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

Infrastructure

50 sur 58 articles

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

HumanoïdesIA physiqueIndustrielFR/EU ecosystemeChine/AsieRechercheBusinessExosquelettesRegulationSociete/EthiqueAutre
1arXiv cs.RO InfrastructureActu

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.

1 source
2NVIDIA 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
3Robotics 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
4Robotics 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
5Hackaday 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
6Interesting Engineering 

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

Voici l'article traduit et résumé (3 paragraphes, sans titres) : 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 europeens en robotique spatiale, mais aucun acteur francais ou europeen n'est implique dans son developpement.

InfrastructureActu
1 source
Une université américaine renforce sa recherche en robotique et IA physique avec les systèmes OptiTrack
7Interesting 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
8arXiv 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
9Interesting 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
10arXiv 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
11arXiv 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
12Robotics 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
13NVIDIA 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
CSAR : architecture système conteneurisée pour la robotique
14arXiv cs.RO 

CSAR : architecture système conteneurisée pour la robotique

Des chercheurs ont publié en juin 2026 CSAR (Containerized System Architecture for Robotics), un cadre architectural décrit dans un preprint arXiv (identifiant 2606.30293). L'architecture s'appuie sur la conteneurisation système via LXC/LXD, la communication inter-processus ROS 2/DDS, et une infrastructure edge organisée en trois couches : Infrastructure Core, Platform and Multi-User Orchestration, et Compute and Acceleration. Ces couches visent à créer des environnements d'exécution persistants et "hardware-affines", découplés des charges expérimentales volatiles. CSAR a été déployé et évalué dans un laboratoire de robotique académique à travers deux cas d'usage représentatifs : du SLAM 3D déporté sur serveur edge et de la cartographie sémantique accélérée par GPU. Les templates de déploiement, fichiers de configuration et documentation sont publiés en open source sur GitHub (goyoambrosio/CSAR). L'intégration logicielle en robotique distribuée souffre depuis des années de frictions récurrentes : isolation des dépendances défaillante, incompatibilités entre environnements embarqués et cloud, partage inefficace des GPU dans les équipes multi-utilisateurs. CSAR apporte une réponse structurée en séparant explicitement les couches d'infrastructure stables des workloads expérimentaux. Selon les auteurs, les résultats observés incluent une meilleure utilisation des ressources partagées, une intégration logicielle simplifiée et un prototypage plus sûr. Pour un intégrateur ou un responsable R&D, l'enjeu est concret : réduire le phénomène "works on my machine" et raccourcir le cycle test-déploiement sur des architectures edge hétérogènes, un problème chronique dans les labo multi-robots ou multi-chercheurs. L'adoption de Docker et Kubernetes en robotique s'est faite de manière ad hoc, sans tenir compte des contraintes spécifiques du secteur : latence temps-réel, accès direct au matériel (GPU, capteurs), et partage de ressources entre utilisateurs concurrents. CSAR s'inscrit dans un courant de travaux "devops for robotics" qui inclut AWS RoboMaker, les environnements CI Gazebo, ou encore des projets académiques sur la robotics cloud infrastructure. Il faut noter que CSAR reste pour l'instant une contribution de recherche avec un déploiement en labo académique, sans adoption industrielle annoncée. Les suites naturelles seraient une validation à plus grande échelle, sur des architectures multi-sites, ou une intégration dans des pipelines de déploiement de flottes robotiques réelles.

InfrastructureOpinion
1 source
NVIDIA Halos for Robotics : la sécurité des robots industriels entre dans une nouvelle ère
15Robot Magazine FR 

NVIDIA Halos for Robotics : la sécurité des robots industriels entre dans une nouvelle ère

NVIDIA a présenté Halos for Robotics au salon Automate 2026 à Chicago, le positionnant comme le premier système de sécurité intégré conçu spécifiquement pour les robots pilotés par intelligence artificielle physique. L'annonce intervient dans un contexte de transformation accélérée de la robotique industrielle : les robots mobiles autonomes (AMR) transportent des composants entre ateliers, les cobots assistent les techniciens au quotidien, et les premiers robots humanoïdes commerciaux (Figure 03, Tesla Optimus, Agility Digit) commencent à réaliser des tâches de préparation de commandes et de manutention en environnement réel. Le marché mondial de la robotique industrielle est estimé à plus de 80 milliards de dollars d'ici la fin de la décennie selon plusieurs cabinets d'analyse, une projection conditionnée à la résolution du principal verrou restant : la sécurité en environnement partagé homme-machine. Il convient de préciser que Halos est pour l'instant une annonce de plateforme, pas un produit certifié en déploiement production. L'enjeu industriel est structurant. Pendant des décennies, la sécurité robotique reposait sur la séparation physique : cellules fermées, barrières optiques, arrêts d'urgence. Ce paradigme est incompatible avec la nouvelle génération de robots collaboratifs, qui doivent détecter un opérateur traversant leur trajectoire, anticiper ses mouvements et adapter leur comportement en quelques millisecondes. Les certifications en vigueur (ISO 10218, TS 15066 pour les applications cobots) ont été conçues pour des architectures déterministes, pas pour des systèmes piloté par des réseaux de neurones dont le comportement est probabiliste. Pour les intégrateurs et les COO industriels, l'absence d'un cadre de sécurité standardisé pour les robots IA constitue aujourd'hui le principal frein au déploiement à grande échelle, avant même les questions de performance ou de ROI. Une plateforme unifiée capable de couvrir détection, anticipation et certification normative réduirait significativement la charge d'ingénierie sécurité portée par chaque constructeur. NVIDIA construit cette initiative sur sa stack robotique existante, centrée sur les plateformes Isaac et Jetson, déjà adoptées par plusieurs constructeurs de robots humanoïdes et AMR. Le mouvement s'inscrit dans une stratégie plus large : après avoir dominé l'infrastructure d'entraînement des modèles IA, NVIDIA cherche à s'imposer comme couche système incontournable du déploiement robotique, face à des acteurs sécurité établis comme Pilz, SICK et Omron, qui maîtrisent la certification normative mais n'ont pas d'offre native pour les architectures VLA (vision-language-action). Les prochaines étapes annoncées concernent des pilotes avec des constructeurs de robots partenaires ; aucune date de certification ni de déploiement production n'a été communiquée à ce stade.

UELes intégrateurs européens utilisant Isaac et Jetson pourraient bénéficier d'un cadre de sécurité unifié pour robots IA, réduisant la charge de certification normative (ISO 10218, TS 15066) pour les déploiements cobots et AMR, mais uniquement si la plateforme obtient les certifications requises.

InfrastructureOpinion
1 source
Le marché des puces pour l'IA incarnée s'intensifie, plusieurs acteurs en lice pour la domination
16Pandaily 

Le marché des puces pour l'IA incarnée s'intensifie, plusieurs acteurs en lice pour la domination

Le marché des puces pour l'IA embarquée (dite "embodied AI") connait une intensification brutale de la concurrence, avec plusieurs acteurs majeurs qui lancent ou annoncent des processeurs capables de faire tourner de l'IA directement sur des robots, véhicules autonomes et appareils connectés. Nvidia occupe actuellement le haut du spectre avec son module Jetson Thor : jusqu'à 2 070 TFLOPS en FP4, 128 Go de mémoire, et une enveloppe thermique configurable entre 40 W et 130 W. Qualcomm attaque le milieu de gamme industriel avec son Dragonwing IQ10, qui affiche 700 TOPS, 18 coeurs CPU Oryon, et le support de 12 caméras GMSL2 simultanées -- l'entreprise mise sur une conception de référence complète (capteurs, contrôle moteur, réseau, stack logiciel) pour séduire les fabricants de robots mobiles autonomes (AMR) et de robots de service. Côté chinois, RoboRobot, filiale d'Horizon Robotics, a lancé le Sunrise S600 avec 560 TOPS (INT8) sur une architecture hétérogène BPU Nash à 4 blocs, déjà optimisé pour les modèles Qwen3 et YOLO26x. Muxi, fabricant de GPU chinois, a formé une coentreprise avec le constructeur de robots humanoïdes Ubtech, baptisée Xixuan Chuangzhi Technology, avec un tape-out prévu au second semestre 2027 et une production en volume en 2028. Cette ruée vers la puce robotique révèle un glissement structurel : l'IA migre des datacenters vers la périphérie, avec des contraintes sévères en puissance, thermique et coût que les GPU datacenter ne peuvent pas absorber. La stratégie de Qualcomm illustre une tendance de fond -- il ne suffit plus d'offrir des TOPS bruts, il faut livrer un système intégré et certifié, réduisant le time-to-market pour les intégrateurs industriels. La bataille sino-américaine est particulièrement significative : Horizon Robotics capitalise sur son expérience automotive (déploiements en série dans l'industrie automobile chinoise) pour attaquer la robotique avec une toolchain déjà battle-tested. La coentreprise Muxi-Ubtech vise explicitement la production de masse dès 2028, ce qui en ferait un acteur crédible au moment où le marché des humanoïdes devrait atteindre les premiers déploiements commerciaux à grande échelle. La convergence entre automotive et robotique n'est pas anodine. SemiDrive propose une architecture à trois niveaux -- puce R1 pour la perception et la planification, D9 pour la coordination motrice, E3-R pour l'exécution au niveau des articulations -- calquée sur les architectures centralisation/zonale des véhicules électriques. Black Sesame, avec sa série SesameX, et les divisions silicium de Li Auto (puce Mach M100) et XPeng (puce Turing) démontrent que les constructeurs automobiles chinois développent leur propre silicon pour le physical AI. Nvidia conserve un avantage d'écosystème considérable via CUDA, Isaac et Cosmos, mais sa dépendance aux contrôles à l'export américains laisse un espace que les acteurs chinois entendent occuper avant 2029.

UEL'absence d'acteur européen dans cette course au silicon embarqué expose les fabricants de robots FR/EU à une dépendance structurelle vis-à-vis des écosystèmes américain et chinois, sans alternative locale en vue.

InfrastructureOpinion
1 source
Décryptage des stratégies d'ARM en IA physique et robotique, avec Drew Henry
17Robotics Business Review 

Décryptage des stratégies d'ARM en IA physique et robotique, avec Drew Henry

Arm Holdings, le concepteur de microarchitectures basé à Cambridge (Royaume-Uni), a consacré l'épisode 249 du Robot Report Podcast à sa stratégie dans le domaine de la "physical AI" - terme désignant les systèmes d'IA embarqués dans des machines physiques opérant dans le monde réel. L'invité est Drew Henry, vice-président exécutif de la Physical AI Business Unit d'Arm, unité qui pilote le positionnement de l'entreprise sur les marchés de l'automobile connectée, de la robotique et des systèmes autonomes. L'épisode mentionne également trois actualités sectorielles : l'acquisition de Kinisi Robotics par Bear Robotics pour renforcer ses capacités en physical AI, le lancement par NVIDIA de Halos, une suite logicielle de sécurité full-stack pour la robotique, et un partenariat entre Built Robotics et Penn xLAB pour développer des applications de physical AI dans la construction. Il convient d'être précis sur la nature de ce contenu : il s'agit d'une page de présentation de podcast, non d'un rapport technique ou d'une annonce produit. Les détails substantiels de l'entretien avec Drew Henry ne sont pas disponibles dans ce résumé promotionnel. Ce qui ressort néanmoins, c'est qu'Arm cherche à se positionner explicitement sur la couche computing des systèmes autonomes - un segment stratégique alors que les fabricants de robots humanoïdes et de véhicules autonomes cherchent des solutions alliant haute performance et efficacité énergétique. Le sponsor de l'épisode, GreyOrange, y vante sa plateforme GreyMatter d'orchestration d'entrepôts : plus d'un million d'optimisations par minute, gains de productivité annoncés jusqu'à 4x - des chiffres présentés sans méthodologie de mesure dans ce contexte publicitaire. Arm n'est pas un fabricant de robots, mais son architecture de processeurs (présente dans la quasi-totalité des appareils mobiles mondiaux) lui confère une position d'infrastructuriste incontournable dès lors que la robotique embarque des modèles d'inférence locaux. La création d'une Physical AI Business Unit distincte signale une montée en priorité de ce marché face aux concurrents directs sur la couche silicium : NVIDIA avec ses puces Jetson et Thor pour robots et véhicules autonomes, Qualcomm avec ses plateformes Snapdragon Robotics, et Intel avec ses solutions edge AI. Les prochaines étapes pour Arm passent probablement par des partenariats OEM avec des fabricants d'humanoïdes (Figure, Agility, Unitree utilisent des SoC ARM) et par l'extension de son écosystème logiciel pour réduire le temps d'intégration des pipelines VLA (vision-language-action) sur ses architectures.

UELa création d'une Physical AI Business Unit chez ARM (Cambridge, Royaume-Uni) intéresse les fabricants européens de robots embarquant des SoC ARM, mais aucun partenariat ni déploiement européen spécifique n'est annoncé dans cet épisode.

