Dossier Boston Dynamics — page 10

Vidéo du vendredi : donnez un coup de main aux robots

La sélection vidéo hebdomadaire d'IEEE Spectrum du 28 juin 2026 regroupe une douzaine de démonstrations robotiques. Agility Robotics y présente son humanoïde Digit naviguant autour d'obstacles au sol : le robot détecte un objet en mouvement, recalcule le placement de chaque pied et maintient sa progression sans perdre l'équilibre, reproduisant les conditions réelles d'un entrepôt. Unitree commercialise son R1 à 4 900 dollars américains, niveau de prix jugé impressionnant pour ses capacités, mais dont le retour sur investissement concret reste à démontrer. Tangent Robotics dévoile une main robotique désincarnée capable de ramper sur une table, tandis que le MIT CSAIL présente "SoftMimic", une approche développée par Pulkit Agrawal, directeur de l'Improbable AI Lab, pour sécuriser les interactions robot-humain. DEEP Robotics montre un robot de lutte contre l'incendie aux comportements particulièrement offensifs. Le DARPA Lift Challenge sera ouvert au public du 6 au 9 août 2026 au National Museum of the US Air Force à Dayton, Ohio. La démonstration de Digit est notable car elle illustre une navigation réactive hors laboratoire : planifier dynamiquement le placement des pas sans interrompre le déplacement est l'un des défis bipèdes les plus difficiles à résoudre en conditions réelles, et la distance entre une démo filmée en couloir stérile et un robot opérationnel sur un vrai sol d'entrepôt reste souvent sous-estimée. Sur le front tarifaire, le R1 à 4 900 dollars abaisse le seuil d'accès à la robotique humanoïde, mais l'absence de cas d'usage validé et de software stack éprouvé laisse ouverte la question du ROI pour les intégrateurs. L'approche SoftMimic répond quant à elle à un besoin identifié par les industriels : les cellules collaboratives exigent des comportements sécurisés au contact humain, pas seulement des cages de sécurité périphériques. Agility Robotics, soutenu par Amazon depuis 2023, est l'un des rares humanoïdes à avoir atteint un déploiement industriel réel, aux côtés du Stretch de Boston Dynamics. Unitree, fabricant chinois connu pour ses quadrupèdes (Go1, Go2, B2) avant de pivoter vers les humanoïdes (H1, G1), applique au R1 la même stratégie de prix agressif qui lui a permis de dominer le marché low-cost des robots à pattes. Rodney Brooks, co-fondateur d'iRobot et inventeur du Roomba, aujourd'hui CTO de Robust.AI, revient dans une interview Forbes sur l'histoire de l'aspirateur autonome et les perspectives de la robotique collaborative industrielle. Harvard SEAS explore par ailleurs l'utilisation de robots guidés par IA pour décoder le comportement et potentiellement le langage des baleines, projet atypique illustrant l'extension du machine learning vers la biologie comportementale. Côté agenda sectoriel, les prochaines échéances incluent RSS 2026 (13-17 juillet, Sydney), Actuate 2026 (18-19 août, San Francisco) et IROS 2026 (27 septembre-1er octobre, Pittsburgh).

Ryan Gariepy, cofondateur de Clearpath Robotics : la plupart des industries canadiennes sont sous-automatisées

Ryan Gariepy, cofondateur de Clearpath Robotics, a accordé une interview dans laquelle il affirme que la majorité des secteurs industriels canadiens sont sous-automatisés, malgré un écosystème de recherche en robotique reconnu mondialement. Le Canada abrite des universités de premier plan (Waterloo, Toronto, McGill), des startups pionnières et des technologies appliquées à la fabrication, la logistique, l'agriculture, l'exploitation minière et la défense. Clearpath, fondée en 2009 à Kitchener (Ontario), s'est imposée comme l'un des principaux fournisseurs de robots mobiles autonomes (AMR) pour la recherche et l'industrie avant d'être absorbée par Rockwell Automation via sa division OTTO Motors. Le constat de Gariepy pointe un paradoxe structurel : la capacité de recherche ne se convertit pas automatiquement en déploiement industriel à l'échelle. Pour les décideurs B2B et les intégrateurs, cela signifie que le marché canadien reste un terrain sous-exploité, avec des opportunités réelles dans des verticales comme l'agroalimentaire, les ressources naturelles ou la logistique d'entrepôt, où l'adoption robotique reste inférieure à la moyenne des pays du G7. Ce gap n'est pas technologique mais organisationnel et financier, selon cette lecture. Clearpath a traversé plusieurs pivots stratégiques : d'abord orientée recherche académique avec ses plateformes Husky et Jackal, elle a pivoté vers l'industriel via OTTO Motors, spécialisé dans les AMR d'entrepôt, avant l'acquisition par Rockwell en 2023 pour un montant non divulgué. Dans ce paysage, les concurrents directs incluent MiR (acquis par Teradyne), Locus Robotics et 6 River Systems côté AMR, ainsi que Boston Dynamics pour les robots mobiles avancés. La question ouverte reste de savoir si le Canada dispose de la politique industrielle nécessaire pour accélérer cette transition.

Apprentissage par auto-imitation temporelle

Un preprint arXiv déposé fin juin 2026 (référence 2606.19752) présente TSIL (Temporal Self-Imitation Learning), un cadre d'apprentissage par renforcement pour les politiques de manipulation robotique sur longues séquences d'actions. Le principe : identifier, au fil de l'entraînement, les trajectoires réussies les plus rapides, puis les convertir en supervision réutilisable pour les itérations suivantes via des cibles temporelles adaptatives conditionnées par la configuration ("configuration-conditioned adaptive temporal targets") et une réimitation pondérée par l'efficacité relative de chaque comportement. La méthode a été évaluée sur 15 tâches de manipulation longue séquence distinctes ; aucun déploiement sur robot physique n'est annoncé dans le papier. L'apport adresse un défaut bien documenté des approches par récompense dense (reward shaping) : un agent peut satisfaire le signal de récompense tout en produisant des comportements lents ou redondants, puisque rien ne pénalise explicitement l'inefficacité temporelle, et les rares séquences vraiment rapides tendent à être oubliées au fil de l'entraînement. TSIL propose de traiter le temps d'exécution lui-même comme signal d'auto-supervision scalable, complémentaire aux récompenses manuelles. Sur les 15 tâches testées, la méthode améliore simultanément l'efficacité d'apprentissage global, l'efficacité de complétion de tâche, la réintégration des comportements rapides et la robustesse aux instabilités d'entraînement. Pour les équipes cherchant à réduire l'ingénierie de récompense sur des tâches industrielles complexes, le signal est pertinent, mais il s'agit d'un résultat de recherche en simulation, non d'un produit validé terrain. TSIL s'inscrit dans la lignée de SAIL (Self-Imitation Learning, Oh et al. 2018) et de HER (Hindsight Experience Replay), deux méthodes exploitant les expériences passées pour guider l'apprentissage par renforcement, en y ajoutant une dimension temporelle explicite absente des approches précédentes. La manipulation longue séquence reste un verrou majeur pour les bras industriels et les humanoïdes ; des acteurs comme Physical Intelligence (Pi-0), Figure AI ou les équipes RL de Boston Dynamics travaillent sur des problématiques similaires. Ce preprint, non encore évalué par des pairs, ne mentionne ni partenaire industriel ni horizon de transfert sur robot réel. La prochaine étape logique sera de tester la robustesse de l'approche hors simulation, là où le sim-to-real gap remet généralement en cause les gains obtenus en environnement contrôlé.

Glissement d'objets par manipulation des pieds sur un robot bipède à roues avec contrôle hiérarchique

Des chercheurs ont publié sur arXiv (arXiv:2606.19233, juin 2026) un framework de contrôle hiérarchique permettant à des robots bipèdes à roues d'effectuer des tâches de manipulation d'objets au sol à l'aide de leurs membres inférieurs motorisés, une capacité baptisée "pédimanipulation mobile". Le système repose sur un contrôleur prédictif non linéaire (NMPC) construit sur un modèle dynamique simplifié à trois corps rigides (TRB), intégrant explicitement le degré de liberté en roulis de hanche et plusieurs modes de contact roue-sol. En expérimentation réelle, le robot a récupéré un objet de 1 kg coincé sous un bureau et déplacé latéralement un objet de 4 kg sur une distance de 0,228 m via une motion de type "scooting". Deux primitives de mouvement ont été validées sur hardware : scooting (poussée frontale par rotation des roues) et lateral sliding (déplacement latéral par pas de côté). L'intérêt industriel de cette approche réside dans sa réutilisation du train roulant comme effecteur de manipulation, sans bras supplémentaire ni outil dédié. Le NMPC régule simultanément la locomotion et les forces d'interaction, ce qui signifie que le robot maintient son équilibre tout en exerçant un effort contrôlé sur l'objet, un problème de couplage non trivial. Le planificateur de trajectoire intègre les transitions adhérence-glissement (stick-slip) dans le contact sol-objet, un phénomène souvent ignoré dans les démos en simulation mais critique en conditions réelles. C'est un résultat concret qui réduit le demo-to-reality gap sur la manipulation au sol, habituellement dominée par les manipulateurs à bras. Les robots bipèdes à roues constituent une architecture émergente entre AMR classiques et humanoïdes complets : Agility Robotics (Digit), Boston Dynamics (Spot avec extension roues dans certaines configs), et des plateformes académiques comme le Cassie de l'Oregon State University ont popularisé cette morphologie. Ce travail s'inscrit dans un courant de recherche sur la pédimanipulation, utiliser les jambes comme manipulateurs, que l'on retrouve aussi sur quadrupèdes (ANYmal, Go2). La prochaine étape probable est l'extension à des objets non rigides ou à des surfaces non planes, ainsi que l'intégration de perception pour fermer la boucle en environnement non structuré.

