de mouvements. La plateforme est compatible avec les robots mobiles autonomes (AMR), les systèmes de manipulation et les humanoïdes, et peut s'exécuter sur des postes de travail, sur le DGX Spark (le supercalculateur IA personnel de NVIDIA) ainsi que sur les systèmes embarqués Jetson. Le projet a débuté comme un projet de stage de Singh, alors étudiant en génie électrique, informatique et gestion à l'Université de Californie Berkeley, avec une question simple : publier des bibliothèques GPU open source pour la robotique aurait-il de la valeur ? La réponse s'est avérée positive, et Isaac ROS est depuis devenu un composant central de l'écosystème robotique NVIDIA. L'importance d'Isaac ROS pour l'industrie tient à sa modularité et à son positionnement comme couche d'intégration entre l'IA générative et le déploiement physique. Contrairement à l'ancien Isaac SDK, la version ROS se présente, selon Singh lui-même, comme "un ensemble de briques LEGO" : les développeurs assemblent les modules selon leurs besoins et les combinent avec du code ROS communautaire existant. Pour un intégrateur ou un OEM qui cherche à passer de la démonstration au déploiement série, cette approche réduit la friction d'adoption. Elle répond aussi à une préoccupation structurelle du secteur : la pérennité de la pile logicielle. Un startup qui construit sur un système fermé doit faire confiance au fait que ce système correspondra toujours à ses besoins dans deux ou trois ans, une promesse difficile à tenir dans un marché qui se recompose chaque trimestre. L'open source apporte ici une garantie d'auditabilité et de continuité que les systèmes propriétaires peinent à offrir. NVIDIA s'est positionné sur la robotique bien avant que le secteur devienne un sujet grand public, et Isaac ROS s'inscrit dans cette continuité stratégique. La plateforme évolue aujourd'hui pour répondre aux exigences des humanoïdes, qui requièrent une stack logicielle de bout en bout capable de gérer des agents IA, de la simulation (Isaac Sim) au déploiement edge sur Jetson. Les concurrents directs sur la couche middleware incluent ROS 2 non-accéléré utilisé seul, mais aussi les environnements propriétaires de Boston Dynamics, Agility Robotics ou Figure AI, qui développent leurs propres stacks internes. NVIDIA joue ici un rôle transversal d'infrastructure partagée, moins visible qu'un robot humanoïde en vidéo, mais potentiellement plus déterminant pour la cadence industrielle du secteur. Les prochaines étapes annoncées portent sur le renforcement du support aux agents IA et aux systèmes humanoïdes, deux segments en forte croissance depuis 2024.

UELes intégrateurs et startups robotiques français et européens peuvent bénéficier d'Isaac ROS comme couche middleware open source pour accélérer leurs déploiements, mais l'impact reste indirect et dépendant de l'adoption de l'écosystème NVIDIA.

InfrastructureOpinion
1 source