InfrastructureOpinion
1 source
NVIDIA Halos : une sécurité complète pour les robots travaillant côte à côte avec des humains
18Interesting Engineering 

NVIDIA Halos : une sécurité complète pour les robots travaillant côte à côte avec des humains

NVIDIA a lancé Halos for Robotics, une plateforme de sécurité à pile complète destinée aux robots autonomes opérant en milieu industriel aux côtés de travailleurs humains. Le système articule trois composants principaux : le module de calcul industriel IGX Thor, le Holoscan Sensor Bridge pour la connectivité capteurs, et le logiciel Halos Core gérant les fonctions de sécurité opérationnelle. L'entreprise annonce également le NVIDIA Halos AI Systems Inspection Lab, qu'elle présente comme le premier programme accrédité par l'ANSI National Accreditation Board couvrant à la fois la sécurité fonctionnelle et les systèmes robotiques intelligents. Ce laboratoire d'inspection doit permettre aux fabricants de préparer leurs produits à la certification auprès d'organismes reconnus : TÜV Rheinland, TÜV SÜD, UL Solutions, exida, SGS et CertX, selon des normes incluant IEC 61508, ISO 13849 et ISO/IEC TR 5469. Agility Robotics est annoncée comme premier adoptant, avec l'intention d'intégrer IGX Thor et Halos Core dans les systèmes de détection humaine de son robot Digit, déjà déployé chez Amazon, GXO, Schaeffler et Toyota Motor Manufacturing Canada. Plus de 40 entreprises participeraient à l'écosystème Halos au sens large. L'initiative de NVIDIA répond à un verrou réel du marché : la certification de sécurité fonctionnelle constitue aujourd'hui l'un des principaux obstacles à la commercialisation à grande échelle des robots humanoïdes en environnement industriel. En fournissant un socle matériel-logiciel prévalidé et un parcours de certification balisé, NVIDIA cherche à réduire le temps et le coût d'obtention des accréditations réglementaires pour ses clients roboticiens. La revendication des "18 600 années-ingénieur" héritées du véhicule autonome est une formule marketing, mais elle indique une réutilisation substantielle des stacks de sécurité développés pour Drive, ce qui évite aux fabricants de robots de repartir de zéro. Pour des intégrateurs comme ceux travaillant avec Digit, disposer d'un chemin de certification structuré réduit le risque projet, point que Peggy Johnson, PDG d'Agility, a explicitement mis en avant. L'accréditation ANSI confère une légitimité internationale au programme d'inspection, ce qui est notable pour les déploiements en Europe ou en Asie. NVIDIA transpose ici une stratégie éprouvée dans l'automobile avec DRIVE : devenir la couche de sécurité de référence sur laquelle les OEM construisent leur robot, plutôt que de fabriquer le robot lui-même. Le marché de la sécurité fonctionnelle pour la robotique industrielle n'en est qu'à ses débuts, et plusieurs acteurs cherchent à s'y positionner, notamment via des frameworks ROS 2 certifiés ou des solutions embarquées propriétaires. Côté concurrentiel, Universal Robots (et sa filiale de certification) ou encore KUKA travaillent depuis des années sur des architectures de sécurité certifiées pour les cobots, mais l'angle "physical AI" et humanoïde que NVIDIA vise est plus récent. Aucun acteur français ou européen n'est mentionné dans l'annonce, bien que des entreprises comme Enchanted Tools ou Wandercraft soient susceptibles d'être concernées par ce type de framework à terme. Les prochaines étapes annoncées restent vagues : NVIDIA n'a communiqué ni calendrier de certification pour Agility, ni date de disponibilité commerciale des composants Halos au-delà du programme de participation actuel.

UELe partenariat de NVIDIA avec TÜV Rheinland, TÜV SÜD et CertX intègre Halos dans les parcours de certification CE/EN, ce qui pourrait réduire les délais et coûts réglementaires pour les fabricants européens de robots humanoïdes et industriels.

InfrastructureOpinion
1 source
NVIDIA lance Halos, un système de sécurité complet pour la robotique
19Robotics Business Review 

NVIDIA lance Halos, un système de sécurité complet pour la robotique

NVIDIA a lancé Halos for Robotics, un système de sécurité à pile complète pour la robotique industrielle et l'IA physique. Premier intégrateur officiel : Agility Robotics, dont les humanoïdes opèrent en entrepôts et usines pour Amazon, GXO, Schaeffler et Toyota Motor Manufacturing Canada. L'architecture couvre trois couches : la plateforme de calcul NVIDIA IGX Thor avec le Holoscan Sensor Bridge pour la connectivité capteurs en temps réel ; Halos OS incluant Halos Core ; et le Outside-In Safety Blueprint, un programme open source disponible sur GitHub qui pilote le comportement du robot via des caméras externes et des agents IA. NVIDIA revendique 18 600 années-ingénieur de développement sécurité issus de son activité véhicule autonome. L'écosystème associe des partenaires logiciels (QNX, Amazon FreeRTOS, Acontis), fabricants de systèmes embarqués (Advantech, NexCobot), fournisseurs de semi-conducteurs (Infineon, NXP, SICK, STMicroelectronics, Texas Instruments) et organismes de certification (TÜV Rheinland, TÜV SÜD, UL Solutions, exida, SGS, CertX). Halos Core est déjà certifié ISO 26262 par TÜV SÜD. Le système est disponible en early access pour les développeurs enregistrés, en configurations Linux et Linux+QNX. L'enjeu de Halos est de répondre à un problème structurel : l'absence d'architecture de sécurité standardisée pour des robots autonomes opérant aux côtés de travailleurs. Les intégrateurs composaient jusqu'ici avec des solutions hétérogènes, ce qui complexifiait la certification et freinait le passage à l'échelle. En proposant une pile unifiée du silicium à la supervision logicielle, NVIDIA cherche à s'imposer comme substrat commun de la sécurité robotique industrielle. La certification ISO 26262 de Halos Core est un signal concret : NVIDIA transfère une base éprouvée du monde AV vers la robotique, ce qui pourrait raccourcir les cycles de validation pour les intégrateurs et réduire les coûts de certification tiers. NVIDIA construit depuis plusieurs années une position dans la robotique via les plateformes Isaac, Omniverse et les modèles de fondation GR00T N2. Halos complète cette stratégie d'infrastructure : vendre le substrat computationnel et logiciel, pas les robots eux-mêmes. Les concurrents directs incluent FORT Robotics dans les solutions de sécurité embarquée (qui figure d'ailleurs parmi les partenaires Halos), ainsi que les approches propriétaires de Boston Dynamics ou Fanuc. L'annonce reste un early access sans données publiques de déploiement à grande échelle avec Halos effectivement activé. Les prochaines inspections de certification de l'IGX Thor et du Holoscan Sensor Bridge par TÜV Rheinland constitueront le vrai indicateur de maturité opérationnelle du système.

UESTMicroelectronics (France/Italie) figure parmi les partenaires semi-conducteurs de Halos, et les organismes TÜV Rheinland et TÜV SÜD (Allemagne) sont intégrés au programme de certification, ce qui peut raccourcir les cycles de validation réglementaire pour les intégrateurs robotiques européens.

InfrastructureOpinion
1 source
NVIDIA Halos pour la robotique : un système de sécurité fonctionnelle à pile complète pour l'IA physique
20NVIDIA Developer Blog 

NVIDIA Halos pour la robotique : un système de sécurité fonctionnelle à pile complète pour l'IA physique

NVIDIA a dévoilé Halos for Robotics lors du GTC 2025, un système de sécurité fonctionnelle couvrant l'ensemble de la pile technologique des robots autonomes. Conçu pour les environnements industriels, médicaux et logistiques où des robots évoluent sans cage aux côtés d'humains, Halos intègre trois couches : la sécurité matérielle (SoC certifiés comme l'Orin), la sécurité logicielle (middleware temps réel), et la validation des modèles d'IA embarqués. Le système vise la conformité aux normes IEC 61508 (industrie) et ISO 26262 (automobile), des référentiels qui définissent les niveaux SIL et ASIL exigés par les intégrateurs pour tout déploiement à risque humain. L'enjeu industriel est concret : les approches classiques de safety-by-isolation, robots en cellule fermée, arrêts sur barrière lumineuse, ne tiennent plus dès que le robot doit percevoir un environnement non structuré et adapter son comportement en temps réel. Halos tente de combler le fossé entre la validation de modèles en simulation et leur certification en conditions réelles, un problème que l'industrie robotique qualifie de "sim-to-real safety gap". Pour les décideurs B2B, c'est potentiellement un déblocage commercial : sans certification fonctionnelle, nombre d'hôpitaux et d'usines ne peuvent pas légalement déployer des robots collaboratifs. NVIDIA s'appuie sur sa plateforme Isaac, utilisée par des constructeurs d'humanoïdes (Agility, Figure, 1X) et d'AMR (Boston Dynamics, Kion). Sur ce segment, les concurrents directs incluent les stacks safety de Pilz et SICK côté capteurs, et les middlewares certifiés comme ROS 2 avec l'extension Safety Working Group. L'absence de chiffres de déploiement concrets dans l'annonce initiale invite à traiter Halos pour l'instant comme un framework d'intégration en phase de qualification, pas encore un produit certifié expédié en volume.

UELa conformité visée aux normes européennes IEC 61508 et ISO 26262 pourrait débloquer des déploiements de robots collaboratifs dans les usines et hôpitaux européens ; Kion (Allemagne), déjà partenaire de la plateforme Isaac, figure parmi les premiers intégrateurs potentiellement concernés.

InfrastructureOpinion
1 source
Entretien avec Eleanor Tang-Smith (OLO Robotics) : rendre la programmation des robots accessible à tous
21Robotics & Automation News 

Entretien avec Eleanor Tang-Smith (OLO Robotics) : rendre la programmation des robots accessible à tous

Eleanor Tang-Smith, directrice des opérations d'OLO Robotics, a accordé une interview détaillant l'approche de la société pour démocratiser la programmation robotique. Alors que le marché connaît une accélération notable côté matériel -- robots mobiles autonomes (AMR), robots quadrupèdes, bras articulés et humanoïdes -- la plupart des organisations se heurtent à un frein persistant du côté logiciel. Programmer un robot industriel exige aujourd'hui une maîtrise pointue de plateformes comme ROS 2 (Robot Operating System 2), un écosystème puissant mais dont la courbe d'apprentissage reste dissuasive pour des équipes sans ingénieurs roboticiens dédiés. Ce goulet d'étranglement logiciel est désormais reconnu comme le principal obstacle à l'adoption à grande échelle de la robotique en entreprise, davantage que le coût du matériel lui-même. Pour les intégrateurs et les décideurs B2B, cela se traduit par des délais de déploiement longs, une dépendance aux profils rares, et un risque opérationnel élevé. OLO Robotics positionne son offre comme une couche d'abstraction qui permettrait à des techniciens non spécialisés de configurer et d'adapter des cellules robotiques sans toucher à ROS 2 directement. Si cette promesse se confirme à l'échelle, elle pourrait redistribuer les cartes dans la compétition entre intégrateurs spécialisés et solutions clé-en-main. OLO Robotics s'inscrit dans une tendance plus large de "no-code/low-code" robotics qui voit émerger plusieurs acteurs cherchant à réduire la friction logicielle : Wandercraft côté exosquelettes en France, ou encore des initiatives autour de VLA (Vision-Language-Action models) pour simplifier la programmation par démonstration. Le marché des AMR et de la cobotique reste dominé par des solutions nécessitant un paramétrage expert, ce qui laisse un espace significatif à qui saurait proposer une expérience développeur réellement simplifiée. Les prochaines étapes pour OLO Robotics -- pilotes industriels, partenariats intégrateurs, levées de fonds éventuelles -- seront déterminantes pour valider si l'accessibilité annoncée résiste au contact de contraintes de production réelles.

UELa tendance no-code/low-code en programmation robotique pourrait réduire la dépendance aux profils ROS 2 rares en Europe, mais OLO Robotics n'est pas un acteur européen et aucun déploiement EU n'est mentionné.

InfrastructureOpinion
1 source
Données et standards pour la robotique humanoïde : l'infrastructure manquante de l'IA physique
22arXiv cs.RO 

Données et standards pour la robotique humanoïde : l'infrastructure manquante de l'IA physique

Un groupe de chercheurs impliqués dans l'élaboration de la norme ISO/WD 26264-1 au sein du comité technique ISO/TC 299/WG 16 publie un préprint arXiv (2606.19769, juin 2026) posant que la standardisation des données constitue le prochain verrou critique pour les robots humanoïdes. Leur thèse centrale: le goulot d'étranglement n'est pas seulement la rareté des données, mais leur caractère non cumulatif, causé par des coûts de collecte élevés, des silos organisationnels et des protocoles d'évaluation incompatibles. Les auteurs identifient trois conditions pour qu'un jeu de données soit réutilisable: l'expérience physique doit rester liée au corps du robot, à la tâche et au contexte d'exécution; les flux multimodaux doivent partager synchronisation temporelle, repères de coordonnées, calibration et unités documentées; les données doivent enfin être versionnées et traçables pour s'accumuler entre projets et organisations. L'enjeu est direct pour les équipes qui entraînent des modèles VLA (Vision-Language-Action) comme pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI. Sans grammaire commune (métadonnées, provenance, versioning), chaque acteur repart de zéro à chaque nouveau déploiement. Pour un intégrateur industriel, cela signifie concrètement que des données collectées sur un site ne peuvent pas réentraîner un modèle sur un autre, même avec du matériel identique. L'article recadre le "sim-to-real gap" non pas comme un problème de simulation, mais comme un déficit d'alignement des référentiels physiques entre jeux de données: les hypothèses de synchronisation et de cinématique, si elles ne sont pas documentées, rendent les flux non interopérables dès le départ. La norme proposée s'articule en deux couches: une infrastructure horizontale couvrant le cycle de vie, les métadonnées, la qualité, le versioning et la traçabilité, et des parties spécifiques par capacité (manipulation, locomotion, interaction humain-robot, cognition). Le contexte est celui d'un secteur ou Figure AI, Boston Dynamics, Tesla (Optimus Gen 3), Unitree et 1X accumulent des données de manière cloisonnée, tandis que des initiatives ouvertes comme Open X-Embodiment (Google DeepMind) ou LeRobot (HuggingFace) posent des bases communes sans force normative. Le préprint est en phase WD (Working Draft) sans date de ratification annoncée: c'est une prise de position académique, pas une norme publiée ni un déploiement industriel.

UESi ratifiée, la norme ISO/WD 26264-1 structurera les pratiques de données des acteurs européens de la robotique humanoïde ; HuggingFace (Paris) est déjà cité comme contributeur aux bases ouvertes communes (LeRobot), sans force normative à ce stade.