SGM-SLAM : correspondance de graphes de scène pour un SLAM distribué efficace en données

Une équipe de chercheurs publie SGM-SLAM (arXiv:2606.16881, juin 2026), un framework de cartographie et localisation simultanées (SLAM) distribué, conçu pour des flottes de robots équipés de LiDAR, caméras et capteurs inertiels. Sa singularité revendiquée : c'est, selon les auteurs, la première approche de mise en correspondance de graphes de scènes opérant uniquement à partir de labels d'objets et de centroïdes, sans descripteurs de features bas niveau. Le système génère deux couches de représentation à partir de nuages de points RGB-LiDAR fusionnés : une couche de segmentation sémantique et une couche d'objets délimités discrets, accompagnant les trajectoires estimées de chaque robot. Ces graphes sont échangés entre robots voisins via un protocole multi-étapes conçu pour limiter la bande passante consommée. Les expériences couvrent simulation et collecte terrain sur robots à pattes, en environnements intérieurs et extérieurs. Pour les intégrateurs de flottes robotiques, le goulot d'étranglement habituel du SLAM distribué est précisément la bande passante : partager des descripteurs visuels ou LiDAR entre robots génère des volumes de données élevés, problématiques dans les environnements RF dégradés typiques de l'industrie (entrepôts métalliques, sous-sols, sites en chantier). En réduisant l'échange à des métadonnées sémantiques légères (classe d'objet + position centroïde), SGM-SLAM affiche un coût de communication structurellement inférieur aux méthodes feature-based. La validation sur robots à pattes, réputés plus difficiles à stabiliser dynamiquement que les AMR à roues, renforce la portée pratique des résultats. Si les performances se maintiennent à l'échelle en nombre de robots et en taille d'environnement, le framework pourrait changer le calcul de faisabilité pour les opérations multi-robots en connectivité limitée. Le SLAM distribué multi-robots est un chantier actif depuis plus d'une décennie. Des systèmes comme Kimera-Multi (MIT SPARK Lab), DiSCo-SLAM et Swarm-SLAM ont progressivement amélioré la précision tout en réduisant les échanges de données, mais aucun n'avait jusqu'ici poussé l'abstraction au niveau objet seul. SGM-SLAM s'inscrit dans la tendance plus large des graphes de scènes sémantiques, héritée de la compréhension de scènes 3D et de la robotique de manipulation, et l'applique ici à l'exploration collective. Les plateformes à pattes testées correspondent aux types Boston Dynamics Spot ou ANYmal, très présentes dans l'inspection industrielle et la réponse aux catastrophes. L'article, en pré-publication sur arXiv, ne mentionne pas de disponibilité de code open-source ni de timeline de déploiement applicatif.

Une architecture neuronale à impulsions pour coordonner le contrôle du bras et la locomotion

Des chercheurs ont publié sur arXiv (2606.11034, juin 2026) une architecture SNN (Spiking Neural Network) capable de coordonner en temps réel le contrôle des bras et la locomotion bipède d'un humanoïde simulé, une combinaison absente des travaux précédents dans ce paradigme. Le système s'appuie sur le Neural Engineering Framework (NEF) et la Semantic Pointer Architecture (SPA), avec un modèle de ganglions de la base à impulsions biologiquement inspiré pour arbitrer la sélection entre marche et manipulation. La co-simulation Nengo (contrôle neural) et Isaac Sim de NVIDIA (physique) a permis de valider quatre tâches : atteinte de cible en espace 3D, dessin continu de chiffres, locomotion en suivi de trajectoire, et commutation dynamique entre marche et contrôle du bras via désinhibition des ganglions de la base. Le principal argument de l'approche est son potentiel d'efficacité énergétique sur matériel neuromorphique (Intel Loihi, SpiNNaker), là où les humanoïdes commerciaux actuels comme Figure 03, Optimus ou Unitree G1 exigent des GPU embarqués énergivores. Cette publication revendique la première intégration unifiée locomotion-manipulation sur plateforme humanoïde pleine échelle dans le paradigme SNN, les rares précédents traitant les deux sous-systèmes en modules entièrement isolés. La limite centrale à signaler est que l'ensemble des résultats est issu de simulation pure, le gap sim-to-real n'étant pas adressé dans cette étude. Les SNNs s'imposent depuis quelques années comme alternative crédible aux réseaux denses pour les systèmes embarqués à contrainte énergétique forte. Le framework Nengo, développé par Applied Brain Research, est l'outil de référence de cet écosystème. Face à cette approche, les acteurs majeurs de la course humanoïde, Figure AI, 1X Technologies, Boston Dynamics et Physical Intelligence (auteurs de Pi-0), misent sur des VLA (Vision-Language-Action models) et du reinforcement learning à grande échelle ; l'approche SNN vise un axe orthogonal, davantage frugal et interprétable, mais encore en retrait sur les benchmarks de manipulation en environnement réel. Les auteurs annoncent le déploiement sur matériel neuromorphique basse consommation comme prochaine étape, ce qui constituera le vrai test de l'hypothèse énergétique centrale à ce travail.

IMPACT : apprentissage d'une commande prédictive à modèle interne pour la manipulation robotique en force

Une équipe de recherche a publié le 12 juin 2026 sur arXiv (référence 2606.10818) IMPACT, un framework d'apprentissage pour la manipulation robotique dite "forceful", c'est-à-dire impliquant des interactions physiques avec l'environnement : utilisation d'outils de masses variables, transport d'objets lourds, nettoyage de surface par contact prolongé. L'architecture découple le problème en deux blocs distincts : un planificateur de tâche de haut niveau, et un contrôleur prédictif basé sur un modèle interne (internal-model predictive control). Les expériences sont menées à la fois en simulation et sur robot réel, avec évaluation sur des objets non vus lors de l'entraînement. Les auteurs ne publient pas encore les métriques quantitatives précises dans l'abstract arXiv disponible, ce qui limite l'analyse indépendante à ce stade. Le verrou technique adressé est réel et sous-estimé dans les pipelines d'imitation learning actuels. Deux stratégies dominent aujourd'hui : la première laisse les forces émerger implicitement via les erreurs de suivi d'un contrôleur d'impédance, ce qui casse la généralisation dès que la masse de l'objet change ; la seconde commande explicitement les efforts via capteur force/couple ou capteur tactile au poignet, ce qui fonctionne mais alourdit l'intégration matérielle et fragilise les déploiements industriels. IMPACT propose une troisième voie en apprenant un modèle interne de la dynamique de contact, permettant au contrôleur prédictif d'anticiper les forces sans capteur dédié ni dégradation de généralisation. Les gains annoncés en taux de succès, sécurité et efficacité énergétique sont cohérents avec l'approche, mais restent à valider sur des benchmarks standardisés comme DROID ou RoboAgent. Ce travail s'inscrit dans un courant actif qui cherche à marier l'apprentissage par imitation avec les garanties du contrôle prédictif (MPC), après des travaux fondateurs comme ILC, DMP, et plus récemment les architectures VLA de type pi0 (Physical Intelligence) ou RoboDiff. Le problème de la manipulation forcée reste un angle mort des démos grand public, qui privilégient les tâches de pick-and-place sur objets légers. Les concurrents directs incluent les approches sim-to-real de CMU (DexVIP, ACT), d'ETH Zurich (ANYmal) et les travaux de Boston Dynamics Research sur la manipulation lourde. Côté européen, aucun acteur n'est directement cité, mais les travaux de Wandercraft et Enchanted Tools sur la dynamique de contact pourraient bénéficier de ce type de framework. La prochaine étape naturelle serait une validation sur manipulateurs industriels (UR, Franka) en conditions de production réelle.

RoboNaldo : tirs précis, stables et puissants pour humanoïdes via apprentissage par renforcement à programme progressif guidé par le mouvement

Des chercheurs d'OpenDriveLab ont publié le 13 juin 2026 RoboNaldo (arXiv:2606.11092), un framework d'apprentissage par renforcement en curriculum à trois étapes conçu pour entraîner un humanoïde à tirer au football avec précision et puissance. Déployé sur un Unitree G1 avec perception embarquée, le système atteint une erreur de tir moyenne de 0,73 m depuis 3 m en situation de coup franc (balle stationnaire), et 0,86 m sur balle en mouvement. La vitesse post-contact de la balle atteint 13,10 m/s, soit 59 à 71 % de la vitesse mesurée chez des joueurs professionnels en match ouvert. En simulation, RoboNaldo réduit l'erreur de tir de 48,6 % et multiplie la vélocité de frappe par 2,96 par rapport aux baselines de référence antérieures. L'intérêt technique réside dans la combinaison de deux approches qui s'avèrent complémentaires plutôt qu'opposées : le motion tracking-driven RL (stable mais rigide face à des positions de balle variables) et le task reward-driven RL (flexible mais inefficace à explorer des kicks valides de zéro). RoboNaldo hybride les deux via un curriculum progressif : le robot apprend d'abord un prior de coup de pied corps entier stable à partir d'une seule référence humaine, puis l'adapte à des positions de balle aléatoires, puis à une balle en mouvement via une interface locomotion-commande/kick-trigger. Un planificateur heuristique haut niveau pilote l'entraînement, mais le même policy bas niveau peut être conduit par n'importe quel contrôleur alternatif à l'inférence, ce qui est une propriété utile pour l'intégration dans des systèmes plus larges. Il reste que les résultats présentés s'appuient sur des vidéos et métriques de laboratoire contrôlé, sans terrain irrégulier ni adversaires dynamiques. OpenDriveLab, lab de recherche en autonomie embodied associé à Shanghai AI Lab, se positionne ici dans un espace de plus en plus disputé. Boston Dynamics, Agility Robotics (Figure, Tesla Optimus) concentrent leurs démonstrations sur la manipulation industrielle et la locomotion bipède en entrepôt, tandis que des travaux comme DribbleBot (CMU, 2023) ou les robots footballeurs de l'équipe NimbRo avaient déjà exploré le jeu avec ballon, mais sur des plateformes quadrupèdes ou plus légères. RoboNaldo est présenté comme une démonstration de recherche (preprint non peer-reviewed à ce stade) : aucun pilote industriel ni timeline de commercialisation n'est annoncé. La prochaine étape logique serait l'évaluation en conditions non structurées et l'intégration d'un contrôleur haut niveau appris plutôt qu'heuristique.

Un fabricant shanghaïen dévoile un robot humanoïde de 1,2 m à double cerveau et design compact

JAKA Robotics, société shanghaïenne fondée en 2015 et jusqu'ici connue pour ses cobots industriels, a dévoilé le Pi, un robot humanoïde compact mesurant 1,22 mètre pour 42 kilogrammes. La plateforme intègre 27 degrés de liberté grâce à des modules articulaires intégrés de nouvelle génération, annoncés 15 à 27 % plus compacts que la génération précédente. Les genoux développent jusqu'à 120 Nm de couple pour la locomotion, et chaque bras supporte une charge utile de 3 kilogrammes. L'architecture de contrôle repose sur une plateforme Intel hétérogène à double domaine : un "cerveau" chargé du raisonnement IA, de la perception visuelle, des grands modèles de langage et de la logique applicative, et un "cervelet" dédié au contrôle moteur temps réel via un réseau EtherCAT à latence milliseconde. JAKA présente le Pi comme une plateforme de R&D pour l'intelligence incarnée et l'interaction homme-robot, sans annoncer de déploiement commercial ni de calendrier de production. La principale valeur technique du Pi réside dans son architecture duale, qui sépare explicitement l'inférence IA du contrôle déterministe -- une approche que l'on retrouve chez plusieurs concurrents mais que JAKA documente ici avec des métriques d'intégration concrètes. Pour un intégrateur ou un décideur industriel, la compacité (42 kg, 1,22 m) et le payload de 3 kg par bras positionnent le Pi sur un segment intermédiaire entre les humanoïdes de taille adulte comme Figure 03 ou Tesla Optimus Gen 3 et les plateformes de table. En revanche, les performances annoncées restent à ce stade des spécifications constructeur: aucune vidéo de tâche en conditions réelles n'a été publiée, et la notion de "polyvalence applicative" n'est étayée par aucun benchmark reproductible ni site pilote identifié. JAKA s'est construit sur dix ans une gamme cobot industrielle étendue -- séries Zu (3 à 30 kg), Pro (IP68, milieux hostiles), S Series (contrôle en force), AL/A Series (vision intégrée) -- avant d'amorcer un pivot vers l'intelligence incarnée avec ses humanoïdes K1, K1L et K1W. Le Pi s'inscrit dans cette trajectoire de montée en gamme vers des systèmes IA embarqués. Sur le plan concurrentiel, le marché humanoïde compact est déjà occupé par Unitree (G1, 1,27 m, 35 kg), Agility Robotics (Digit), et côté recherche par des plateformes comme le PR2 ou l'Atlas de Boston Dynamics. En Chine, des acteurs comme Fourier Intelligence ou UBTech développent également des humanoïdes à vocation industrielle. La Chine déploie par ailleurs des robots humanoïdes dans la logistique postale, notamment à Guangzhou, signal d'un marché domestique qui commence à absorber ces systèmes. JAKA n'a pas communiqué de prix, ni de partenaires industriels, ni de calendrier pour des pilotes commerciaux du Pi.

Mémoire spatio-sémantique dynamique et résiliente avec localisation hybride pour la manipulation mobile

Une équipe de recherche a publié sur arXiv (réf. 2606.00576) DREAM, un framework de manipulation mobile robotique pour environnements intérieurs dynamiques, fonctionnant sans carte pré-construite. Le système construit en temps réel une mémoire voxel spatio-sémantique à partir d'observations RGB-D enregistrées par un backend SLAM hybride LiDAR-inertiel-visuel. Pour retrouver des objets cibles, DREAM combine retrieval 3D conditionné par le langage naturel, détection à vocabulaire ouvert, et vérification sémantique par un grand modèle de langage multimodal (MLLM). Sa contribution technique centrale est le RMP (Redundancy-Aware Memory Pruning), un mécanisme d'élagage conscient du pose-graph qui propage les corrections de pose aux observations historiques tout en maintenant l'empreinte mémoire bornée. Testé sur robot réel dans quatre scènes de laboratoire dynamiques, DREAM améliore les taux de succès sur tâches longue durée : de 40-60% avec le système de référence DynaMem à 55-70%, avec une empreinte mémoire de 0,37 à 0,63 Go et un temps de mise à jour de 0,43 à 0,53 seconde par scène. Ce résultat adresse un blocage fondamental de la manipulation mobile en conditions réelles : les systèmes existants supposent un environnement statique, des estimations de pose précises ou une carte pré-construite, trois hypothèses qui s'effondrent dès qu'un objet est déplacé ou qu'une correction de trajectoire intervient. DREAM répond à ce demo-to-real gap en propageant dynamiquement les corrections de pose à toute la mémoire historique, et en s'appuyant sur un MLLM pour la vérification sémantique plutôt qu'une simple correspondance géométrique. Nuance nécessaire toutefois : un taux de succès de 55-70% signifie encore 30-45% d'échecs en conditions de laboratoire contrôlées, et les tâches exactes testées ne sont pas détaillées dans l'abstract disponible, ce qui rend toute extrapolation à des environnements industriels ou domestiques réels prématurée. DynaMem constitue la référence directe de comparaison. La manipulation mobile autonome en milieu non-structuré est un axe actif chez plusieurs acteurs commerciaux : Figure avec son robot Figure 03, Physical Intelligence avec pi-zero et pi0.5, Boston Dynamics ou encore Agility Robotics. L'approche de DREAM, combinant SLAM dense, mémoire sémantique interrogeable en langage et vérification par LLM, s'inscrit dans la tendance VLA (Vision-Language-Action) qui cherche à combler le sim-to-real gap non par l'entraînement massif mais par une représentation du monde plus dynamique et cohérente. Aucune institution ni partenariat industriel n'est mentionné dans le résumé disponible, classant ce travail pour l'instant comme recherche académique pré-publication, sans timeline de déploiement annoncée.

Filtres de Kalman neuronaux pondérés par fréquence

Une équipe de chercheurs a publié le 2 juin 2026 sur arXiv (arXiv:2606.02251) les travaux décrivant le FW-NKF, pour Frequency-Weighted Neural Kalman Filter, un filtre hybride qui combine estimation d'état classique et apprentissage profond pour supprimer les bruits périodiques et les interférences électromagnétiques qui dégradent les capteurs en conditions réelles. L'architecture intègre un opérateur de mise en forme spectrale causal directement dans le résidu de mesure du filtre de Kalman, tout en entraînant conjointement des réseaux de transition et d'observation sur l'espace latent. Testé sur quatre benchmarks hétérogènes, dont des systèmes chaotiques multi-dimensionnels de type Lorenz et de l'estimation de pose corporelle complète par unités inertielles (IMU), le FW-NKF affiche une réduction de l'erreur de localisation allant jusqu'à 10 % ainsi que des gains mesurables en précision d'orientation. Les études d'ablation confirment que la pondération fréquentielle et la modélisation latente profonde contribuent chacune de façon indépendante aux gains observés. Pour les intégrateurs de systèmes robotiques et les équipes d'autonomie, ce résultat est pertinent car les filtres de Kalman classiques, y compris leurs variantes étendues (EKF), ne disposent d'aucun mécanisme explicite pour atténuer les composantes de bruit bande-limitée, vibrations de capteurs ou interférences RF, qui sont pourtant omniprésentes sur les plateformes industrielles, les drones et les robots humanoïdes. Une réduction de 10 % de l'erreur de localisation reste modeste mais significative dans des contextes où la dérive d'odométrie est cumulative, notamment pour la navigation longue durée ou la manipulation précise. Cela suggère qu'une intégration légère d'un filtre spectral appris peut se substituer à des chaînes de prétraitement signal ad hoc souvent coûteuses à calibrer. Le filtre de Kalman, introduit en 1960, reste la colonne vertébrale de l'estimation d'état en robotique et en aérospatiale. Les variantes Deep Kalman Filter (DKF) ont tenté depuis 2015-2016 d'y greffer des représentations apprises pour gérer la non-linéarité des dynamiques, mais sans traiter explicitement le domaine fréquentiel. Le FW-NKF s'inscrit dans cette lignée en comblant ce manque précis. La publication est un preprint non encore soumis à peer-review, et les benchmarks choisis, bien que diversifiés, ne couvrent pas de plateformes hardware réelles comme les IMU de Boston Dynamics ou les capteurs embarqués sur Figure ou Unitree, ce qui laisse ouverte la question du sim-to-real gap. Les prochaines étapes naturelles seraient une validation sur robot physique et une comparaison directe avec des filtres adaptatifs classiques comme le Sage-Husa.

Coordination du changement de tâches dans un système multi-agents robotique à l'aide d'arbres de comportement

L'équipe ThundeRatz de l'Universidade de São Paulo a publié en juin 2026 un article (arXiv:2606.01170) présentant une nouvelle architecture de coordination pour ses robots de football miniature, dans le cadre de la catégorie IEEE Very Small Size Soccer (VSSS). Ce format de compétition met en jeu deux équipes de trois robots chacune, évoluant dans un environnement particulièrement dynamique. Pour gérer les changements de rôle et de comportement en temps réel, l'équipe a remplacé son système historique à base d'automates finis (FSM, Finite State Machine) par une architecture fondée sur des arbres de comportement (Behavior Trees, BT). La comparaison entre les deux approches a été conduite sur le simulateur FIRASim, puis validée lors d'une compétition académique réelle. Le passage FSM vers BT représente un choix architectural significatif dans le domaine de la coordination multi-agents en robotique. Les FSM sont réputés fragiles à mesure que le nombre d'états croît : chaque nouvelle transition requiert une mise à jour manuelle de l'ensemble du graphe, ce qui génère rapidement un code difficile à maintenir dans des environnements où les comportements doivent être recomposés dynamiquement. Les Behavior Trees offrent, à l'inverse, une structure modulaire et hiérarchique qui facilite le changement de tâche en cours d'exécution. Appliqué au football multi-robots, cela signifie une meilleure réactivité aux situations de jeu imprévues, attaquant, défenseur, gardien pouvant échanger leurs rôles de manière coordonnée sans régression comportementale. Ce type de résultat, même dans un cadre académique et à petite échelle, alimente directement les travaux sur la coordination de flottes de robots industriels (AMR, bras collaboratifs) où la commutation de tâche est un point de défaillance récurrent. La compétition VSSS existe depuis plusieurs années sous l'égide de l'IEEE et constitue un banc d'essai reconnu en robotique collective, notamment en Amérique du Sud. ThundeRatz est l'une des équipes historiques du circuit, et ses publications alimentent régulièrement la littérature sur la coordination embarquée à faibles ressources. Sur le plan concurrentiel, les approches BT sont désormais adoptées par plusieurs frameworks robotiques majeurs, dont ROS 2 via BehaviorTree.CPP, ainsi que par des acteurs industriels comme Boston Dynamics pour la gestion comportementale de Spot. L'article ne détaille pas de métriques de performance chiffrées dans son résumé, ce qui rend difficile toute comparaison directe avec d'autres travaux ; les résultats complets restent à consulter dans le corps du papier.