InfrastructureOpinion
1 source
RealSense dévoile la caméra de profondeur D585 Pro, conçue nativement pour l'IA et la robotique
23Robotics Business Review 

RealSense dévoile la caméra de profondeur D585 Pro, conçue nativement pour l'IA et la robotique

RealSense a présenté le D585 Pro à l'Automate 2026 (stand 12036), une caméra de profondeur à traitement IA embarqué destinée aux robots humanoïdes, aux AMR (robots mobiles autonomes), aux bras cobots et aux systèmes d'inspection industrielle. La commercialisation est prévue pour le premier trimestre 2027. Le capteur est construit autour d'un SoC propriétaire de cinquième génération intégrant un moteur de profondeur, un processeur ISP, un DSP, des accélérateurs IA dédiés et un ARM quadricœur. Les spécifications annoncées : champ de vision de 120x100°, 60 images par seconde à 1280x960, portée minimale inférieure à 15 cm en pleine résolution, portée maximale supérieure à 10 mètres, indice IP65 en standard sur chaque unité, connectivité GMSL2 et USB-C avec synchronisation matérielle. RealSense revendique une qualité de profondeur deux fois supérieure à sa génération précédente et une réduction du bruit doublée. À la livraison, le traitement de profondeur amélioré et la détection de personnes fonctionneront en bêta directement sur le SoC, sans charge CPU hôte. Des capacités supplémentaires, dont l'odométrie visuo-inertielle (VIO), la génération de grille d'occupation, la calibration automatique et la détection de visages, seront ajoutées via mises à jour SDK après disponibilité générale. Le D585 Pro cible deux limitations structurelles des caméras de profondeur actuelles en robotique : la plage proche et la dépendance au calcul hôte. En descendant à moins de 15 cm en pleine résolution, RealSense revendique un avantage de 2,5x sur le concurrent le plus proche, sans le nommer, ce qui ouvre des cas d'usage jusqu'ici difficiles à couvrir avec un seul capteur : picking en bac, inspection à courte portée, scan de rayonnages denses. Le flux RGB dual synchronisé, deux flux 30 FPS couleur et profondeur fusionnés sur caméra sans overhead CPU, est directement pertinent pour les pipelines VLA dont dépendent des systèmes comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, qui requièrent une perception couleur-profondeur synchronisée. Le modèle logiciel évolutif, où de nouvelles capacités arrivent par SDK sans remplacement matériel, est un changement de paradigme commercial notable dans un secteur où les cycles de qualification hardware sont longs et coûteux pour les intégrateurs. RealSense est une marque historiquement liée à Intel, qui avait progressivement retiré ses investissements dans la perception 3D avant de céder l'activité. La société s'est repositionnée sous direction indépendante, avec Nadav Orbach comme CEO. Elle évolue dans un marché sous forte pression concurrentielle : Luxonis (OAK-D), Orbbec, Stereolabs (ZED X), et des acteurs industriels comme Photoneo ou SICK occupent des segments adjacents. La promesse d'un capteur unique couvrant 15 cm à 10 m, utilisable en intérieur comme en extérieur à 60 FPS avec IA embarquée, est techniquement ambitieuse. Aucun partenaire de déploiement n'a été nommé publiquement à ce stade, et les performances annoncées reposent sur des données fabricant non validées par des tiers indépendants. La livraison effective au premier trimestre 2027 constituera le vrai test de maturité de la plateforme.

InfrastructureOpinion
1 source
RSLCPP : simulations déterministes avec ROS 2
24arXiv cs.RO 

RSLCPP : simulations déterministes avec ROS 2

Une équipe de l'Université Technique de Munich (TUM) publie RSLCPP, une bibliothèque open-source en C++ conçue pour rendre les simulations robotiques sous ROS 2 entièrement déterministes. La contribution, présentée dans un article révisé sur arXiv (arXiv:2601.07052v2), s'attaque à un problème structurel de ROS : son architecture asynchrone et multi-processus rend les résultats de simulation non reproductibles d'une machine à l'autre, voire d'une exécution à l'autre sur le même matériel. L'équipe démontre que RSLCPP produit des résultats bit-à-bit identiques sur plusieurs architectures CPU, validés sur un benchmark synthétique et sur un système robotique réel. La bibliothèque est disponible en open-source sur GitHub (TUMFTM/rslcpp). Le problème que résout RSLCPP est fondamental pour quiconque utilise ROS 2 en simulation : lorsque les temps de calcul et les latences de communication varient, l'ordre d'exécution des callbacks n'est pas garanti, ce qui compromet la reproductibilité des résultats. Pour le benchmarking scientifique et l'intégration continue (CI/CD), où la répétabilité est essentielle, cela constitue un frein réel. RSLCPP impose un ordonnancement déterministe des callbacks en combinant les nœuds ROS existants dans une routine de simulation séquentielle, sans nécessiter de modification du code source. Ce dernier point est décisif : les équipes peuvent instrumenter leurs stacks ROS existantes sans refactoring, ce qui abaisse significativement le coût d'adoption. ROS 2, maintenu par Open Robotics, est devenu le standard de facto en robotique académique et industrielle. La non-reproductibilité des simulations est un problème connu depuis des années dans la communauté, que des simulateurs comme Gazebo ou Isaac Sim de NVIDIA ont partiellement adressé via leurs propres mécanismes internes. RSLCPP se distingue en opérant directement au niveau de l'exécuteur ROS 2, rendant l'approche indépendante du simulateur physique sous-jacent et donc plus portable. La prochaine étape logique serait l'intégration dans des pipelines CI robotiques pour valider des comportements algorithmiques sans variabilité matérielle, un besoin croissant à mesure que les équipes industrielles adoptent des pratiques DevOps pour le développement robotique.

UELes équipes de R&D robotique européennes utilisant ROS 2 bénéficient d'un outil open-source issu de TUM (Allemagne) pour fiabiliser leurs pipelines CI/CD de simulation sans refactoring de code existant.

InfrastructureOpinion
1 source
Windows pour robots : l'IA en périphérie élargit les usages
25Robotics Business Review 

Windows pour robots : l'IA en périphérie élargit les usages

Numurus, startup américaine spécialisée en capteurs robotiques intelligents, a lancé NEPI (Numurus Edge Platform Interface), une couche logicielle embarquée destinée à rendre les processeurs edge AI accessibles sans compétence en programmation. Le problème que NEPI prétend résoudre est concret : les puces edge AI de NVIDIA, AMD, Qualcomm ou Hailo sont désormais assez rapides, bon marché et économes en énergie pour faire tourner des modèles d'IA localement dans des systèmes autonomes sans connexion internet, mais leur intégration reste l'apanage d'équipes d'ingénieurs expérimentés. Numurus a pivoté vers ce produit en 2020, après avoir constaté sur le terrain que même des équipes qualifiées passaient des mois à intégrer ces chips dans des projets robotiques. NEPI s'installe en conteneur Docker par-dessus le système d'exploitation natif de la puce cible et fournit des drivers plug-and-play pour caméras, capteurs GPS, moteurs, lumières et systèmes de contrôle, une orchestration automatique de modèles d'IA, des applications d'automatisation intégrées, et une interface utilisateur accessible via navigateur web depuis un PC distant - ce dernier point étant critique pour des robots qui n'ont ni clavier ni écran connecté. L'enjeu industriel est celui de la démocratisation : de la même manière que Windows a transformé le PC de gadget réservé aux ingénieurs en outil universel, une couche d'abstraction standardisée sur les processeurs edge AI pourrait élargir massivement le pool d'intégrateurs capables de déployer de l'IA embarquée en production. Pour un COO industriel ou un intégrateur robotique, cela se traduirait par une réduction significative du temps et du coût de mise en œuvre, sans dépendance au cloud, ce qui répond aux contraintes de latence et de cybersécurité des environnements industriels. La promesse - "télécharger et être opérationnel en quelques minutes, sans expérience en programmation" - reste toutefois à valider à grande échelle. L'article est rédigé à la première personne par le fondateur de Numurus lui-même, avec un angle manifestement promotionnel : aucune métrique de déploiement, aucun cas client nommé, aucun chiffre de financement ni d'installations ne sont cités. Numurus avait d'abord construit des capteurs robotiques intelligents avant ce pivot software en 2020. Le marché qu'il cible est disputé depuis plusieurs angles : ROS 2 joue un rôle d'abstraction similaire dans l'écosystème open-source, MathWorks adresse la même problématique avec son Robotics System Toolbox, et Wind River via VxWorks vise les environnements industriels certifiés. NEPI se distingue par son approche conteneurisée et son interface navigateur, ce qui simplifie le déploiement sur des architectures hétérogènes. La comparaison avec Windows reste néanmoins une analogie marketing plus qu'une réalité technique établie à ce stade, en l'absence de données sur l'adoption réelle de la plateforme.

InfrastructureActu
1 source
ros2probe : observabilité non intrusive et sélective au niveau noyau pour le middleware ROS 2
26arXiv cs.RO 

ros2probe : observabilité non intrusive et sélective au niveau noyau pour le middleware ROS 2

Une équipe de chercheurs a publié le 12 juin 2026 sur arXiv (arXiv:2606.10746v1) les travaux autour de ros2probe, un framework d'observabilité non-intrusif pour ROS 2, le middleware de facto de la robotique moderne. ROS 2 structure chaque robot comme un graphe de noeuds communicant via DDS (Data Distribution Service), un protocole publish/subscribe. Le problème fondamental des outils de monitoring existants : pour observer un topic, ils s'inscrivent eux-mêmes comme subscribers DDS, devenant ainsi partie intégrante du système qu'ils mesurent. ros2probe contourne cette contrainte en reconstituant l'état de communication complet à partir des paquets de découverte DDS, sans rejoindre le domaine, puis en appliquant un filtre noyau (in-kernel) ciblé sur les topics demandés. Sur trois plateformes matérielles (laptop x86, NVIDIA Jetson, Raspberry Pi), deux implémentations DDS distinctes et sept workloads robotiques, ros2probe maintient le graphe de découverte à moins de 0,5% d'un système non observé. Les outils classiques, eux, gonflent ce graphe jusqu'à 2,6 fois et perdent 38,5% des messages du subscriber réel en conditions de saturation. ros2probe n'en perd aucun, affiche un recall de 1,0 sur le reporting de perte, et réduit la consommation CPU de l'observateur jusqu'à 7x, la mémoire jusqu'à 28x. Ce résultat est significatif pour quiconque développe ou intègre des systèmes robotiques en production. L'effet sonde (probe effect) décrit ici n'est pas un artefact de mauvaise implémentation : il est inhérent au protocole DDS. Cela signifie que tout log de performance ou diagnostic collecté avec les outils standard (ros2 topic echo, rqt, rosbag2) modifie silencieusement le comportement du système mesuré, avec des pertes de messages qui peuvent atteindre plus d'un tiers en charge élevée. Sur les robots embarqués à ressources contraintes, Jetson ou Raspberry Pi, les outils existants peuvent tout simplement saturer le système. ros2probe démontre qu'une observabilité fidèle est techniquement possible sans ce compromis. ROS 2 a supplanté ROS 1 précisément pour son architecture distribuée et sa robustesse industrielle, mais cette architecture DDS a hérité d'une limitation structurelle pour le debug et le monitoring. L'approche de ros2probe s'appuie sur la capture passive au niveau noyau, proche des techniques eBPF utilisées dans l'observabilité Linux moderne, appliquée ici à la sémantique ROS 2. Aucun déploiement commercial ni partenariat industriel n'est mentionné dans l'article, qui reste une publication académique. Les prochaines étapes naturelles seraient une intégration dans les toolchains ROS 2 existants et une validation sur des robots de production, notamment dans des environnements multi-robots où l'inflation du graphe de découverte est encore plus critique.

UELes équipes robotiques européennes développant sur ROS 2, notamment sur plateformes embarquées contraintes comme Jetson ou Raspberry Pi, bénéficieraient d'un outil de monitoring fiable sans dégradation des performances, un gain concret pour la R&D robotique française et européenne.

InfrastructureActu
1 source
La 6G au service de la robotique du futur : vers les systèmes autonomes de nouvelle génération
27arXiv cs.RO 

La 6G au service de la robotique du futur : vers les systèmes autonomes de nouvelle génération

Un article de recherche publié sur arXiv (référence 2602.12246, version 2) propose un cadre architectural pour intégrer les capacités de la 6G, normalisée sous l'appellation IMT-2030 par l'UIT, aux systèmes robotiques autonomes de prochaine génération. Les auteurs établissent une cartographie systématique entre les indicateurs de performance clés (KPI) définis par IMT-2030 et les blocs fonctionnels d'un robot : perception sensorielle, cognition, actuation et auto-apprentissage. Sur cette base, ils proposent une architecture à trois plans distincts, un plan robotique, un plan intelligent et un plan de services réseau, conçus pour fonctionner de manière cohérente. L'article illustre ce cadre avec un cas d'usage concret : un système de sécurité dynamique en temps réel pour la collaboration homme-robot dans des espaces partagés, rendu possible par les latences sub-milliseconde et les débits massifs promis par la 6G. L'intérêt de ce travail pour les intégrateurs et décideurs industriels réside dans l'approche structurée qu'il offre pour anticiper les dépendances réseau des futures plateformes robotiques. La 6G ne se résume pas à plus de bande passante : la fiabilité ultra-élevée, le positionnement centimétrique natif et la communication machine-to-machine à très faible latence ouvrent des cas d'usage impossibles avec la 5G actuelle, notamment pour les flottes d'AMR (robots mobiles autonomes) denses ou les bras collaboratifs opérant sans cage de sécurité. Le couplage explicite entre les KPI réseau et les fonctions robotiques permet de dimensionner les infrastructures télécoms dès la phase de conception des cellules robotisées. Ce travail s'inscrit dans un effort académique plus large pour préparer l'écosystème industriel à la 6G, dont le déploiement commercial est attendu autour de 2030. Les groupes de standardisation comme l'ETSI et le 3GPP ont déjà ouvert des groupes de travail dédiés aux cas d'usage robotiques et industrie 4.0. Du côté industriel, les initiatives comme l'Open RAN poussent vers des architectures réseau plus flexibles, ce qui converge avec la logique de plans découplés proposée ici. Ce papier reste cependant un travail théorique de cadrage : aucun prototype ni déploiement n'est mentionné, et les performances annoncées pour IMT-2030 demeurent des objectifs normatifs, pas des mesures terrain.