Transfert simulation-réel pour robots à actionneurs musculaires via réseaux d'actionneurs généralisés

Une équipe de chercheurs a publié sur arXiv (référence 2604.09487) une méthode de transfert simulation-réel (sim-to-real) pour robots à actionnement musculaire, une classe d'actionneurs rarement intégrée dans les systèmes robotiques industriels malgré leurs avantages théoriques. La méthode, baptisée Generalized Actuator Network (GenAN), a été validée sur PAMY2, un bras robotique à 4 degrés de liberté (DOF) entraîné par tendons et alimenté par des muscles artificiels pneumatiques (PAM). Trois tâches ont été déployées avec succès sur le robot réel à partir de politiques entraînées entièrement en simulation : atteinte de cibles dynamiques, ball-in-a-cup et tennis de table. Les auteurs revendiquent une première mondiale, à savoir le premier transfert sim-to-real réussi pour un bras à actionnement musculaire à 4 DOF. L'obstacle historique aux robots PAM est leur comportement fortement non-linéaire, avec friction et hystérésis, qui rend leur modélisation analytique difficile et a jusqu'ici bloqué l'application des techniques de reinforcement learning en simulation. GenAN contourne ce problème en apprenant un réseau de neurones qui identifie le modèle d'actuation directement depuis des trajectoires de position articulaire, sans capteurs de couple, coûteux et fragiles. Ce modèle appris est ensuite couplé à une simulation rigide classique pour les dynamiques du bras. Cette architecture valide l'hypothèse qu'il est possible de dissocier la modélisation des actionneurs complexes du reste de la chaîne cinématique, et ouvre potentiellement la voie à des robots plus rapides et plus sûrs en interaction humain-robot. Les muscles artificiels pneumatiques sont connus depuis des décennies dans la recherche, mais leur adoption industrielle est restée marginale face aux actionneurs électriques en raison de la difficulté de contrôle. PAMY2 est une plateforme académique, et ce travail est publié sous forme de preprint, non encore soumis à revue par les pairs confirmée. Les acteurs dominants du sim-to-real, Boston Dynamics, Figure ou Unitree, s'appuient sur des actionneurs électriques pour lesquels les outils de simulation sont matures. GenAN se distingue par sa capacité à généraliser le modèle d'actuation à d'autres robots musculaires, ce qui pourrait intéresser des laboratoires explorant des actionneurs hybrides pour l'humanoïde souple. La prochaine étape logique serait une validation sur des tâches plus complexes et une généralisation à d'autres plateformes PAM.

Argus, un robot au nom mythique entre le Terminator et la boule de végétation

L'université Duke a présenté Argus, un robot à vingt membres à symétrie radiale conçu pour se déplacer sans roues ni pattes articulées au sens classique. Le principe repose sur ce que les chercheurs appellent la "symétrie dynamique" : chaque membre peut s'étendre ou se rétracter indépendamment pour générer des forces dans n'importe quelle direction, propulsant la structure sphérique de manière erratique mais efficace. Le résultat visible dans la vidéo de démonstration ressemble à un ballon de plage projeté par le vent, avec une fluidité surprenante dans les transitions de direction. Le projet est financé par la DARPA, et un simulateur open-source permettant de tester des variantes à un nombre différent de membres est disponible sur GitHub. La plateforme fonctionne avec un minimum de douze effecteurs actifs, ce qui signifie que le prototype à vingt membres intègre une redondance significative. Ce niveau de redondance est précisément ce qui justifie l'intérêt de la DARPA : un robot qui continue de se déplacer après avoir perdu plusieurs membres représente un avantage tactique ou logistique réel dans des environnements dégradés. Sur le plan technique, Argus appartient à une famille de robots omnidirectionnels à effecteurs multiples distincte des architectures humanoïdes ou quadrupèdes dominantes. Là où un robot bipède ou à quatre pattes concentre sa locomotion sur quelques points d'appui critiques, Argus distribue les contraintes mécaniques sur l'ensemble de sa structure, lui permettant des mouvements de type parkour difficiles à reproduire pour un humanoïde. La démonstration reste cependant une preuve de concept en environnement contrôlé, et les performances réelles sur terrain irrégulier non balisé ne sont pas documentées dans les matériaux publiés. Argus s'inscrit dans une tendance plus large de recherche en locomotion non conventionnelle, portée notamment par des projets DARPA comme le programme Legged Squad Support System. Le nom renvoie à Argos Panoptès, le géant aux cent yeux de la mythologie grecque, cohérent avec le fait que chaque membre embarque ses propres capteurs. Ses concurrents directs ne sont pas les robots humanoïdes de Figure ou Boston Dynamics, mais plutôt les robots sphériques roulants et les plateformes AMR à géométrie variable explorées dans la recherche académique. La disponibilité en open source ouvre la voie à des contributions extérieures pour explorer des variantes d'architecture et d'algorithmes de contrôle, sans que des jalons de commercialisation ou de déploiement n'aient été annoncés à ce stade.

Ne pas se faire avoir deux fois : s'adapter à l'adversité en conditions réelles grâce au raisonnement par expérience

Des robots mobiles autonomes déployés en environnements réels accumulent des erreurs qu'ils ne peuvent pas anticiper, et une équipe de chercheurs a publié sur arXiv (réf. 2605.31119) un cadre d'apprentissage continu baptisé "Don't Fool Me Twice" pour traiter ce problème. Le système observe les perturbations subies par le robot, en décrit les effets en langage naturel, puis interroge un VLM (vision-language model) enrichi de contexte visuel pour inférer leurs causes probables. La caractérisation locale de chaque perturbation s'effectue par régression à noyau, permettant une modélisation efficace en très peu d'exemples (few-shot). L'ensemble s'appuie sur un modèle spatial voxélique sémantique qui estime l'incertitude épistémique de chaque zone, permettant au robot de planifier ses trajectoires futures en tenant compte de ce qu'il a appris. Le cadre a été validé en simulation et sur matériel réel, sur plusieurs morphologies robotiques et types d'adversité, autour de quatre hypothèses formalisées dans le papier. Ce travail comble un angle mort des approches actuelles : les VLMs peuvent dresser une liste générique des dangers d'un environnement, mais peinent à anticiper les adversités propres à une morphologie spécifique (les risques d'un robot à roues diffèrent de ceux d'un quadrupède). En basculant vers un apprentissage online post-déploiement, le système réduit l'écart sim-to-real qui handicape encore la plupart des solutions de navigation autonome en milieux ouverts. La modélisation de l'incertitude épistémique permet des comportements de récupération plus nuancés : le robot raisonne sémantiquement sur l'origine du problème, pas seulement sur l'évitement réactif. L'approche s'inscrit dans un contexte de forte activité autour de la navigation AMR en milieux non structurés, où des acteurs comme Boston Dynamics, Clearpath Robotics ou ANYbotics cherchent à réduire la dépendance à une cartographie exhaustive préalable. Les travaux récents sur les VLMs appliqués à la prédiction de dangers, portés notamment par des groupes de CMU, ETH Zurich et Google DeepMind, se concentraient sur la prévention statique plutôt que sur l'adaptation continue après incident. "Don't Fool Me Twice" repositionne le problème sur l'apprentissage incrémental post-déploiement. Ce preprint arXiv ne mentionne ni partenaire industriel ni timeline de transfert technologique, et aucun résultat quantitatif précis n'est disponible dans le résumé soumis.

Hyundai présente les compétences footballistiques du robot humanoïde Atlas dans une série sur le thème de la Coupe du Monde

A l'approche du Mondial FIFA 2026, Hyundai Motor a lancé "School of Football", une campagne publicitaire mondiale mettant en scène Atlas, le robot humanoïde de Boston Dynamics. Développée sous le label marketing "Next Starts Now", la série de films narratifs suit Atlas dans un apprentissage progressif du football : travail de pied, passes, tirs. Le clou de la démonstration est le "Ghost Rabona", un tir en croix de jambes dont la complexité biomécanique exige un équilibre dynamique dans des positions asymétriques, une coordination multi-membres, une adaptation en temps réel au transfert de poids et un contrôle moteur fin sous contraintes physiques. Hyundai insiste sur un point : toutes les séquences ont été tournées sans recours à la CGI, avec la version électrique de nouvelle génération d'Atlas. Pour exécuter le Ghost Rabona, le robot analyse des données de motion capture humaine, les injecte dans un environnement de simulation physique, puis affine ses performances par apprentissage par renforcement (essais-erreurs itératifs jusqu'à stabilisation). La campagne ne publie aucune spécification technique nouvelle, ni payload, ni degré de liberté (DOF), ni temps de cycle, ni tarif. Il s'agit avant tout d'une opération de communication grand public, et il faut la lire comme telle. Ce qui reste pertinent pour un intégrateur ou un ingénieur : l'absence de CGI constitue une preuve partielle de robustesse mécanique et de contrôle en monde réel, et le choix du football comme terrain de démonstration est délibérément difficile, car le sport impose des contacts, des déséquilibres et une variabilité de surface que les démos en laboratoire évitent. La capacité démontrée à enchaîner apprentissage par simulation et exécution physique sans retouche numérique confirme que la chaîne sim-to-real fonctionne sur des mouvements non triviaux, même si le contexte de prise de vue reste contrôlé et sélectif. Boston Dynamics a été acquis par Hyundai en 2021 pour environ 880 millions de dollars, et la version électrique d'Atlas a été présentée en avril 2024, remplaçant le modèle hydraulique. La stratégie de Hyundai consiste à utiliser la notoriété du Mondial pour ancrer Atlas dans l'imaginaire collectif avant toute mise en marché industrielle concrète, un positionnement qui tranche avec celui des concurrents directs : Figure (en cours de déploiement chez BMW avec le modèle Figure 02), Tesla (Optimus Gen 2 testé en usine à Fremont), Agility Robotics (Digit en production chez Amazon), et Unitree (G1 et H1 déjà disponibles à la vente). Aucun déploiement commercial d'Atlas n'a été annoncé à ce stade. Hyundai prévoit de diffuser des contenus making-of dans les semaines à venir, focalisés sur le pipeline de développement et d'entraînement du robot.

Des robots humanoïdes défilent aux côtés de mannequins humains lors d'un show de mode futuriste à Séoul

Des robots humanoïdes vêtus de tenues griffées ont défilé aux côtés de mannequins humains lors du "Mach33: Physical AI Fashion Show", organisé cette semaine à Seoul par la société sud-coréenne Galaxy Corporation. L'événement s'est tenu au Galaxy Robot Park, un complexe de divertissement dédié à la robotique et à l'IA inauguré récemment dans la capitale coréenne, mêlant robotique, intelligence artificielle, culture K-pop et attractions interactives. Les vidéos diffusées montrent des humanoïdes enchaînant des déplacements sur le catwalk, posant aux côtés de mannequins en tenues coordonnées et exécutant des séquences chorégraphiées synchronisées. Le concept affiché par les organisateurs était d'illustrer une cohabitation quotidienne entre humains et systèmes d'IA physique, les costumes assortis servant de métaphore visuelle à cette coexistence. Ce type d'événement marque un changement notable dans la manière dont la robotique humanoïde est présentée au public. Jusqu'ici cantonnés aux laboratoires de recherche, aux salons industriels ou aux démonstrations d'ingénierie, les humanoïdes sont progressivement mis en scène dans des contextes culturels et sociaux. Pour les intégrateurs et décideurs B2B, il convient cependant de distinguer ce que ce défilé montre réellement: des mouvements chorégraphiés et préenregistrés dans un environnement contrôlé, pas une interaction autonome avec l'environnement. Les défis techniques majeurs, préhension fine, perception contextuelle, interaction naturelle avec les humains, restent entiers. Ce que l'événement illustre concrètement, c'est l'amélioration des capacités de locomotion et d'équilibre des humanoïdes modernes, et la volonté croissante de repositionner ces machines comme participants culturels plutôt que comme simples outils industriels. Galaxy Corporation se définit elle-même comme une entreprise "enter-tech" combinant entertainment et technologies avancées; elle gère notamment la carrière du chanteur K-pop G-Dragon. La société annonce d'autres événements dans cette veine: concerts mettant en scène des robots, performances interactives et expériences culturelles centrées sur l'IA. Ce positionnement s'inscrit dans un contexte plus large: la Corée du Sud affiche l'une des plus fortes densités robotiques au monde, avec plus de 1 000 robots industriels pour 10 000 travailleurs, et investit massivement dans le développement domestique de robots humanoïdes via des collaborations entre entreprises technologiques, universités et programmes de recherche publics. À l'échelle mondiale, la course à l'humanoïde s'intensifie, avec des acteurs comme Figure AI, Boston Dynamics, Agility Robotics ou Tesla, dont l'Optimus cherche lui aussi à sortir des usines pour atteindre de nouveaux environnements. Le défilé de Seoul illustre cette tendance de fond, même si les défis restants en matière d'autonomie et de dextérité suggèrent que l'humanoïde culturellement intégré demeure, pour l'heure, davantage une vision projetée qu'un déploiement opérationnel.

STR Robot : conception d'un robot mobile autonome de la simulation au réel

Un article de recherche publié le 28 mai 2026 sur arXiv (référence 2505.28110) présente le STR Robot, un robot mobile autonome développé selon une approche simulation-vers-réalité (sim-to-real) à partir d'une plateforme mécanique existante. Le travail porte exclusivement sur la couche logicielle : contrôle embarqué, auto-localisation et navigation autonome en environnement extérieur. Le système intègre capteurs et calcul embarqués pour estimer sa pose et se déplacer sans intervention humaine. L'ensemble du framework a d'abord été développé et validé en simulation, puis transféré sur le robot physique pour évaluation expérimentale. Le code source sera rendu public via un dépôt GitHub associé au projet. À noter : le preprint ne fournit aucune métrique chiffrée précise dans son abstract, ce qui limite l'évaluation indépendante des performances annoncées. L'intérêt de cette contribution réside dans la démonstration pratique du pipeline sim-to-real appliqué à un robot mobile autonome (AMR) sur plateforme mécanique préexistante, un cas d'usage courant pour les intégrateurs industriels qui cherchent à capitaliser sur du matériel existant plutôt que de repartir de zéro. Si le sim-to-real reste un défi structurel dans la robotique, avec des écarts persistants entre comportements simulés et réels, les résultats décrits affirment la faisabilité de l'approche comme fondation pour des systèmes fiables. Pour un COO industriel ou un ingénieur robotique, c'est la validation d'un workflow de développement qui réduit les cycles de test en conditions réelles et donc les coûts d'itération. Le contexte scientifique de ce travail s'inscrit dans une vague de recherches académiques sur le sim-to-real transfer, thème central depuis que des environnements comme Isaac Sim (NVIDIA), Gazebo ou MuJoCo ont atteint une fidélité suffisante pour entraîner des policies directement exportables. Du côté industriel, des acteurs comme Boston Dynamics, Exotec ou Locus Robotics investissent massivement dans ces pipelines pour leurs AMR logistiques. La publication reste toutefois au stade du preprint non évalué par les pairs, sur un démonstrateur dont l'échelle et les conditions de test précises ne sont pas encore divulguées.

Imiter et affiner le contrôle prédictif par modèle pour une locomotion quadrupède robuste et symétrique

Une équipe de chercheurs a publié le framework IFM (Imitating and Finetuning Model Predictive Control), une approche hybride pour le contrôle de robots quadrupèdes sur des terrains difficiles. La méthode, disponible sur arXiv sous la référence 2311.02304v3, s'articule en trois phases séquentielles : d'abord, un contrôleur MPC classique est construit à partir de la Programmation Dynamique Différentielle (DDP) couplée à l'heuristique de Raibert pour définir une politique experte ; ensuite, ce contrôleur est cloné par apprentissage par imitation afin de le rendre adaptable par gradient ; enfin, un deep reinforcement learning (RL) à exploration volontairement limitée affine la politique sur des terrains exigeants, notamment surfaces rugueuses, revêtements glissants et tapis roulants. Des expériences menées en simulation puis sur matériel réel valident les performances du framework dans ces trois configurations. Le principal apport d'IFM est de combiner la robustesse formelle du contrôle model-based et la flexibilité de l'apprentissage profond, sans les défauts propres à chaque approche prise isolément. En pratique, IFM produit des allures (gaits) significativement plus symétriques, périodiques et économes en énergie que le RL classique dit "Vanilla RL", tout en réduisant considérablement le travail de reward shaping, c'est-à-dire la conception laborieuse de fonctions de récompense qui constitue l'un des principaux freins industriels au RL pour la locomotion. L'exploration limitée en phase RL est une décision architecturale notable : elle contraint le réseau à rester proche de la politique MPC apprise, ce qui stabilise l'apprentissage sur des terrains hors distribution sans divergence comportementale, un résultat difficile à obtenir avec du RL pur. Le contrôle de la locomotion quadrupède est un champ de recherche dense depuis les travaux fondateurs de Marc Raibert au MIT Leg Lab dans les années 1980, dont l'heuristique de placement de pied est encore employée ici comme référence. Les approches récentes se partagent entre contrôle model-based pur (ETH Zurich avec ANYmal et le groupe RSL), RL pur (UC Berkeley, Carnegie Mellon) et hybrides croissants. IFM s'inscrit dans cette troisième catégorie, en compétition directe avec des pipelines teacher-student d'ETH Zurich ou des frameworks comme DribbleBot. La publication ne mentionne aucun déploiement industriel ni partenariat commercial : il s'agit d'une contribution académique, dont la valeur pratique dépendra de sa transferabilité à des robots commerciaux comme l'Unitree Go2 ou le Boston Dynamics Spot, plateformes sur lesquelles plusieurs groupes appliquent déjà des méthodologies similaires.

Trinity : segmentation unifiée de terrain et sémantique en milieux extérieurs non structurés via données synthétiques

Des chercheurs ont soumis sur arXiv (arXiv:2605.27644v1) Trinity, une architecture transformer qui effectue simultanément deux tâches de segmentation visuelle pour robots mobiles en extérieur non structuré : la segmentation sémantique classique par classes prédéfinies, et une segmentation de terrain dite "class-agnostic", fondée uniquement sur l'apparence visuelle, sans étiquettes sémantiques ni scores de franchissabilité liés à un robot particulier. Pour entraîner ce réseau à grande échelle, les auteurs ont étendu le simulateur OAISYS et créé RUGDSynth, un dataset synthétique inspiré du benchmark RUGD avec des échantillons de terrain sans annotation de classe. Ils publient également EXTerra, un dataset réel annoté avec les deux types de labels. Les expériences confirment la faisabilité de l'approche en conditions extérieures complexes. Le code et les datasets seront disponibles après la revue par les pairs. Le problème que Trinity cible est la portabilité des systèmes de franchissabilité (traversability estimation). Les méthodes actuelles requièrent des annotations spécifiques au robot ou des mappings de classes liés à ses capacités mécaniques : dès que le robot change de charge utile, de cinématique ou de mode de locomotion, toute l'annotation est à refaire, un coût élevé pour les intégrateurs. En apprenant des priors visuels de terrain indépendants du robot, Trinity vise un module de perception réutilisable entre plateformes, applicable à la planification de mission, à l'odométrie visuelle ou à la classification de zones franchissables, sans réentraînement complet à chaque nouveau déploiement. La traversabilité en extérieur est un défi structurant de la robotique mobile depuis plus d'une décennie : des plateformes comme ANYmal (ANYbotics) ou Spot (Boston Dynamics) se heurtent en permanence à la variabilité des terrains naturels. RUGD, qui a inspiré RUGDSynth, est un benchmark académique sur la navigation tout-terrain largement utilisé dans la communauté. Le recours à des données synthétiques pour pallier le manque d'annotations réelles suit une tendance forte dans le domaine, avec des limites bien documentées sur le domain gap sim-to-real. Ce pré-print étant encore en cours de revue, les résultats présentés restent à confirmer par la communauté scientifique.