UEL'ETSI et le 3GPP, deux organismes de normalisation à forte ancrage européen, pilotent déjà des groupes de travail sur les cas d'usage robotiques 6G, ce qui positionne l'UE comme acteur central dans la définition des standards qui structureront les futures cellules robotisées industrielles d'ici 2030.

InfrastructureOpinion
1 source
Pourquoi les systèmes temps réel déterministes sont plus essentiels que jamais en robotique
28Robotics Business Review 

Pourquoi les systèmes temps réel déterministes sont plus essentiels que jamais en robotique

Dans l'épisode 245 du Robot Report Podcast, Winston Leung, directeur des alliances stratégiques chez BlackBerry QNX, développe un argument central : à mesure que les robots autonomes intègrent les environnements humains, les systèmes d'exploitation temps réel déterministes deviennent un prérequis de sécurité fonctionnelle, pas un simple choix d'infrastructure. QNX, filiale de BlackBerry, mise sur une architecture microkernel propriétaire qui isole les processus critiques et garantit des temps de réponse bornés, quelle que soit la charge CPU. L'entreprise a présenté à l'occasion du Robotics Summit & Expo 2025 son "Inside the Robot: Architecture Benchmark Report", une étude comparative des architectures logicielles embarquées dans les robots actuels. En parallèle, deux actualités ont retenu l'attention cette semaine : Slamcore a levé 14 millions de dollars pour sécuriser l'automatisation d'entrepôts, et Amazon a étendu les capacités de son robot Proteus en Europe, lui ajoutant une interface en langage naturel. La montée en puissance des robots humanoïdes et des AMR (autonomous mobile robots) en milieu industriel pose une exigence que ROS 2, conçu pour la recherche, ne couvre pas nativement : la prévisibilité absolue des temps de cycle et la résistance aux attaques cybernétiques sur des systèmes embarqués exposés en réseau. Un microkernel comme celui de QNX permet d'isoler les défaillances logicielles dans des espaces mémoire séparés, réduisant la surface d'attaque et empêchant qu'un crash applicatif compromette le contrôle moteur ou les fonctions de sécurité. Les partenariats annoncés avec NVIDIA et Intel visent à optimiser cet OS pour les SoC haute performance (Jetson, Core Ultra) qui équipent la prochaine génération de robots, combinant inférence d'IA embarquée et contraintes temps réel strictes. Pour un intégrateur ou un COO industriel, le message est direct : déployer un robot dans un espace partagé avec des humains sans couche RTOS certifiable représente un risque de conformité croissant, notamment en Europe avec la révision de la directive machines. QNX est présent depuis les années 1980 dans les systèmes embarqués critiques, d'abord dans l'industrie médicale et l'aérospatiale, puis massivement dans l'automobile avec des déploiements chez BMW, Ford ou Honda. Son rachat par BlackBerry en 2010 lui a apporté une orientation cybersécurité que ses concurrents directs, Wind River VxWorks et LynuxWorks, n'ont pas développée au même niveau. Face à l'essor de ROS 2 dans la robotique commerciale, QNX se positionne non pas comme un remplacement mais comme une couche de sécurité complémentaire, un argument que son benchmark report cherche visiblement à étayer avec des données comparatives. Les prochaines étapes pour l'entreprise passent par l'élargissement de ces partenariats matériels et par la certification de son stack pour les normes robotiques émergentes, notamment ISO 10218 et ISO/TS 15066 pour la collaboration humain-robot.

UELa révision de la directive machines européenne impose un risque de conformité croissant pour les intégrateurs EU déployant des robots en espaces partagés sans RTOS certifiable ; l'extension d'Amazon Proteus en Europe renforce l'urgence de ces exigences pour les opérateurs logistiques.

InfrastructureOpinion
1 source
Entretien avec Yuhnzu Li, professeur à Columbia et cofondateur de SceniX : « La simulation est centrale »
29Robotics & Automation News 

Entretien avec Yuhnzu Li, professeur à Columbia et cofondateur de SceniX : « La simulation est centrale »

Yuhnzu Li, professeur à l'Université Columbia et co-fondateur de SceniX, défend une thèse tranchée dans un secteur en pleine effervescence : la simulation est la clé de voûte du développement robotique moderne, pas un outil auxiliaire. L'entretien intervient alors que l'industrie humanoïde accumule les annonces de production à grande échelle et que l'IA générative nourrit des attentes parfois déconnectées du terrain. Li, chercheur ancré dans la robotique fondamentale, rappelle que les démonstrations publiques reflètent rarement la robustesse opérationnelle réelle des systèmes. Le positionnement de SceniX éclaire un enjeu industriel concret : le sim-to-real gap, c'est-à-dire l'écart de performance entre un robot entraîné en simulation et ce même robot déployé en environnement physique non contrôlé. Résoudre ce gap est devenu le problème n°1 des équipes qui développent des politiques de contrôle visuomotrices (VLA), car générer suffisamment de données réelles reste coûteux et lent. Une simulation de haute fidélité permet de produire des millions d'épisodes d'entraînement que l'on ne pourrait pas collecter physiquement à coût raisonnable, ce qui conditionne directement la vitesse de commercialisation. SceniX émerge dans un marché des outils de simulation robotique de plus en plus disputé : Isaac Sim de NVIDIA, MuJoCo maintenu par DeepMind/Google, Genesis ou encore le récent projet Cosmos d'NVIDIA ciblent le même besoin. L'ancrage académique de Li à Columbia lui confère une crédibilité sur la rigueur méthodologique, là où les acteurs commerciaux sont davantage jugés sur leurs benchmarks. La prochaine étape logique pour SceniX sera de démontrer que ses environnements synthétiques tiennent leurs promesses sur des robots en production réelle, pas seulement en laboratoire.

InfrastructureOpinion
1 source
NVIDIA Isaac Sim : une simulation GPU accélérée et évolutive pour la robotique
30arXiv cs.RO 

NVIDIA Isaac Sim : une simulation GPU accélérée et évolutive pour la robotique

NVIDIA Isaac Sim s'est imposé comme une infrastructure centrale dans la recherche en robotique, et une étude de synthèse publiée sur arXiv (réf. 2606.03551) en propose la première analyse systématique. Contrairement aux simulateurs classiques comme Gazebo, PyBullet ou MuJoCo, Isaac Sim exploite l'accélération GPU pour permettre un entraînement parallèle à grande échelle et une modélisation physique haute fidélité. La plateforme intègre un pipeline de génération de données synthétiques qui pallie la rareté chronique des données d'entraînement de qualité, un verrou majeur pour le robot learning. Les auteurs analysent des études représentatives dans cinq grands domaines d'application et documentent les patterns d'usage dominants, notamment la génération de données et la simulation haute fidélité, sans se limiter à une liste de fonctionnalités marketing. L'enjeu industriel est significatif : la capacité à générer des données synthétiques crédibles et à entraîner des politiques en simulation massivement parallèle est aujourd'hui au coeur du débat sur le sim-to-real transfer. Pour les intégrateurs et les équipes R&D, une plateforme qui réduit le besoin de données réelles et compresse les cycles d'itération représente un avantage compétitif concret. Les auteurs pointent également les limites : la dépendance au matériel NVIDIA (GPU haut de gamme requis), des contraintes d'utilisabilité pratique, et des questions ouvertes autour de l'apprentissage en environnement ouvert (open-world learning), un domaine où aucun simulateur n'a encore apporté de réponse satisfaisante à l'échelle. Isaac Sim s'inscrit dans la stratégie plus large de NVIDIA dans la robotique, qui comprend le framework Isaac Lab, les modèles de fondation GR00T, et l'écosystème Omniverse. Face à lui, des alternatives open-source comme MuJoCo (DeepMind) ou Genesis gagnent du terrain, notamment pour leur accessibilité. L'étude identifie trois directions futures prioritaires : l'apprentissage physique en monde ouvert, les pipelines d'entraînement centrés sur la simulation, et la réduction des frictions d'adoption. Ces axes correspondent précisément aux blocages actuels pour industrialiser le déploiement de robots apprenants en dehors des labs.

UELes équipes R&D et laboratoires européens en robotique peuvent s'appuyer sur cette première analyse systématique pour arbitrer entre Isaac Sim et les alternatives open-source (MuJoCo, Genesis), notamment au regard de la dépendance au matériel NVIDIA haut de gamme.

InfrastructureOpinion
1 source
Construction d'un jeu de données robotique modélisée comme un processus de build par artefacts
31arXiv cs.RO 

Construction d'un jeu de données robotique modélisée comme un processus de build par artefacts

Des chercheurs de l'Université de la Bundeswehr Munich (UniBwTAS) ont publié Bagzel, une extension open source pour le système de build Bazel qui modélise la construction de jeux de données robotiques comme un processus basé sur des artefacts et un graphe de dépendances. Présenté sur arXiv (référence 2606.00162), l'outil convertit des enregistrements ROS bag en jeux de données prêts pour l'entraînement ML, avec export natif au format nuScenes. Les auteurs évaluent Bagzel et une variante Bagzel-xattr (gestion des digests côté serveur) contre un pipeline séquentiel de référence rosbag2nuscenes, sur des volumes de 5,1 à 20,4 Go. En mode warm build (recalcul sur données déjà traitées), Bagzel atteint une accélération jusqu'à 386,26x par rapport au baseline séquentiel ; en mode incrémental (après modification partielle du dataset), le gain est de 7,21x. Bagzel-xattr réduit en outre le temps d'exécution de 5,9 % en moyenne par rapport à Bagzel standard. Le goulet d'étranglement que cible Bagzel est bien connu des équipes de robotique appliquée : les scripts séquentiels ad hoc imposent de recalculer l'intégralité du dataset à chaque modification, allongeant les cycles d'itération de plusieurs heures. En appliquant les principes de reproductibilité et de build incrémental du génie logiciel au traitement de données capteurs multimodales, Bagzel rend viable l'exploration rapide de paramètres de preprocessing, le débogage de pipelines de perception, et la maintenance de datasets versionnés de manière déterministe. Pour un intégrateur ou une équipe de recherche manipulant régulièrement des dizaines de gigaoctets de données capteurs, réduire le temps de rebuild d'un facteur plusieurs centaines change concrètement le rythme d'expérimentation. Le format ROS bag reste le standard de facto pour l'enregistrement de données capteurs (lidar, caméra, IMU) en conditions réelles, tant en recherche qu'en industrie, mais sa conversion vers des formats ML exploitables est généralement assurée par des scripts maison non maintenables. Bagzel s'inscrit dans une tendance de professionnalisation du MLOps en robotique, un espace où des outils comme DVC ou Foxglove Studio couvrent des parties du problème sans offrir la cohérence d'un système de build unifié. Le laboratoire TAS de l'UniBwM est actif sur les thématiques de conduite autonome et de perception embarquée. Les prochaines étapes naturelles pour Bagzel concernent l'intégration avec des pipelines d'entraînement continu et l'extension à d'autres formats standardisés comme le Waymo Open Dataset.

UEL'outil est développé par l'Université de la Bundeswehr Munich (Allemagne/UE), renforçant l'outillage MLOps open source européen pour les équipes de robotique et de conduite autonome manipulant des données capteurs ROS.

InfrastructureOpinion
1 source
NVIDIA Jetson amène l'IA à base d'agents dans le monde physique
32NVIDIA Blog Robotics 

NVIDIA Jetson amène l'IA à base d'agents dans le monde physique

Lors du salon COMPUTEX à Taipei le 27 mai 2026, NVIDIA a annoncé JetPack 7.2 et le support de NemoClaw sur la plateforme Jetson, marquant une étape concrète dans le déploiement de l'IA agentique sur des systèmes embarqués physiques. JetPack 7.2 apporte le support du projet Yocto pour une distribution Linux allégée et personnalisable, CUDA 13 sur Jetson Orin, et le support MIG (Multi-Instance GPU) couplé à un noyau temps réel sur Jetson Thor, permettant de réserver des ressources GPU dédiées à des tâches déterministes comme la perception robotique. Le module Jetson AGX Orin 32 Go gagne également 20 % de performances, atteignant 241 TOPS d'inférence IA. NemoClaw, le framework agentique de NVIDIA, se déploie désormais sur Jetson en une seule commande. Deux partenaires sont déjà en production : Solomon, qui utilise NemoClaw pour coordonner raisonnement, perception, fusion de capteurs, locomotion et manipulation sur un robot humanoïde, et Advantech, qui déploie un "cerveau d'usine agentique" dans ses propres lignes de fabrication en combinant NemoClaw, Nemotron 3 et Jetson Thor pour la gestion de flottes robotiques et l'inspection de défauts. L'importance de cette annonce réside dans le passage de l'IA agentique des serveurs vers les systèmes embarqués en production industrielle, un écart que l'industrie peinait à combler. L'architecture en trois couches proposée, OS + compute en base (JetPack), skills d'automatisation développeur au milieu, et NemoClaw en orchestrateur applicatif au sommet, permet aux intégrateurs de construire des workflows agentiques complets sans infrastructure cloud. Pour un COO industriel ou un ingénieur robotique, le gain annoncé est celui du time-to-market : des tâches de déploiement et de configuration qui prenaient plusieurs semaines peuvent désormais être réduites à quelques jours grâce aux agent skills dérivées de la documentation officielle NVIDIA. Le support MIG sur Thor est particulièrement significatif pour les applications robotiques réelles, où l'inférence temps réel ne peut pas être interrompue par des tâches d'IA concurrentes. Il faut toutefois noter que les chiffres de performance et les gains de productivité annoncés proviennent du communiqué de presse NVIDIA lui-même, sans benchmark indépendant disponible à ce stade. La plateforme Jetson est déjà déployée dans des secteurs variés, notamment la robotique industrielle, les drones, les dispositifs médicaux, les machines agricoles et les systèmes humanoïdes, et constitue depuis plusieurs générations, Orin puis Thor, l'un des compute modules embarqués les plus répandus dans l'industrie. NemoClaw s'inscrit dans la stratégie d'NVIDIA de descendre son stack agentique, initialement développé pour les serveurs DGX, vers l'edge et les systèmes physiques autonomes. Sur le plan concurrentiel, cette annonce positionne NVIDIA face à des alternatives edge comme Qualcomm (RB5/RB6 pour la robotique) et Google Coral, mais aussi face aux SOC propriétaires développés par Boston Dynamics, Figure ou 1X pour leurs propres humanoïdes. Les prochaines étapes annoncées incluent l'extension des Metropolis VSS blueprint skills pour l'interprétation visuelle agentique, et la diffusion de l'événement Build-a-Claw à Taiwan, signe que NVIDIA cherche à ancrer son écosystème développeur en Asie du Sud-Est, région clé pour la fabrication électronique et robotique mondiale.

UELes intégrateurs robotiques européens sur Jetson Orin/Thor peuvent déployer des workflows agentiques complets sans cloud, réduisant potentiellement le time-to-market de plusieurs semaines à quelques jours, gain concret pour l'automatisation industrielle EU, sans validation indépendante à ce stade.

InfrastructureOpinion
1 source
Déployer une IA à base d'agents en périphérie avec efficacité mémoire grâce à NVIDIA JetPack 7.2
33NVIDIA Developer Blog 

Déployer une IA à base d'agents en périphérie avec efficacité mémoire grâce à NVIDIA JetPack 7.2

NVIDIA a publié JetPack 7.2, une mise à jour de sa suite logicielle pour les modules Jetson, ciblant le déploiement d'agents IA en périphérie (edge computing). La nouveauté centrale est le support natif en une seule commande de NemoClaw, une stack open source qui étend OpenClaw en y ajoutant des couches de contrôle de confidentialité et de sécurité. La version introduit également des "agent skills" pour Jetson, des briques logicielles pré-packagées conçues pour accélérer le développement d'agents autonomes sur matériel embarqué, accompagnées d'optimisations mémoire visant à améliorer les performances dans des configurations à ressources contraintes. Le passage des agents IA vers des environnements physiques impose des contraintes radicalement différentes du cloud : latence faible, connectivité intermittente et enveloppes mémoire restreintes. L'intégration native de NemoClaw dans JetPack 7.2 positionne Jetson comme plateforme de référence pour des agents embarqués avec garanties explicites de sécurité et de confidentialité des données, un argument commercial décisif pour les déploiements industriels, médicaux ou logistiques où les données sensibles ne peuvent quitter le site. Pour les intégrateurs, la simplification à une seule commande réduit significativement la friction d'adoption. NVIDIA commercialise les modules Jetson depuis 2014 et JetPack 7.2 s'inscrit dans sa stratégie de déport progressif de l'inférence IA hors du datacenter. OpenClaw, sur lequel NemoClaw s'appuie, est l'environnement d'exécution agent de NVIDIA pour l'edge. Les concurrents directs sur ce segment incluent Qualcomm avec son AI Hub et son Robotics SDK, ainsi que Hailo, Google Coral et Kneron. L'annonce reste au stade de disponibilité logicielle : aucun chiffre de volume de déploiement ni timeline client n'a été communiqué.

UELes intégrateurs européens déployant des agents IA embarqués sur Jetson dans des contextes industriels, médicaux ou logistiques bénéficient d'une simplification d'adoption et de garanties de confidentialité des données conformes aux exigences réglementaires locales (RGPD, AI Act).

InfrastructureOpinion
1 source
NVIDIA publie de nouveaux outils et des mises à jour pour les développeurs d'IA physique
34The Robot Report 

NVIDIA publie de nouveaux outils et des mises à jour pour les développeurs d'IA physique

Lors du GTC Taipei et du Computex, NVIDIA a dévoilé un ensemble de nouveaux outils open-source rassemblés sous le nom NVIDIA Agent Toolkit, destinés aux développeurs de systèmes d'IA physique : robotique, véhicules autonomes, vision industrielle et jumeaux numériques. L'objectif affiché est de réduire le coût et la complexité des pipelines de développement en rendant l'ensemble de la pile logicielle de NVIDIA directement orchestrable par des agents IA. Les outils concernés incluent Cosmos 3, le modèle de fondation pour la compréhension du monde physique (vidéo, texte, prédiction d'états futurs), les bibliothèques Omniverse pour la simulation et les jumeaux numériques, Isaac pour la robotique, Metropolis pour la vision IA, Alpamayo pour la conduite autonome, et la plateforme Jetson pour le déploiement embarqué. Le déploiement sécurisé de ces agents est encadré par le blueprint NemoClaw et le runtime OpenShell, qui appliquent des politiques de sécurité et de confidentialité en local comme dans le cloud. L'approche "agent-ready" de NVIDIA marque un changement de paradigme dans le développement de l'IA physique : plutôt que des bibliothèques que les ingénieurs assemblent manuellement, les outils deviennent des briques directement appelables par des agents de codage, capables d'enchaîner automatiquement génération de données, simulation, entraînement et évaluation. Pour les développeurs de véhicules autonomes, cela signifie qu'un agent peut reconstruire des scènes à partir de données de flotte, générer des scénarios de conduite photoréalistes et lancer des boucles de renforcement sans intervention manuelle à chaque étape. Pour les intégrateurs robotiques, des tâches comme l'automatisation de l'entraînement à la navigation ou le tuning de systèmes Jetson deviennent théoriquement scriptables. Rev Lebaredian, vice-président pour la simulation d'IA physique chez NVIDIA, a qualifié Cosmos 3 de "modèle de fondation frontier pour l'IA physique", capable de comprendre vidéo et texte, de prédire les états futurs et de générer des actions, positionnant ce world model comme un candidat généraliste opérationnel, même si aucune métrique de benchmark indépendante n'a été communiquée à ce stade. NVIDIA consolide avec cette annonce sa position d'infrastructure de référence pour l'IA physique, un rôle qu'elle occupe via ses GPU d'entraînement et ses plateformes Isaac Sim et Jetson. La compétition dans ce segment s'intensifie : Google DeepMind pousse MuJoCo et ses dérivés, Boston Dynamics, Figure, Agility Robotics et Physical Intelligence développent leurs propres stacks de simulation et d'apprentissage, tandis que des acteurs industriels comme Siemens ou ANSYS occupent le terrain des jumeaux numériques. En Europe, des entreprises comme Wandercraft ou Enchanted Tools pourraient bénéficier de ces outils si la promesse de réduction de complexité se confirme en pratique. NVIDIA joue ici la carte de la plateforme unifiée plutôt que du modèle de fondation isolé, un positionnement cohérent avec son modèle d'affaires mais qui reste à valider au-delà des démonstrations internes. Les suites annoncées incluent des applications en santé, dont le détail n'a pas été entièrement communiqué lors de l'événement.

UELes entreprises françaises comme Wandercraft et Enchanted Tools pourraient bénéficier de la réduction de complexité annoncée, mais aucun déploiement européen concret n'est confirmé à ce stade.

InfrastructureOpinion
1 source
Nouvelle antenne de 10 watts permet aux robots sous-marins de communiquer à 700 mètres de profondeur
35Interesting Engineering 

Nouvelle antenne de 10 watts permet aux robots sous-marins de communiquer à 700 mètres de profondeur

Des chercheurs de l'Université de Floride ont publié dans l'IEEE Journal of Oceanic Engineering les résultats de BlueME, un système d'antennes magnétoélectriques compactes conçu pour la communication entre robots sous-marins autonomes. Le système consomme au maximum 10 watts, moins qu'un système de caméra stéréo standard, tout en maintenant des liaisons de données stables entre deux AUV (véhicules sous-marins autonomes) séparés par plus de 700 mètres. Il émet des signaux électromagnétiques à très basse fréquence (VLF) et basse fréquence (LF) en exploitant la résonance mécanique naturelle d'un réseau d'éléments magnétoélectriques qui vibrent pour générer le signal, plutôt que de forcer une transmission brute à travers le milieu aquatique. Le projet est piloté par le Dr Md Jahidul Islam, spécialiste de la robotique marine, en collaboration avec le Dr Adam Khalifa, dont les recherches portent habituellement sur les implants médicaux sans fil miniaturisés, une combinaison interdisciplinaire qui a directement inspiré l'approche technique. L'enjeu est considérable pour les opérations multi-AUV actuelles : faute de canal de communication suffisant, les drones sous-marins ne peuvent échanger que des informations rudimentaires, et toute mise à jour de mission ou transmission de données complexes oblige les engins à remonter en surface, interrompant les opérations et allongeant massivement les cycles. BlueME cherche à combler ce vide en proposant une liaison robuste là où les technologies acoustiques (sonar) souffrent des échos et de la turbidité, et où les communications optiques laser sont bloquées par les particules en suspension. Les 10 watts affichés sont une métrique utile, mais les conditions réelles de test (profondeur, salinité, configurations multi-antennes) ne sont pas encore entièrement documentées dans les communiqués disponibles, un point à suivre lors des prochaines publications. Si les performances se confirment en déploiement réel, les intégrateurs de systèmes offshore et les opérateurs de surveillance environnementale disposeraient d'un outil permettant, selon les termes d'Islam, qu'un robot "ping" l'opérateur toutes les dix minutes pour permettre des décisions en temps réel sans interrompre la mission. L'idée centrale est née d'une analogie inattendue : le corps humain est lui-même constitué d'eau légèrement salée, un environnement que Khalifa a passé des années à traverser avec des signaux sans fil pour ses implants. Cette convergence disciplinaire a conduit l'équipe à réexaminer les contraintes physiques de la propagation sous-marine depuis une perspective biomédicale. Le brevet provisoire a été déposé et l'équipe recherche activement des partenariats industriels pour passer du prototype à l'intégration sur des sous-marins autonomes commerciaux. Dans le paysage concurrentiel, BlueME se positionne face aux systèmes de modems acoustiques (WaterLinked, EvoLogics) et aux communications optiques sous-marines (Sonardyne BlueComm), en promettant une immunité aux perturbations sédimentaires que ces deux approches ne peuvent garantir. Les prochaines étapes annoncées portent sur le financement, la montée en échelle du prototype et les premiers essais sur plateformes commerciales.

UELa technologie BlueME représente une concurrence potentielle pour EvoLogics (Allemagne) et Sonardyne (Royaume-Uni), acteurs européens des communications acoustiques sous-marines pour AUV.

InfrastructurePaper
1 source
Les logiciels deviennent le principal frein à l'innovation en IA physique, selon une étude QNX
36Robotics Business Review 

Les logiciels deviennent le principal frein à l'innovation en IA physique, selon une étude QNX

Lors du Robotics Summit & Expo de Boston, QNX, division de BlackBerry Ltd., a publié les résultats de son étude "Inside the Robot: Architecture Benchmark Report", menée entre février 2025 et avril 2026 auprès de 1 000 développeurs et ingénieurs logiciels travaillant en robotique. Le constat central est statistiquement net : 27 % des répondants identifient l'architecture logicielle et l'intégration comme leur principal goulot d'étranglement de performance, contre seulement 16 % qui pointent le matériel. 83 % des équipes interrogées déclarent que leurs systèmes opèrent déjà aux côtés d'humains, dans des environnements aussi variés que des blocs opératoires ou des entrepôts actifs. 85 % anticipent que le logiciel jouera un rôle encore plus déterminant dans les trois à cinq prochaines années, et les investissements prioritaires déclarés convergent vers l'IA décisionnelle et la cybersécurité (51 % chacun), suivis des systèmes d'exploitation et du contrôle temps réel (37 %). Fait notable : 95 % des développeurs affirment que l'exécution déterministe et temps réel est une exigence critique pour leurs systèmes. Ce renversement de priorité, du matériel vers le logiciel, n'est pas anodin pour les intégrateurs et les décideurs industriels. Pendant des décennies, la robotique butait sur des contraintes mécaniques et énergétiques. Le signal envoyé ici est que la limite structurante est désormais la capacité à faire cohabiter, dans une même architecture logicielle, des niveaux de criticité hétérogènes : boucles de sécurité fonctionnelle temps réel, couches IA adaptatives, et exigences de certification (notamment IEC 61508 ou ISO 26262 pour les environnements à risque). Le déploiement de robots dans des environnements non contrôlés, rues, hôpitaux, ateliers mixtes, exige un comportement prédictible dans des conditions que les simulateurs ne couvrent pas entièrement. Les retards de certification cités comme frein majeur suggèrent que le "sim-to-real gap" logiciel est aujourd'hui aussi structurant que le gap physique, un point que les équipes focalisées sur les performances des modèles VLA (vision-language-action) auraient intérêt à intégrer. QNX opère sur ce marché depuis les années 1980 avec son OS temps réel, historiquement dominant dans l'automobile et le médical. Le rapport s'inscrit dans un repositionnement stratégique de BlackBerry sur la robotique collaborative et les systèmes embarqués critiques, face à une concurrence qui inclut des solutions open-source comme ROS 2 couplé à des RTOS (Linux RT, Zephyr), ainsi que des stacks propriétaires développés en interne par des acteurs comme Boston Dynamics ou Intrinsic (Alphabet). L'étude ne couvre pas les timelines de déploiement produit ni les résultats quantitatifs sur des systèmes réels, ce qui lui confère davantage la valeur d'un état des lieux de perception industrielle que d'un benchmark technique au sens strict. Les prochains trimestres verront si QNX traduit ces signaux en offres logicielles concrètes adaptées aux architectures hybrides CPU/NPU qui équipent les humanoïdes et les AMR de nouvelle génération.