IntBot et Certis Group s'associent pour déployer l'IA physique en entreprise à Singapour

IntBot, startup californienne fondée à San Jose, et Certis, opérateur de sécurité et de services aux entreprises coté à la Bourse de Singapour, ont annoncé en mai 2026 un partenariat stratégique visant à développer des applications robotiques dites "socialement intelligentes" pour des environnements à forte affluence publique à Singapour. L'accord prévoit d'intégrer la technologie General Social Intelligence d'IntBot, un système de perception multimodale en temps réel couplé à une boucle d'interaction fermée, aux capacités opérationnelles de Certis dans la gestion de missions critiques. Les cas d'usage ciblés sont les robots concierges et assistants dans des environnements comme les hôtels, les centres de conférence et les campus. IntBot avait présenté son humanoïde de service Nylo au CES 2026, et affirme être déjà déployé dans le secteur de l'hôtellerie, sans fournir de chiffres précis sur l'échelle de ces déploiements ni de spécifications techniques (charge utile, degrés de liberté, temps de cycle). L'annonce reste à ce stade un accord d'exploration : aucun calendrier de déploiement ni volume contractuel n'est communiqué. Ce partenariat illustre un glissement progressif dans la robotique humanoïde commerciale : la manipulation physique des tâches cède progressivement sa place à l'interaction humaine comme principal verrou technologique. Lei Yang, cofondateur et PDG d'IntBot, l'articule explicitement : selon lui, avec la maturité des modèles multimodaux, le bottleneck décisif pour l'IA incarnée se déplace de la manipulation vers l'interaction sociale. Pour les intégrateurs et les décideurs B2B, l'enjeu est concret : un robot humanoïde en espace public doit interpréter les intentions des usagers, gérer un contexte social dynamique et maintenir une fiabilité opérationnelle compatible avec des environnements en exploitation réelle, sans cage de sécurité. L'approche de Certis, qui conçoit la sécurité, la gestion des installations et des effectifs comme un modèle opérationnel unifié, vise à fournir ce que la plupart des startups robotiques peinent à livrer seules : des workflows structurés et une intégration dans des opérations existantes à contraintes élevées. IntBot s'inscrit dans un champ concurrentiel dense, dominé par des acteurs disposant de ressources bien supérieures : Figure AI avec le Figure 03, Tesla avec l'Optimus Gen 3, Boston Dynamics avec l'Atlas, Physical Intelligence avec Pi-0, et Agility Robotics avec Digit, ainsi que Sanctuary AI et 1X pour le volet interaction sociale. Le choix de Singapour comme marché d'entrée est stratégique : la cité-État dispose d'une infrastructure smart-city avancée et d'un cadre réglementaire favorable à l'expérimentation robotique en milieu public. Certis, ancré institutionnellement en Asie-Pacifique, apporte une crédibilité opérationnelle que les startups ne peuvent pas construire seules. La prochaine étape attendue sera la définition concrète des cas d'usage par Certis avant tout déploiement à l'échelle, une phase qui, dans le secteur, prend historiquement bien plus longtemps que les communiqués de presse ne le laissent entendre.

Exploration planétaire en faible gravité par apprentissage par renforcement : marche, saut et contrôle d'attitude en vol

Des chercheurs ont publié sur arXiv (ref. 2605.24643) un ensemble de politiques d'apprentissage par renforcement conçues pour la locomotion quadrupède dans des conditions de gravité martienne (soit environ 3,72 m/s², contre 9,81 sur Terre). Le robot cible, baptisé Olympus, repose sur une architecture de jambes à mécanisme cinq-barres optimisée pour les sauts dynamiques. Les politiques entraînées couvrent quatre comportements : marche, saut vertical, saut horizontal et contrôle d'attitude en vol. Les résultats annoncés indiquent des sauts verticaux de 3,1 mètres et des sauts horizontaux de 3,9 mètres en simulation, ainsi qu'une réorientation angulaire de 90° en 2,6 secondes, ce dernier résultat ayant été validé sur le robot physique via un test mono-axe. Les politiques de locomotion (marche et saut) restent, elles, exclusivement validées en simulation à ce stade. Ce travail est notable car il aborde un verrou concret de l'exploration planétaire : les rovers à roues actuels (Curiosity, Perseverance) ne peuvent franchir que des obstacles inférieurs à quelques dizaines de centimètres, là où un robot sauteur pourrait en théorie enjamber des blocs de plusieurs mètres. La combinaison saut + reorientation en vol pour des atterrissages contrôlés est une nouveauté architecturale sur quadrupède. Il faut toutefois noter que la majorité des métriques présentées proviennent de simulation, et le gap sim-to-real pour les dynamiques de saut complet reste non résolu expérimentalement, ce que les auteurs reconnaissent explicitement. Dans le paysage de la robotique legged appliquée à l'espace, ce travail s'inscrit dans la continuité des recherches d'ETH Zürich sur ANYmal et des travaux du JPL/NASA sur des concepts de robots sauteurs lunaires. Côté industrie, Boston Dynamics et Unitree fournissent les plateformes quadrupèdes de référence pour la recherche académique, mais aucun d'eux n'est explicitement dimensionné pour la faible gravité. L'ESA et la NASA financent activement des études sur les robots à pattes pour les missions post-2030 sur la Lune et Mars. Les prochaines étapes logiques pour cette équipe sont la validation hardware des politiques de locomotion et de saut complet, et l'évaluation sur terrain analogique (lits de sable, rochers simulés), sans timeline annoncée à ce jour.

HeLoM : apprentissage hiérarchique pour la locomotion et la manipulation corps entier par un robot hexapode

Des chercheurs ont publié sur arXiv (arXiv:2509.23651v3) HeLoM, un framework hiérarchique d'apprentissage pour la manipulation whole-body par un robot hexapode. L'objectif central est la manipulation non-préhensile, c'est-à-dire pousser des objets sans les saisir, une stratégie qui contourne la complexité de la conception de prises tout en exploitant le contact direct pour contrôler la pose d'un objet. Le système repose sur une architecture à deux niveaux : un planificateur haut niveau qui définit les comportements de poussée, et un contrôleur bas niveau qui maintient la stabilité locomotrice et génère des commandes articulaires dynamiquement cohérentes. En pratique, les pattes avant assurent l'interaction avec l'objet tandis que les pattes arrière fournissent la propulsion. Les expériences en monde réel montrent que le robot peut pousser des objets de tailles et propriétés physiques variées, et a priori inconnues, vers des poses cibles définies. L'intérêt de HeLoM pour le secteur robotique tient à deux points. Premièrement, il démontre qu'un système hexapode peut réaliser une manipulation efficace sans bras ni préhension, en mobilisant la totalité de la cinématique du corps, une approche qui s'applique par extension à d'autres plateformes multi-pattes. Deuxièmement, la robustesse face aux propriétés inconnues de l'objet (masse, forme irrégulière) illustre un progrès sur le gap sim-to-real : le framework, validé en simulation, transfère dans le monde physique sans connaissance a priori des paramètres de l'objet. Pour un intégrateur industriel, cela signifie potentiellement une manipulation de charges lourdes ou encombrantes sans recourir à un bras robotique dédié. L'approche s'inscrit dans un courant plus large de recherche sur la loco-manipulation whole-body, où des laboratoires comme ETH Zurich (ANYmal), Carnegie Mellon (loco-manipulation quadrupède) et Boston Dynamics travaillent à unifier locomotion et manipulation dans un cadre unique. HeLoM se distingue en ciblant spécifiquement l'hexapode, morphologie plus stable mais moins explorée que le quadrupède pour la manipulation. La publication est un preprint arXiv (version 3), sans mention de déploiement industriel ni de partenariat. Les prochaines étapes naturelles seraient l'extension à des comportements de tirage ou de levage, et des tests sur des charges plus importantes avec mesure explicite du payload maximal, absent des résultats actuellement publiés.

Exploration multi-étages pour robots terrestres via un graphe atteignable incrémental et des priors structurels

Des chercheurs ont publié sur arXiv (réf. 2605.23350) un framework d'exploration autonome multi-étages pour robots terrestres, baptisé "incremental reachable graph". Le problème adressé est concret : les cartes 2D et 2.5D classiques, qui constituent la base de la quasi-totalité des systèmes SLAM embarqués aujourd'hui, sont incapables de représenter des surfaces traversables superposées comme les escaliers, les rampes ou les paliers intermédiaires. La méthode propose de construire un graphe clairsemé sur les surfaces d'appui atteignables, avec des éléments "tentatives" permettant de maintenir une connectivité plausible même en conditions d'observation sparse. Pour franchir un étage inexploré, le système projette des "task-zone priors" depuis le niveau déjà cartographié afin d'initialiser un graphe hypothétique sur l'étage cible, puis le réconcilie progressivement avec les observations réelles. Un planificateur hiérarchique raisonne ensuite conjointement sur les structures confirmées et hypothétiques pour guider l'exploration globale. Les expériences rapportées combinent simulation et validation embarquée en conditions réelles, avec des gains mesurés en efficacité d'exploration et en complétude de cartographie face aux baselines évaluées. L'enjeu industriel est direct pour les intégrateurs d'AMR (Autonomous Mobile Robots) opérant dans des environnements multi-niveaux : entrepôts à mezzanines, hôpitaux, usines avec niveaux de production distincts. La majorité des flottes commerciales actuelles, y compris celles de MiR, Locus Robotics ou Exotec, restent confinées à un seul niveau ou nécessitent une cartographie manuelle de chaque étage. Un système capable d'auto-explorer et de transférer des connaissances topologiques entre niveaux réduirait significativement le coût de déploiement initial. La contribution théorique clé est la notion de graphe hypothétique initialisé par prior structurel, qui évite le problème classique de l'exploration "à l'aveugle" d'un étage inconnu. Cette problématique de navigation multi-étages est étudiée depuis une dizaine d'années, notamment via les cartes d'élévation 2.5D et les volumes OctoMap 3D, mais ces approches peinent à produire des frontières d'exploration exploitables dans des environnements cloisonnés. Le preprint ne mentionne pas d'affiliation institutionnelle explicite dans l'abstract disponible, ni de plateforme robotique précise utilisée pour les tests réels. Il s'agit à ce stade d'un résultat de recherche, pas d'un système commercialisé ou en pilote industriel. La prochaine étape naturelle serait une validation à plus grande échelle sur des plateformes comme Spot (Boston Dynamics) ou des robots à roues avec capacité de franchissement d'escaliers, un segment encore émergent sur lequel des acteurs comme ANYbotics ou Ascento positionnent leurs offres.