InfrastructureOpinion
1 source
NIST propose un benchmark de référence pour évaluer les performances des robots humanoïdes
37The Robot Report 

NIST propose un benchmark de référence pour évaluer les performances des robots humanoïdes

Le National Institute of Standards and Technology (NIST) a publié en avril 2026 une proposition de référentiel de performance standardisé pour les robots humanoïdes, décrit comme un ensemble de tâches de locomotion et de manipulation à faible empreinte logistique. C'est le premier cadre d'évaluation de ce type depuis le DARPA Robotics Challenge de 2015, selon Aaron Prather, directeur du programme Robotics & Autonomous Systems chez ASTM International. Le benchmark couvre quatre dimensions : la mobilité de base (agnostic au domaine d'application), la manipulation et la dextérité, les capacités combinées loco-manipulation, le contrôle en espace contraint, et un niveau minimal de raisonnement et de compréhension de scène. Le NIST prévoit de fabriquer un nombre limité d'appareils de test physiques pour les distribuer gratuitement aux fabricants américains d'humanoïdes et aux centres de test régionaux, et de publier les plans et modèles 3D pour usage en environnement physique ou virtuel (simulateurs de training et de développement de contrôle). Les données collectées seront agrégées sous des accords de partage préapprouvés protégeant la propriété intellectuelle. L'absence de standard commun est un problème structurel pour le secteur : Tesla Optimus, Figure, Agility Robotics, Apptronik, Unitree et une douzaine d'autres plateformes humanoïdes ont attiré des milliards de dollars d'investissement ces dix dernières années sans qu'il existe de méthode consensuelle pour mesurer ce qu'elles font réellement. Comme le note Prather, "les vidéos marketing ont comblé le vide". Pour un intégrateur industriel ou un décideur B2B, l'absence de benchmarks opposables rend toute comparaison entre plateformes impossible et ralentit les décisions d'achat. Ce référentiel, s'il est adopté, permettrait d'objectiver le fossé entre démo et déploiement réel, de quantifier les progrès en loco-manipulation et en whole-body control, et d'offrir aux chercheurs une baseline reproductible. Il représente aussi un signal réglementaire potentiel : un benchmark NIST peut devenir une norme de fait pour les appels d'offres gouvernementaux américains. Ce projet s'appuie sur la collaboration antérieure du NIST avec le DARPA pour évaluer les capacités humanoïdes dans l'industrie et la recherche académique. En Europe, le Fraunhofer IPA (Stuttgart) a publié ce mois-ci son propre référentiel de sécurité et de développement pour humanoïdes, structuré autour de six critères, signalant que la course aux standards est désormais transatlantique. Aucun acteur français ou européen n'est directement impliqué dans la proposition NIST à ce stade, bien que des entreprises comme Enchanted Tools ou Wandercraft pourraient être concernées si ce cadre influence les standards ISO ou CEN. Le NIST est en phase de consultation et recherche des participants, fabricants comme labos, pour affiner la liste des tâches et tester leurs robots dans les installations NIST ou partenaires. Aucune date de finalisation n'est annoncée.

UELe Fraunhofer IPA a publié ce même mois son propre référentiel de sécurité pour humanoïdes, signalant une course transatlantique aux standards ; si le benchmark NIST influence les normes ISO/CEN, des acteurs européens comme Enchanted Tools ou Wandercraft devront adapter leur processus de qualification.

InfrastructureOpinion
1 source
Une architecture hétérogène pour l'apprentissage par renforcement robotique au-delà des paradigmes dominés par les GPU
38arXiv cs.RO 

Une architecture hétérogène pour l'apprentissage par renforcement robotique au-delà des paradigmes dominés par les GPU

Une équipe de chercheurs a publié le 29 mai 2026 UniLab, un système d'entraînement pour le reinforcement learning (RL) robotique qui repose sur une architecture hétérogène : simulation physique sur CPU en parallèle, apprentissage de politique sur GPU. Contrairement aux pipelines dominants qui concentrent physique, collecte de trajectoires et optimisation sur un unique chemin GPU (approche popularisée par Isaac Gym, IsaacLab ou Genesis), UniLab dissocie ces deux phases via un runtime unifié gérant le transfert de données, le buffering et la synchronisation entre unités de calcul. Le système intègre deux backends physiques CPU-batched, MuJoCoUni et MotrixSim, et supporte cinq algorithmes d'entraînement standards : PPO, SAC, FlashSAC, TD3 et APPO. Sur des tâches de contrôle robotique représentatives, l'architecture affiche un gain de 3 à 10x sur l'efficacité d'entraînement bout-en-bout, à configuration matérielle équivalente. Fait notable : UniLab fonctionne hors de l'écosystème CUDA, avec support explicite de macOS, AMD ROCm et Intel XPU. Ce résultat remet en question une hypothèse structurante du champ depuis trois à quatre ans : que la performance en RL sim-to-real exige que la physique tourne sur GPU pour atteindre un débit suffisant. UniLab démontre empiriquement que le goulot d'étranglement n'est pas le processeur qui exécute la physique, mais la qualité du pipeline de synchronisation entre simulation et apprentissage. Pour les équipes robotique industrielles ou académiques qui ne disposent pas de clusters NVIDIA haut de gamme, cette architecture ouvre des alternatives concrètes, notamment sur Apple Silicon ou sur des accélérateurs AMD/Intel disponibles dans les clouds alternatifs, souvent moins chers. C'est aussi un signal pour les intégrateurs qui déploient des systèmes de sim-to-real en production : la dépendance à CUDA n'est pas une fatalité technique, mais un choix d'architecture. Le débat GPU vs CPU pour la simulation physique en RL robotique n'est pas nouveau, mais il s'était largement tranché en faveur du GPU depuis les travaux d'Isaac Gym (NVIDIA, 2021) et leurs successeurs. La majorité des frameworks modernes, IsaacLab, ManiSkill, Genesis, optimisent autour de ce paradigme. UniLab se positionne explicitement comme une alternative portable et extensible, en s'appuyant sur MuJoCo (DeepMind/Google), devenu le simulateur de référence académique depuis son passage open source en 2021. Le code est disponible publiquement sur GitHub (unilabsim/UniLab). Les prochaines étapes probables concernent la validation sur des tâches de locomotion bipède et de manipulation dextère, qui constituent les benchmarks décisifs pour évaluer si le gain de 3-10x se maintient sur des environnements physiquement plus complexes et des horizons de simulation plus longs.

UELes équipes de recherche et industrielles européennes en robotique qui ne disposent pas de clusters NVIDIA haut de gamme peuvent désormais envisager des pipelines sim-to-real compétitifs sur hardware AMD ROCm, Intel XPU ou Apple Silicon, réduisant leur dépendance à l'écosystème CUDA et aux coûts associés.

InfrastructureOpinion
1 source
Sortie de l'Open Motion Planning Library 2.0
39arXiv cs.RO 

Sortie de l'Open Motion Planning Library 2.0

L'Open Motion Planning Library (OMPL), publiée en open source en 2008, franchit en mai 2026 une étape majeure avec la sortie d'OMPL 2.0, annoncée via un preprint arXiv (2605.29301). Cette mise à jour de fond fait évoluer une bibliothèque de planification de mouvement par échantillonnage qui, en près de deux décennies de développement continu, avait déjà intégré des planificateurs asymptotiquement optimaux, des planificateurs paresseux (lazy planners), la planification sous contraintes, et la planification avec objectifs en logique temporelle. La version 2.0 cible explicitement la planification de mouvement en temps réel grâce à l'accélération matérielle (GPU/FPGA), et s'interface avec les workflows de recherche en IA modernes. Aucun benchmark quantitatif n'est publié dans le résumé; les détails de performance restent à évaluer à la lecture du papier complet. L'enjeu est direct pour les équipes de robotique intégrées dans des environnements industriels ou académiques : OMPL est aujourd'hui l'une des briques les plus utilisées dans ROS/ROS 2 via MoveIt, ce qui signifie qu'une accélération matérielle en production peut réduire les temps de calcul de trajectoire de plusieurs ordres de grandeur, condition sine qua non pour les bras manipulateurs collaboratifs, les humanoïdes en manipulation dextère, et les AMR opérant dans des espaces non structurés. L'intégration avec les pipelines IA modernes, typiquement Vision-Language-Action (VLA) ou apprentissage par imitation, répond à un verrou réel : les planificateurs classiques et les modèles neuronaux cohabitent encore difficilement en temps réel. OMPL a été développé initialement à Rice University sous l'impulsion de Ioan Sucan et Lydia Kavraki, puis maintenu par une communauté large incluant des contributions de Willow Garage, puis de MoveIt. Ses concurrents directs dans l'écosystème open source incluent DRAKE (Toyota Research Institute / MIT), Tesseract (ROS-Industrial), et Pinocchio côté cinématique. Côté européen, des acteurs comme Wandercraft (exosquelette) ou Enchanted Tools (Mirmi) s'appuient sur des couches de planification proches. La prochaine étape naturelle sera la validation sur benchmarks standardisés (MotionBenchMaker, PlanningBenchmark) et l'intégration officielle dans MoveIt 2; aucune timeline n'est encore communiquée.

UEWandercraft et Enchanted Tools (Mirmi), acteurs français s'appuyant sur des couches de planification proches d'OMPL via ROS/MoveIt, pourraient bénéficier de l'accélération GPU/FPGA d'OMPL 2.0 pour réduire les temps de calcul de trajectoire en production.

InfrastructureOpinion
1 source
ICAN-Deploy : déploiement canari à identité stable pour agents incarnés en environnements critiques
40arXiv cs.RO 

ICAN-Deploy : déploiement canari à identité stable pour agents incarnés en environnements critiques

Des chercheurs présentent ICAN-Deploy (Identity-stable CANary Deployment), un middleware conçu pour faire évoluer le logiciel de robots certifiés sans invalider leur certification. Le principe du déploiement canary, router une fraction du trafic vers une nouvelle version, surveiller des métriques, puis rollback si régression, est standard en DevOps cloud. Problème : les contrôleurs du marché, Argo Rollouts, Spinnaker et Flagger, modifient l'identité cryptographique du système durant la fenêtre de transition. Ce drift est inoffensif pour des microservices sans état, mais rompt pour les robots l'assurance réglementaire centrale : "l'agent certifié est l'agent déployé". ICAN-Deploy sépare les noms de capacités, figés et hachés dans le manifeste, des versions de capacités, un état runtime mutable, maintenant ainsi le hash d'identité invariant tout au long du cycle. Les auteurs valident l'invariance par preuve formelle, lint AST et model-checking TLA+, puis corroborent sur N=100 cycles canary dans un environnement MuJoCo simulant un bras Franka Panda : zéro drift observé, latence d'entrée 95% BCa CI [1,52 ; 2,01] ms. L'enjeu est structurel pour l'industrie. Dans les secteurs à certification obligatoire (médical, aérospatial, industrie lourde), chaque mise à jour logicielle d'un robot peut déclencher un cycle de revalidation de plusieurs semaines. ICAN-Deploy renverse la logique : certifier une architecture de déploiement plutôt que chaque version individuelle. Un système certifié une fois peut ensuite évoluer librement dans l'enveloppe nom-version définie, sans recertification formelle. C'est un déblocage potentiel pour le continuous delivery sur robots en environnement de production. Le "strawman" alternatif testé, qui incorpore les versions dans le manifeste d'identité, échoue systématiquement sur les mêmes workloads, renforçant la valeur de la comparaison. La gestion du cycle de vie logiciel des agents physiques reste un angle mort du secteur robotique. Ce travail s'inscrit dans la tendance émergente du "runtime governance" pour LLMs et agents incarnés, cherchant à réconcilier l'agilité du software moderne et les contraintes de sûreté des systèmes physiques. Le Franka Panda, standard de fait en recherche sur la manipulation depuis le rachat d'Emika GmbH par Agile Robots, facilite la reproductibilité des résultats. Le papier est un preprint arXiv (arXiv:2605.28097v1), non encore peer-reviewed, et les métriques restent à confirmer sur hardware réel hors simulation. Les étapes naturelles : intégration dans ROS 2 ou OpenRMF, et validation du modèle "certifier l'architecture, pas la version" par des organismes de certification sectoriels.

UEL'approche pourrait alléger les cycles de recertification imposés aux robots opérant dans les secteurs réglementés européens (médical, aérospatial, machinerie) au regard de la Directive Machines et des dispositions à hauts risques du règlement IA.

InfrastructureOpinion
1 source
EtherCAT pour le contrôle des articulations de robots : les explications de GigaDevice
41Pandaily 

EtherCAT pour le contrôle des articulations de robots : les explications de GigaDevice

GigaDevice a organisé un webinaire intitulé "Secure Robotics in Motion" pour exposer la direction prise par les systèmes de contrôle robotique modernes, avec un focus sur EtherCAT, le protocole de communication temps réel déterministe qui s'impose dans la synchronisation des articulations multi-axes. Une main dextre de robot humanoïde intègre typiquement 10 à 20 degrés de liberté (DOF), chacun adossé à un moteur, une suite de capteurs, un algorithme de contrôle et un lien de communication devant délivrer les données à la microseconde près. EtherCAT répond à ce défi via une architecture maître-esclave où chaque nœud traite les données à la volée, atteignant des temps de cycle de 20 à 250 microsecondes avec une gigue inférieure à 1 microseconde. Les horloges distribuées garantissent une référence temporelle commune à tous les axes, évitant les désynchronisations qui rendraient tout mouvement coordonné impossible. Pour adresser ce marché directement, GigaDevice a présenté sa série GD32H75E : un microcontrôleur Cortex-M7 cadencé jusqu'à 600 MHz, avec DSP, FPU double précision et MPU, intégrant un contrôleur esclave EtherCAT plus deux PHYs sur un même die. Le chip embarque également une unité mathématique trigonométrique (TMU), des filtres FIR/IIR, un filtre numérique haute performance (HPDF), une sortie de division de fréquence d'encodeur (EDOUT), et un ensemble de fonctions sécurité : AES, SHA, HMAC, EFUSE, TRNG et démarrage sécurisé. L'intégration du contrôleur EtherCAT directement dans le MCU réduit le nombre de composants externes, simplifie le routage des cartes et abaisse la consommation système, ce qui représente un avantage mesurable pour les intégrateurs qui conçoivent des articulations compactes. Plus structurellement, la présence de fonctions de sécurité matérielles signale un changement dans la perception du marché : les robots ne sont plus des systèmes isolés mais des noeuds réseau exposés dans des usines, entrepôts et environnements domestiques. Le fait qu'un fournisseur de microcontrôleurs grand public comme GigaDevice propose désormais un SoC dédié à ce cas d'usage indique que la demande en volume commence à justifier du silicium spécialisé, au-delà des solutions FPGA ou des stacks logiciels ajoutés sur des MCUs génériques. GigaDevice, fondé en 2005 à Pékin et coté à Shanghai, s'est imposé sur le marché des microcontrôleurs GD32 en concurrence directe avec STMicroelectronics, NXP, Renesas et Texas Instruments. EtherCAT a été développé par Beckhoff Automation dans les années 2000 et reste géré par l'ETG (EtherCAT Technology Group), qui compte aujourd'hui plus de 7 500 membres. Dans l'espace des contrôleurs EtherCAT dédiés, GigaDevice se positionne face à Hilscher, Microchip (LAN9252) et Beckhoff lui-même. Le webinaire ne s'accompagne pas d'annonces de déploiements clients ni de volumes de production, ce qui en fait davantage une communication de positionnement produit qu'un retour terrain. La prochaine étape observable sera la présence de la série GD32H75E dans des kits d'articulations humanoïdes ou des drives de servomoteurs commerciaux.

UELa montée en puissance de GigaDevice sur le segment des MCUs robotiques représente une pression concurrentielle directe sur STMicroelectronics, acteur franco-italien explicitement cité comme concurrent direct dans ce marché des microcontrôleurs industriels.

InfrastructureActu
1 source
Les humanoïdes apprennent à lire les situations
42Robotics Business Review 

Les humanoïdes apprennent à lire les situations

Concevoir un robot humanoïde capable d'opérer en sécurité aux côtés d'humains mobilise aujourd'hui une chaîne complète de technologies de perception en temps réel. Analog Devices Inc. (ADI) détaille dans un article technique les briques nécessaires à cette conscience situationnelle, porté par Geir Ostrem, Fellow ADI au sein de l'unité Automotive. Le défi central est architectural : capteurs visuels et microphones sont physiquement éloignés du processeur principal, ce qui introduit de la latence sur des câbles longs. Pour y répondre, ADI adapte sa technologie GMSL (Gigabit Multimedia Serial Link), déjà standardisée en automobile, aux châssis humanoïdes. GMSL transporte de la vidéo en flux unique à plusieurs gigabits par seconde, permettant un traitement local embarqué (via ce qu'ADI appelle "physical AI") plutôt qu'un renvoi vers le cloud. Sur la partie vision, les méthodes évoquées sont connues : capteurs RGB, time-of-flight, lumière structurée et stéréovision pour la profondeur. Sur la partie audio, la problématique est similaire : il faut une latence déterministe entre les microphones et l'ordinateur central pour localiser et identifier des événements sonores, par exemple un objet qui tombe derrière le robot. Des processeurs secondaires, positionnés au plus près des capteurs ou des actionneurs, gèrent les boucles de contrôle rapides et transmettent en parallèle au processeur principal. Ce que cette publication illustre concrètement, c'est le déplacement du centre de gravité technologique dans la robotique humanoïde : la mécanique et les modèles de mouvement ne suffisent plus, c'est la couche de perception embarquée qui devient le facteur limitant pour un déploiement en environnement mixte. La latence n'est pas un détail d'ingénierie, c'est une contrainte de sécurité. Un humanoïde qui réagit avec 200 ms de délai à un collègue qui change de trajectoire n'est pas exploitable en production. Le passage au traitement local, sans dépendance réseau, est donc moins un choix de performance qu'une nécessité opérationnelle, surtout dans des ateliers ou entrepôts où la connectivité peut être dégradée. L'article confirme ce que les intégrateurs industriels observent terrain : les architectures distribuées, avec des processeurs locaux près des actionneurs, deviennent le standard de facto pour les boucles de contrôle à haute fréquence. ADI arrive dans la robotique humanoïde depuis l'automobile, où GMSL équipe déjà les systèmes ADAS de nombreux constructeurs. Ce repositionnement sectoriel est cohérent avec la dynamique du marché : la pénurie de main-d'oeuvre pousse à l'accélération des déploiements en espaces partagés, et les fabricants d'humanoïdes, de Figure à Tesla Optimus en passant par Agility Robotics ou 1X Technologies, ont tous besoin de sous-systèmes de perception matures et validés industriellement. À noter que cet article est un contenu sponsorisé signé ADI, ce qui tempère son caractère neutre : les métriques citées (débit GMSL, latence) sont présentées sans benchmark comparatif ni conditions de test précisées. Les prochaines étapes probables pour ADI consistent à nouer des partenariats OEM directs avec des constructeurs d'humanoïdes, une dynamique déjà visible chez des fournisseurs de composants comme NVIDIA (plateforme Thor/Jetson) ou Bosch, qui ciblent eux aussi ce segment en pleine structuration.

InfrastructureActu
1 source
GMSL et l'écosystème croissant autour des systèmes de vision robotique
43Robotics Business Review 

GMSL et l'écosystème croissant autour des systèmes de vision robotique

Le standard GMSL (Gigabit Multimedia Serial Link), longtemps cantonné aux systèmes embarqués automobiles, s'impose progressivement comme interface de référence pour les architectures de vision multi-caméra en robotique. Stephen Liu, responsable robotique chez Advantech, développeur de systèmes embarqués, estime qu'environ un tiers des projets robotiques qu'il accompagne intègrent ou évaluent déjà des caméras GMSL. La technologie est désormais déployée en production, au-delà du stade POC, dans des robots mobiles autonomes (AMR) d'entrepôt, des stations de picking et des robots humanoïdes, avec une adoption croissante en agriculture, santé et construction. Le principe : transporter flux vidéo haute résolution, signaux de contrôle et synchronisation sur un seul câble léger, avec une latence déterministe et une résistance aux perturbations électromagnétiques (EMI). Le défi que résout le GMSL n'est plus simplement la qualité d'image, mais l'orchestration système. Dans un robot équipé de plusieurs caméras, d'un lidar et d'une IMU, même quelques millisecondes de dérive entre capteurs suffisent à dégrader la précision de navigation. Gérer simultanément la bande passante, la latence, la synchronisation matérielle et le calcul embarqué (GPU, MPU, RTOS temps réel) est une contrainte qui bloque de nombreux projets en phase d'intégration. En milieu industriel difficile - vibrations, poussière, eau, températures extrêmes - les problèmes s'amplifient : les câbles longs exposent les connecteurs aux contraintes mécaniques et aux interférences ESD. Le GMSL apporte une réponse éprouvée : synchronisation hardware précise, câblage simplifié, robustesse démontrée à l'échelle. Pour les OEM robotiques, l'enjeu est autant économique que technique : réduire les mois d'intégration bas niveau pour se concentrer sur la différenciation réelle - modèles d'IA, logique applicative, déploiement. La trajectoire du GMSL est directement héritée de l'ADAS automotive et des systèmes de conduite autonome, secteurs qui ont résolu en premier les mêmes contraintes : caméras multiples synchronisées, longs filaires, conditions sévères. Analog Devices Inc. (ADI), qui sponsorise cet article, a construit un écosystème GMSL comprenant modules caméra pré-validés, adaptateurs, BSP et plateformes compatibles ROS, avec pour objectif affiché de raccourcir le chemin du prototype à la production. Cette origine éditoriale oriente naturellement le propos vers les avantages du GMSL sans mise en perspective concurrentielle : d'autres interfaces coexistent, notamment MIPI CSI-2 pour les courtes distances ou Ethernet TSN pour les architectures distribuées. La maturité croissante de l'écosystème GMSL en robotique mobile - notamment pour les humanoïdes et l'agriculture robotisée - laisse anticiper une standardisation plus large dans les prochaines générations de plateformes commerciales.

InfrastructureActu
1 source
DARPA prépare une mission de maintenance satellitaire robotisée pour 2026
44Robotics & Automation News 

DARPA prépare une mission de maintenance satellitaire robotisée pour 2026

La Defense Advanced Research Projects Agency (DARPA) et ses partenaires industriels s'apprêtent à lancer en été 2026 la mission RSGS (Robotic Servicing of Geosynchronous Satellites), un démonstrateur orbital conçu pour inspecter, réparer et reconfigurer des satellites en orbite géostationnaire (GEO, à environ 35 786 km). Le robot serviceur, développé en partenariat avec Maxar Space, embarque un bras manipulateur multi-degrés-de-liberté équipé d'outils spécialisés capables d'intervenir sur des satellites dits "non coopératifs", c'est-à-dire non conçus a priori pour être réparés en orbite. L'enjeu économique est direct : un satellite GEO commercial représente entre 150 et 400 millions de dollars d'investissement, avec une durée de vie typiquement limitée par l'épuisement du carburant de maintien à poste plutôt que par une défaillance technique. Prolonger ces plateformes de 5 à 10 ans modifie structurellement les modèles économiques des opérateurs (SES, Intelsat, Eutelsat) et réduit la dépendance aux cycles de remplacement coûteux. La mission RSGS cherche aussi à valider des capacités de relocalisation orbitale, ouvrant la voie à des services de "space tug" commerciaux. Le programme RSGS remonte à 2017, date à laquelle DARPA a signé un accord coopératif avec SSL (devenu Maxar Space) après des années de recherche sur la technologie FREND (Front-end Robotics Enabling Near-term Demonstration). Sur ce même créneau, Northrop Grumman a déjà commercialisé son Mission Extension Vehicle (MEV), avec deux satellites Intelsat servis depuis 2020. Astroscale (Japon/UK) et ClearSpace (Suisse, soutenu par l'ESA) progressent sur des segments adjacents. Un succès de RSGS en 2026 légitimerait un marché du "on-orbit servicing" estimé à plusieurs milliards de dollars sur la prochaine décennie.

UEEutelsat (opérateur français) figure parmi les bénéficiaires potentiels directs d'un service de prolongation de vie satellitaire, tandis que ClearSpace (Suisse, soutenu par l'ESA) opère sur un segment adjacent et sera directement impacté par la légitimation ou non du marché 'on-orbit servicing' que validera RSGS en 2026.

InfrastructureOpinion
1 source
Lightwheel AI lève un nouveau tour de table pour développer son infrastructure de données et de simulation pour l'IA physique
45Pandaily 

Lightwheel AI lève un nouveau tour de table pour développer son infrastructure de données et de simulation pour l'IA physique

Lightwheel AI, startup pékinoise spécialisée dans l'infrastructure de données et de simulation pour l'IA physique, vient de boucler un nouveau tour de financement dont le montant n'a pas été divulgué. Les fonds seront affectés à trois axes : élargir les capacités de livraison, accélérer l'expansion internationale, et renforcer les partenariats avec des fabricants de robots, des développeurs de véhicules autonomes et des industriels. La société propose un triptyque de services : génération de données d'entraînement synthétiques haute qualité, environnements de simulation pour l'entraînement de modèles, et frameworks d'évaluation et de vérification. Son positionnement repose sur une boucle fermée couvrant la collecte terrain, le développement de simulateurs, l'évaluation et le déploiement en production. La technologie centrale est une approche propriétaire baptisée "calibration sur données réelles + amplification par simulation" : des données capteurs réelles servent de base de calibration, puis la simulation génère des jeux de données synthétiques à grande échelle qui reproduisent les propriétés statistiques du réel tout en étendant la couverture des cas limites et scénarios rares. Ce tour illustre une conviction croissante dans le secteur : avant d'entraîner des robots ou des VLA (Vision-Language-Action models) performants, il faut disposer d'une infrastructure de données robuste et reproductible. La plupart des acteurs de l'IA physique butent aujourd'hui sur le "sim-to-real gap" et sur le coût prohibitif de la collecte de données en environnement réel. Une approche de type "real data calibration + sim amplification" vise précisément à réduire ce coût tout en préservant la validité statistique des données, un défi technique non trivial. Si la méthode s'avère scalable, elle pourrait raccourcir significativement les cycles de développement pour les intégrateurs robotiques et réduire la dépendance aux flottes de collecte physique, aujourd'hui l'un des postes de coût les plus lourds du secteur. Matrix Partners China avait déjà mené le tour Pre-A de Lightwheel en décembre 2023, puis sursouscrit le Pre-A+ suivant, s'établissant comme principal investisseur institutionnel de la société. Ce suivi répété est un signal fort, dans un contexte où l'écosystème de l'IA physique chinois s'organise rapidement autour de couches d'infrastructure distinctes : données, simulation, fondation model, application. Les concurrents directs sur ce segment incluent des acteurs comme Scale AI ou Rendered.ai côté occidental, et plusieurs startups chinoises moins visibles à l'international. Le managing partner Tong Ti a déclaré que 2025-2026 marque "l'année du déploiement à l'échelle" pour l'IA physique, ce qui reste un cadrage marketing à surveiller : le passage de la démonstration au déploiement industriel réel, surtout dans la robotique humanoïde, prend systématiquement plus de temps qu'annoncé. Aucun client nommé, aucun volume de données chiffré, aucun site de déploiement mentionné dans le communiqué, ce qui limite pour l'instant l'évaluation indépendante des affirmations techniques.