Planification assistée par éclaireur pour équipes de robots hétérogènes en environnements partiellement connus

Des chercheurs ont publié sur arXiv (arXiv:2605.22693) un cadre de planification appelé Scout-Assisted Planning (SAP), conçu pour des équipes robotiques hétérogènes évoluant dans des environnements partiellement cartographiés. Le problème ciblé est concret : lorsqu'un robot terrestre (UGV) progresse sur un réseau routier dont certaines voies sont bloquées, il ne le découvre qu'en s'y engageant physiquement, générant des détours coûteux. SAP intègre des drones éclaireurs (UAV) qui collectent de l'information en avance de phase pour guider les UGV. Pour cibler les reconnaissances les plus utiles, les auteurs introduisent l'Information Gain-based Action Pruning (IGAP), un mécanisme qui score chaque action de scouting selon son impact attendu sur le comportement du robot au sol. Comme le calcul exact de l'IGAP est prohibitif en temps réel, un modèle Graph Neural Network (GNN) est entraîné à prédire ces valeurs directement depuis la structure du graphe routier et l'état de croyance courant. Sur trois types d'environnements testés, SAP avec IGAP réduit le coût de déplacement des UGV de 31,9 à 37,7 % par rapport à la baseline Canadian Traveler Problem, et surpasse de 8 à 14 % les approches de guidage par proximité. Ces résultats pointent vers un verrou industriel réel : dans la logistique d'entrepôt, la réponse à sinistre, ou les opérations minières, un robot terrestre contraint de faire demi-tour mobilise du temps machine et perturbe les flux. L'apport de SAP est de rendre la décision de scouting dirigée par la valeur informationnelle plutôt que par la simple distance, un glissement non trivial. L'usage d'un GNN pour approximer l'IGAP est l'élément clé : il ramène le planning à des niveaux temps réel sans dégradation mesurable de la qualité de solution, ce qui ouvre la voie à un déploiement embarqué sur matériel contraint. La distinction entre guidage par information et guidage par proximité, avec 8 à 14 % d'écart, valide quantitativement que la sophistication algorithmique se traduit en gains opérationnels réels. Ce travail s'inscrit dans un courant de recherche actif sur la planification multi-robots hétérogènes, où drones et robots terrestres forment des binômes complémentaires. La formulation s'appuie sur le Canadian Traveler Problem, un cadre classique de navigation sous incertitude, et l'étend avec une couche d'apprentissage automatique. Les acteurs industriels proches de cette problématique incluent Boston Dynamics (Spot + drones), Exotec pour la logistique autonome en entrepôt, ou encore les consortiums de robotique minière australiens. La prochaine étape naturelle serait la validation sur plateforme physique réelle : les expériences rapportées restent simulées, et le sim-to-real gap sur des graphes routiers dynamiques reste un défi non résolu par cet article.

Brain Corp s'associe à l'UC San Diego pour aider les robots à opérer dans des environnements complexes

Brain Corp a annoncé cette semaine un partenariat de recherche élargi avec l'Université de Californie à San Diego (UCSD), centré sur le développement d'une couche dite de "contextual grounding" pour robots autonomes. Concrètement, il s'agit d'une représentation numérique intelligente des espaces physiques, permettant à des AMR, drones et véhicules autonomes de comprendre leur environnement en temps réel et d'y réagir de manière adaptative. Le projet est piloté par le Dr. Nikolay Atanasov, directeur de l'Existential Robotics Laboratory au sein du département Electrical and Computer Engineering de la Jacobs School of Engineering. Les deux partenaires ciblent les environnements commerciaux et industriels complexes, là où la variabilité des conditions -- présence humaine, obstructions dynamiques, modifications de layout -- met en échec les approches SLAM classiques. La collaboration s'appuie sur la base opérationnelle de Brain Corp: plus de 50 000 AMR déployés dans le monde et plus de 25 millions d'heures cumulées de fonctionnement sur des sites commerciaux réels, un volume de données terrain que peu d'acteurs académiques peuvent atteindre seuls. L'enjeu industriel est direct. Les modèles vision-language-action (VLA) et les architectures generatives transforment rapidement ce qu'un robot peut faire, mais leur fiabilité en déploiement réel reste le principal frein à la commercialisation à grande échelle. Ce que Brain Corp et l'UCSD tentent de résoudre, c'est précisément le "sim-to-real gap" appliqué à la perception sémantique: un robot capable d'interpréter une scène dans un simulateur ou un environnement contrôlé ne garantit pas la même robustesse dans un entrepôt logistique avec 200 opérateurs humains. La cartographie 3D sémantique, contrairement aux approches purement end-to-end basées sur la vision brute, conserve une représentation structurée de l'espace -- ce qui facilite l'orchestration de flottes hétérogènes et l'intégration de capteurs fixes avec des agents IA mobiles. L'objectif affiché de Brain Corp n'est pas de résoudre une seule tâche robotique, mais de construire une infrastructure de plateforme capable de coordonner ces systèmes à l'échelle enterprise, ce qui positionne BrainOS comme un système d'exploitation pour flottes plutôt qu'un simple firmware d'AMR. Brain Corp, fondée en 2009 et basée à San Diego, a construit sa position sur BrainOS, plateforme d'autonomie embarquée initialement déployée sur des autolaveuses commerciales de marques comme Tennant et Nilfisk. La collaboration avec l'UCSD s'inscrit dans une tendance sectorielle plus large où les éditeurs de logiciels robotiques cherchent à ancrer leur R&D dans des partenariats académiques pour accéder à une recherche fondamentale en perception et mapping -- une stratégie comparable à celle de Boston Dynamics avec le MIT, ou de Agility Robotics avec Oregon State. Les concurrents directs sur le segment de l'orchestration de flottes incluent Fetch Robotics (Zebra Technologies), 6 River Systems (Shopify) et MiR (Teradyne). Le CTO de Brain Corp, John Black, détaillera cette approche lors du Robotics Summit and Expo 2026 à Boston la semaine prochaine. Aucune timeline de déploiement commercial pour cette couche sémantique n'a été communiquée à ce stade.

WiXus : un robot à roues et pattes utilisant des câbles pour combiner mobilité et manipulation

Des chercheurs japonais ont publié sur arXiv (arXiv:2505.20932, mai 2025) les travaux décrivant WiXus, un robot à roues et pattes qui intègre un mécanisme de traction par câbles fixés à l'environnement extérieur. L'architecture combine un châssis à locomotion hybride roues-pattes, configuration classique permettant déplacement rapide sur sol plan, avec des câbles motorisés que le robot ancre sur des structures environnantes (murs, arêtes, supports). En phase de démonstration, WiXus effectue une mobilité tridimensionnelle incluant l'escalade de falaises en coordonnant entraînement par câbles et actionnement roues-pattes. Plus distinctif : une fois son corps suspendu par les câbles, le robot libère ses membres inférieurs de toute fonction locomotrice et les repurpose en bras manipulateurs. Les tâches démontrées restent à l'échelle prototype, saisir une peluche (simulation de sauvetage) et couper une fausse pomme avec un sécateur. Aucun chiffre de charge utile, de degrés de liberté (DOF) précis ou de temps de cycle n'est fourni dans l'abstract publié. Le principe architectural est notable pour les intégrateurs robotiques : découpler locomotion et manipulation par un support externe résout une contrainte fondamentale des plateformes à pattes, qui doivent traditionnellement arbitrer entre stabilité posturale et liberté d'effecteur. En suspendant le corps via l'environnement, WiXus contourne cette contrainte sans ajouter de bras dédiés, ce qui réduit la masse embarquée et la complexité mécanique. Pour les décideurs industriels, la question critique reste la fiabilité de l'ancrage câble en environnement non préparé, un point que les démonstrations actuelles, conduites en conditions de laboratoire contrôlées, ne permettent pas encore de valider. WiXus s'inscrit dans une dynamique académique large autour des robots à mobilité hybride. Des plateformes comme ANYmal (ANYbotics), Spot (Boston Dynamics) ou Unitree B2 dominent le marché des robots à pattes, mais restent dédiés à la locomotion avec manipulation optionnelle par bras additionnel. L'approche câble-environnement rappelle des travaux sur les robots grimpeurs (ex. ETH Zurich, IIT Gênes) et les AMR avec bras intégré. WiXus reste au stade de prototype de recherche ; aucun partenaire industriel ni calendrier de commercialisation ne sont mentionnés.

Contrôle robuste aux distributions via l'inférence de Stein pour la manipulation au contact

Une équipe de chercheurs publie sur arXiv (référence 2605.19029) une méthode de contrôle robuste pour la manipulation robotique en contact riche, domaine couvrant la saisie, l'assemblage et l'insertion précise d'objets. Le travail formalise le problème comme une optimisation de contrôle robuste aux distributions (distributionally robust control), résolue via l'inférence variationnelle de Stein, une technique probabiliste déterministe issue du machine learning bayésien. Les contrôleurs qui en résultent modélisent explicitement l'incertitude paramétrique liée aux contacts, sans nécessiter les volumes massifs de données d'entraînement qu'exigent les approches data-driven modernes. Les résultats expérimentaux rapportés indiquent une robustesse améliorée jusqu'à un facteur 3 par rapport aux méthodes classiques à base de modèles, sur une gamme de tâches avec incertitude paramétrique large. Ce chiffre est à nuancer : il provient des propres benchmarks des auteurs, sans validation indépendante. La manipulation en contact riche reste l'un des goulots d'étranglement critiques pour le déploiement de robots industriels polyvalents. Les approches VLA (Vision-Language-Action models), comme pi-0 de Physical Intelligence, offrent une flexibilité remarquable mais se dégradent fortement lorsque les données d'entraînement sont rares, ce qui limite leur adoption dans des environnements industriels où les jeux de données sont difficiles à constituer. Les contrôleurs classiques à base de modèles, à l'inverse, sont computationnellement efficaces mais peinent à représenter l'incertitude task-sensitive, c'est-à-dire celle qui impacte réellement la performance sur une tâche précise. L'approche proposée tente de combler ce fossé en injectant une modélisation probabiliste flexible dans le cadre déterministe des contrôleurs classiques, un compromis potentiellement attractif pour les intégrateurs industriels cherchant fiabilité sans pipeline de données massif. Ce travail s'inscrit dans une tendance académique cherchant à réconcilier le model-based engineering (Boston Dynamics, ABB) et les learned policies (Physical Intelligence avec pi-0, Google DeepMind avec ses architectures GR00T-style). L'inférence variationnelle de Stein, popularisée par Liu et Wang en 2016, est ici adaptée au contrôle optimal, ce qui représente une contribution méthodologique notable. Le résumé disponible ne mentionne ni déploiements réels ni partenaires industriels, signalant clairement un stade de recherche fondamentale, probablement conduite en simulation ou sur bancs d'essai de laboratoire. Une validation sur des plateformes hardware standardisées comme les bras Franka Emika ou UR10, dont les propriétés de contact sont bien documentées, constituerait la prochaine étape logique avant toute perspective d'industrialisation.