InfrastructureActu
1 source
MuJoCoUni : des primitives d'exécution persistantes et vectorisées pour MuJoCo
46arXiv cs.RO 

MuJoCoUni : des primitives d'exécution persistantes et vectorisées pour MuJoCo

Un préprint arXiv (réf. 2605.24922, mai 2026) présente MuJoCoUni, une distribution dérivée du simulateur physique MuJoCo ciblant l'apprentissage robot en ligne et l'évaluation physique batchée. L'objet central de la bibliothèque est le BatchEnvPool, un exécuteur écrit en C++ et exposé via pybind11, qui maintient des copies indépendantes de mjModel par environnement, des workers mjData par thread, et un pool de threads interne. BatchEnvPool comble ce que l'API upstream mujoco.rollout ne couvrait pas : l'exécution stateful d'environnements en parallèle, avec stepping final-state-only, reset sparse, randomisation de domaine au moment du reset (reset-lifecycle domain randomization), évaluation forward des capteurs sans avancer la dynamique, et requêtes batchées de Jacobiens et de champs de hauteur. Le package est disponible en open source via pip install mujoco-uni. L'enjeu pratique est significatif pour les pipelines de reinforcement learning robotique. L'entraînement RL en ligne exige un débit élevé de transitions simulées, souvent plusieurs milliers d'environnements en parallèle. La plupart des solutions à haute cadence comme Isaac Lab (NVIDIA) ou Brax (Google/JAX) sacrifient la fidélité physique de MuJoCo, notamment sa gestion fine des contacts et des contraintes, au profit de la vitesse GPU. MuJoCoUni prend le parti inverse : conserver la sémantique CPU de MuJoCo intacte, solveur, modèle de contact et intégrateur compris, en parallélisant uniquement au niveau de la couche de liaison Python, sans forker le coeur du simulateur. C'est une approche plus conservative, mais potentiellement plus fiable pour les tâches où la précision physique conditionne le transfert sim-to-real, notamment en manipulation dextre ou en locomotion sur terrain irrégulier. MuJoCo, développé initialement à l'Université de Washington par Emo Todorov, a été acquis par DeepMind en 2021 puis rendu open source en octobre 2022 sous licence Apache 2.0, ce qui a considérablement élargi son adoption dans la communauté RL robotique. L'écosystème s'est depuis structuré autour de plusieurs stacks concurrentes : Isaac Lab (GPU-natif, NVIDIA), Genesis (multi-backend, open source) et Brax (JAX). MuJoCoUni occupe un créneau spécifique : exécution batchée stateful sur CPU avec sémantique MuJoCo garantie, utile pour les équipes qui ne disposent pas d'infrastructure GPU ou qui exigent la reproductibilité exacte du simulateur de référence. Les auteurs publient simultanément des scripts de validation et de benchmark avec le package. Aucun déploiement industriel ni partenariat n'est annoncé à ce stade ; il s'agit d'une contribution infrastructure open source à destination des équipes de recherche et des intégrateurs construisant des pipelines RL robotiques.

InfrastructurePaper
1 source
SFG-ROS : un framework de perception multi-agents dense adaptatif aux ressources
47arXiv cs.RO 

SFG-ROS : un framework de perception multi-agents dense adaptatif aux ressources

Des chercheurs de la Hochschule Esslingen (Allemagne) ont publié en mai 2026 sur arXiv un framework logiciel nommé SFG-ROS, conçu pour déployer des flottes hétérogènes de robots en perception collaborative multi-agents. Le système cible un problème bien documenté de ROS 2 : lorsque plusieurs robots échangent simultanément des flux denses de capteurs (LiDAR, caméras stéréo de profondeur), le middleware standard génère une saturation réseau rapide, des collisions de namespaces et une charge CPU qui croît avec le nombre d'abonnés. SFG-ROS propose trois mécanismes correctifs. D'abord, un routage de trafic piloté par schéma qui isole les flux haute fréquence intra-agent du réseau global via un schéma de nommage pleinement qualifié et un routage Fast DDS ciblé. Ensuite, un pipeline de décodage centralisé à la demande qui externalise la décompression des données capteur vers un noeud dédié, supprimant le traitement redondant côté consommateurs. Enfin, un pipeline de conteneurisation agnostique au matériel qui s'adapte dynamiquement aux accélérateurs hétérogènes, du poste de développement jusqu'au déploiement terrain sans reconfiguration. Les tests menés sur une flotte mixte de robots à roues et de robots marchants montrent que SFG-ROS borne le trafic réseau en O(1) quelle que soit la taille de la flotte, et réduit la pénalité CPU par abonné de 72,3 % par rapport à ROS 2 standard, sans dégradation de latence mesurée. Ce résultat de 72,3 % de réduction CPU est significatif pour les intégrateurs industriels qui opèrent des flottes mixtes en conditions réelles : il signifie concrètement qu'ajouter un nouveau robot consommateur de données ne fait pas croître linéairement la charge de traitement sur les noeuds existants. La propriété O(1) sur le réseau est peut-être encore plus critique : elle autorise des déploiements à grande échelle sans redimensionnement de l'infrastructure réseau, ce qui change le calcul économique des entrepôts automatisés multi-AMR ou des chantiers robotisés. L'approche agnostique au matériel répond à une friction fréquente en intégration : les pipelines ROS 2 sont souvent reconfigurés manuellement à chaque changement de plateforme (Jetson, GPU server, CPU embarqué). SFG-ROS automatise ce pont, ce qui réduit le temps de mise en service. Toutefois, les résultats proviennent d'un preprint non encore évalué par les pairs, et les conditions expérimentales exactes (taille de flotte testée, volume de données par canal, latence cible) ne sont pas détaillées dans le résumé disponible, ce qui limite la transposabilité directe des chiffres à d'autres configurations. SFG-ROS est publié sous licence permissive par l'Institut für Intelligente Systeme de la Hochschule Esslingen, une école d'ingénieurs allemande active en robotique embarquée et systèmes cyber-physiques. Le projet s'inscrit dans une tendance plus large de l'écosystème ROS 2 à combler les limites de scalabilité de DDS pour les flottes denses, tendance où l'on retrouve aussi des travaux de l'Université de Bonn, d'Apex.AI ou encore des efforts de standardisation du ROS 2 TSC autour de la qualité de service DDS. Du côté des alternatives, des frameworks propriétaires comme LCM (Lightweight Communications and Marshalling) ou les middlewares internes de Boston Dynamics et ANYbotics offrent des garanties similaires mais sans interopérabilité ouverte. SFG-ROS se positionne comme une couche d'orchestration open-source au-dessus de ROS 2 existant, ce qui abaisse la barrière à l'adoption. Le code est accessible sur iis-esslingen.github.io/sfg-ros, et la prochaine étape logique serait une validation sur des flottes de taille industrielle (dizaines d'agents) avec des benchmarks de latence publiés sous charge réelle.

UEPublié sous licence permissive par une école d'ingénieurs allemande, SFG-ROS est directement exploitable par les intégrateurs européens de flottes multi-robots (entrepôts AMR, chantiers robotisés) pour scaler leurs déploiements ROS 2 sans redimensionner l'infrastructure réseau.

InfrastructureOpinion
1 source
Robotics Summit : le discours d'ouverture présente une fondation ouverte pour les robots à base d'IA
48Robotics Business Review 

Robotics Summit : le discours d'ouverture présente une fondation ouverte pour les robots à base d'IA

Brian Gerkey, co-fondateur d'Open Robotics et actuel directeur technique d'Intrinsic, filiale d'Alphabet dédiée aux logiciels robotiques, prendra la parole le mercredi 28 mai 2026 à 9h00 ET lors du Robotics Summit & Expo de Boston, au Thomas M. Menino Convention & Exhibition Center (salle 253 ABC). Sa conférence, intitulée "An Open Foundation for the Age of AI-Powered Robots", présentera la stratégie de l'Open Source Robotics Alliance (OSRA) en matière d'accessibilité, d'outillage moderne et de sécurité fonctionnelle. Open Robotics, organisation qui maintient le Robot Operating System (ROS) et le simulateur Gazebo, y défendra la thèse que l'open source devient une infrastructure critique à mesure que l'IA physique accélère. La session remplace une conférence initialement prévue avec Russ Tedrake, professeur au MIT et ex-vice-président senior pour les large behavior models au Toyota Research Institute. L'événement rassemble cette année plus de 70 intervenants confirmés issus d'Amazon Robotics, AWS, Tesla, Universal Robots, Brain Corp, PickNik Robotics et Robust AI, avec plus de 50 sessions réparties sur des tracks IA, design, healthcare et logistique. Le signal est moins technique qu'institutionnel. L'émergence des architectures Vision-Language-Action (VLA), des pipelines sim-to-real et des foundation models pour la robotique physique rend la standardisation des middlewares plus stratégique que jamais. ROS 2, qui reste la référence pour la communication inter-processus sur les plateformes industrielles et humanoïdes, est maintenu collectivement via l'OSRA. Pour les intégrateurs et les équipes R&D, le fait que Gerkey articule une roadmap publique au principal salon technique commercial américain de robotique signale que l'OSRA entend jouer un rôle normatif, pas seulement communautaire. La question non résolue est celle de la performance : les pipelines d'inférence GPU modernes imposent des contraintes de latence que les architectures ROS classiques gèrent mal, et c'est précisément là que se jouera la crédibilité du discours. Open Robotics a été fondée en 2012 autour de ROS, né à Willow Garage, l'un des premiers labs à industrialiser la recherche robotique aux États-Unis. Gerkey y a travaillé avant de co-fonder l'organisation, et son rattachement actuel à Intrinsic place cette prise de parole à l'intersection de la stratégie Google/Alphabet et de la gouvernance open source. Sur le plan concurrentiel, l'écosystème ROS fait face à des alternatives propriétaires croissantes : Isaac ROS de NVIDIA, les middlewares maison de Boston Dynamics ou de Figure AI, et des frameworks applicatifs comme LeRobot de HuggingFace. La prochaine étape pour l'OSRA sera de démontrer comment ROS 2 s'intègre nativement avec des architectures de foundation models en production, un point que Gerkey devrait adresser lors de sa session du 28 mai.

UEROS 2 étant la référence middleware adoptée par la majorité des équipes robotiques européennes, la roadmap OSRA articulée par Gerkey influencera les choix d'architecture pour les intégrateurs et startups FR/EU développant des robots à base de foundation models.

InfrastructureOpinion
1 source
OLO Robotics finalise son lancement commercial avec trois partenariats internationaux de fabrication et distribution
49Robotics & Automation News 

OLO Robotics finalise son lancement commercial avec trois partenariats internationaux de fabrication et distribution

OLO Robotics vient de finaliser son lancement commercial en annonçant trois partenariats de fabrication et de distribution avec Deep Robotics, inMotion Robotic et Fiction Lab. Ces accords permettent d'intégrer la plateforme ROS2-native d'OLO à des robots quadrupèdes et des robots mobiles autonomes (AMR) commercialisés par ces partenaires. La géographie de ces alliances est internationale : Deep Robotics est un fabricant chinois de quadrupèdes établi, tandis qu'inMotion Robotic et Fiction Lab opèrent sur des marchés de distribution complémentaires dont les détails n'ont pas été précisés. L'enjeu central de ce lancement est l'accessibilité : OLO vise les équipes de développement logiciel généralistes, et non les seuls roboticiens spécialisés. En s'appuyant sur ROS2 comme standard ouvert, la plateforme réduit la barrière à l'entrée pour les intégrateurs et les directions techniques industrielles souhaitant déployer des robots sans maîtriser les couches bas-niveau de contrôle. C'est un pari sur l'abstraction logicielle comme levier d'adoption à l'échelle, dans un secteur où la complexité du middleware a longtemps freiné le passage du pilote au déploiement réel. OLO s'inscrit dans une concurrence croissante sur la couche d'orchestration entre hardware robotique et applications métier, face à des acteurs comme Foxglove, Intrinsic (Alphabet) ou Transitive Robotics. Sa stratégie se distingue par des partenariats OEM pour ancrer sa plateforme dans l'écosystème matériel existant plutôt que de commercialiser du hardware en propre. Les premiers déploiements clients concrets et les timelines de mise en production n'ont pas été communiqués dans cette annonce.

UELes intégrateurs européens pourraient évaluer la plateforme ROS2 d'OLO pour simplifier leurs déploiements AMR et quadrupèdes, mais aucun acteur français ou européen n'est impliqué dans cette annonce.

InfrastructureActu
1 source
Lightwheel annonce 100 millions de dollars de commandes au premier trimestre pour son infrastructure de robotique à IA physique
50Robotics & Automation News 

Lightwheel annonce 100 millions de dollars de commandes au premier trimestre pour son infrastructure de robotique à IA physique

Lightwheel, startup américaine spécialisée dans l'infrastructure pour robots physiques, annonce avoir enregistré environ 100 millions de dollars de commandes au cours du seul premier trimestre 2026. La société développe des briques logicielles dédiées à la simulation, à la génération de données synthétiques, à l'évaluation de modèles et au déploiement à l'échelle de robots pilotés par de l'intelligence artificielle physique. Le communiqué ne précise ni les clients ni les volumes unitaires concernés, ce qui limite la portée des chiffres annoncés. Ce résultat, s'il se confirme, illustre un changement de phase dans le secteur : les industriels cessent d'expérimenter et commencent à chercher des solutions d'infrastructure clé-en-main pour passer des prototypes au déploiement réel. L'infrastructure de formation, simulation haute fidélité, pipelines de données synthétiques, évaluation en boucle fermée, émerge comme un marché autonome, distinct de la fabrication des robots eux-mêmes. Pour les intégrateurs et les équipes d'automatisation, cela signifie que la question n'est plus seulement "quel robot acheter ?" mais "quelle stack d'entraînement et de qualification choisir ?". Lightwheel s'inscrit dans l'écosystème dit de la "physical AI", terme popularisé par NVIDIA avec sa plateforme Isaac et ses partenaires comme Agility Robotics, Boston Dynamics ou Figure. Ses concurrents directs sur le segment données-simulation incluent Scale AI, Synthesis AI et les stacks propriétaires que développent en interne les fabricants de robots humanoïdes. La prochaine étape à surveiller : des références clients nommées et des métriques de déploiement réel, seuls indicateurs capables de valider que la demande annoncée se traduit en robots effectivement opérationnels en production.

InfrastructureActu
1 source