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.

Apprentissage par renforcement guidé pour les sauts omnidirectionnels en 3D dans les robots quadrupèdes

Une équipe de chercheurs a publié sur arXiv (référence 2507.16481, troisième version) une méthode d'apprentissage par renforcement guidé destinée à permettre aux robots quadrupèdes d'effectuer des sauts omnidirectionnels en trois dimensions. L'approche combine des courbes de Bézier, classiquement utilisées pour la planification de trajectoires lissées, avec un modèle de mouvement rectiligne uniformément accéléré (UARM), qui encode une intuition physique du saut directement dans la boucle d'entraînement. Les résultats sont validés en simulation et sur robot réel, mais le résumé ne précise ni la plateforme matérielle utilisée ni les métriques chiffrées de performance, ce qui limite l'évaluation indépendante de la contribution. L'intérêt principal de ce travail réside dans l'adresse simultanée de deux limitations majeures des approches existantes. Les méthodes d'optimisation classiques (MPC, trajectory optimization) produisent des sauts contrôlables mais exigent une connaissance fine des paramètres du robot et du terrain, ce qui fragilise leur robustesse en conditions réelles. À l'inverse, l'apprentissage par renforcement bout-en-bout souffre d'une complexité d'échantillonnage élevée, de millions de simulations nécessaires, et d'une imprévisibilité des trajectoires qui complique la certification de sécurité, un prérequis non négociable pour les déploiements industriels. En injectant une structure physique dans la boucle d'entraînement, les auteurs visent à réduire le coût d'apprentissage tout en produisant des mouvements explicables, dont la logique peut être auditée et certifiée. Le saut dynamique pour robots quadrupèdes est un problème ouvert depuis plusieurs années, car il concentre les défis du transfert sim-to-réel : contacts impulsionnels, rigidité des actionneurs, imprécision des estimations d'état. Le Robotics Systems Lab d'ETH Zurich (ANYmal) et les équipes de l'UC Berkeley ont déjà démontré des sauts via RL pur, tandis que Boston Dynamics et Unitree intègrent ces capacités dans leurs plateformes commerciales. Ce papier s'inscrit dans la tendance des approches hybrides modèle-apprentissage, qui cherchent à concilier la robustesse du RL avec la prévisibilité des méthodes analytiques, une direction que poursuivent également des équipes européennes comme le LAAS-CNRS ou l'INRIA.

COLSON : navigation sociale contrôlable par apprentissage par renforcement basé sur la diffusion

Des chercheurs proposent COLSON (Controllable Learning-based Social Navigation), une méthode de navigation sociale pour robots mobiles autonomes (AMR) en milieux piétons, fondée sur l'apprentissage par renforcement couplé à des modèles de diffusion. Publiée sur arXiv (2503.13934v2), cette étude traite d'un verrou persistant pour les robots de service : naviguer de façon fluide et socialement cohérente parmi des piétons dynamiques, sans violer leurs espaces de proximité ni générer de comportements erratiques. Les approches à base de règles telles qu'ORCA ou DWA montrent leurs limites dans les environnements denses, tandis que les méthodes de deep RL conventionnelles reposent sur des distributions gaussiennes qui contraignent la variété des trajectoires produites. COLSON contourne cette limitation en exploitant les distributions d'actions plus riches offertes par les modèles de diffusion appliqués au RL, capables de représenter des comportements multimodaux (hésiter, contourner à gauche ou à droite) que les politiques gaussiennes tendent à lisser. L'apport central de la méthode est sa capacité de généralisation à des scénarios inédits sans ré-entraînement. Dans les démonstrations présentées, le robot adapte son comportement à des obstacles statiques absents du jeu d'entraînement, ou change d'objectif pour accompagner un piéton cible tout en évitant les autres passants. Pour les intégrateurs d'AMR en milieux hospitaliers, aéroportuaires ou logistiques, cette propriété de contrôlabilité zero-shot est stratégiquement importante : elle réduit le coût de re-paramétrage à chaque nouveau site de déploiement. Elle valide aussi partiellement l'hypothèse que les diffusion models peuvent atténuer le sim-to-real gap en navigation sociale, en générant des distributions d'actions plus robustes face à l'imprévu. Le champ de la social navigation par deep RL est actif depuis une décennie, avec des travaux fondateurs comme CADRL (2017), SARL et CrowdNav. L'application des modèles de diffusion au RL dans la robotique est plus récente, s'appuyant notamment sur Diffusion Policy (Columbia/MIT, 2023) dans le domaine de la manipulation. COLSON transfère cette logique vers la planification de mouvement en espace ouvert. Il s'agit à ce stade d'un preprint académique avec validation uniquement en simulation ; aucun déploiement sur robot réel ni partenariat industriel n'est mentionné, ce qui invite à tempérer les conclusions. Les éditeurs actifs sur la navigation sociale autonome incluent Boston Dynamics, ANYbotics et Clearpath Robotics, et côté européen Enchanted Tools (France) ou PAL Robotics (Espagne) pour les robots de service. Les prochaines étapes naturelles seraient une validation en environnement réel et un benchmarking sur les datasets standardisés ETH/UCY.

Faraday Future lève 25 millions de dollars pour livrer 1 500 robots d'ici la fin de l'année

Faraday Future, constructeur automobile électrique basé à Los Angeles fondé en 2014, a annoncé la semaine dernière une levée de 25 millions de dollars via l'émission de billets à ordre convertibles auprès d'investisseurs privés. Cumulée au financement de 45 millions de dollars obtenu en avril 2026, la société totalise désormais 70 millions de dollars levés en deux mois. Sur les 25 millions, 12,5 millions sont débloqués immédiatement sur le compte opérationnel de l'entreprise, les 12,5 millions restants étant conditionnels à des critères de performance définis contractuellement. L'objectif affiché est de livrer 1 500 robots d'ici fin 2026, après n'en avoir expédié que 68 depuis le lancement commercial en février 2026 et 200 unités visées pour le seul deuxième trimestre. La gamme comprend trois modèles à pattes -- FF Futurist, FF Master et FX Aegis -- avec un quatrième robot annoncé pour juin 2026. Un accord de mémorandum d'entente a également été signé avec RobotShop, plateforme e-commerce nord-américaine spécialisée en robotique, qui distribuera les produits Faraday Future à l'international. Le chiffre d'affaires du premier trimestre 2026 s'élève à 512 000 dollars, en hausse de 62 % par rapport aux 316 000 dollars du T1 2025, et représente déjà 95 % du revenu annuel total 2025 (536 000 dollars) -- dont 26 % proviennent de licences logicielles et de packs de compétences (SKILLS). Ces chiffres illustrent à la fois la dynamique et les limites d'une stratégie de pivot vers la robotique. 68 unités livrées face à une cible annuelle de 1 500 représente un ratio d'exécution de 4,5 %, ce qui rend l'objectif difficile à tenir sans accélération industrielle significative. La structure de financement -- billets convertibles non immédiatement négociables, avec la moitié des fonds séquestrés -- traduit une prudence des investisseurs plus qu'un vote de confiance inconditionnel. Pour les intégrateurs et décideurs B2B, le signal réel est la présence sur RobotShop : Faraday Future mise sur un canal de distribution à volume plutôt que sur des déploiements industriels profonds, ce qui positionne ses robots davantage comme des produits grand public ou PME que comme des solutions d'automatisation enterprise. Faraday Future s'est construit une réputation difficile dans l'automobile électrique -- la FF 91 n'a jamais atteint une production significative, et l'entreprise a traversé plusieurs crises financières depuis 2021. Son repositionnement dans la robotique incarnée (EAI, Embodied AI) suit une logique de survie plus que de stratégie organique. Dans un secteur dominé par Figure AI (Figure 03), Boston Dynamics, Agility Robotics (Digit), 1X Technologies et le Tesla Optimus Gen 3, Faraday Future aborde le marché avec des robots à pattes non humanoïdes, un segment moins concurrentiel mais aussi moins structuré commercialement. Aucun acteur européen ou français n'est directement impliqué dans ce dossier. Les prochaines étapes à surveiller : le lancement effectif du robot de juin 2026, le rythme réel de livraison au T2, et la conversion des 1 200 pré-commandes non contraignantes en commandes fermes.

Le robot humanoïde Tinnie devient apprenti dans un projet de rénovation, une première mondiale

Un robot humanoide d'Unitree Robotics, baptisé "Tinnie", s'apprête à intégrer un chantier de rénovation résidentielle en Australie dans le cadre d'un projet intitulé "The Farmhouse". La propriété couvre 8,3 acres à Mulgoa, à quelques minutes du nouvel aéroport international de l'ouest de Sydney. Le site présente un indice BAL 29 (Bushfire Attack Level), correspondant à une exposition élevée aux attaques par braises et chaleur rayonnante, et héberge une faune reptilienne ajoutant une contrainte de sécurité supplémentaire. L'initiative est portée par Cherie Barber, animatrice de télévision surnommée "la Reine de la Rénovation" en Australie, et son partenaire Matt Hume, qui ont coordonné le projet avec Unitree Robotics pendant six mois, incluant un déplacement en Chine pour observer le robot en action. Le nom "Tinnie" est un double clin d'oeil à l'Homme de Fer-blanc du Magicien d'Oz et au slang australien désignant une bière en canette. La mission du robot ne comprend aucune tâche physique: il accueillera les équipes sur site, conduira les inductions de sécurité, consultera les codes du bâtiment, vérifiera les spécifications produits et conseillera sur les décisions de conception. Le projet sera documenté dans une série télévisée nationale australienne et en épisodes bimensuels sur la chaîne YouTube de Cherie Barber. Ce déploiement se distingue nettement des démonstrations industrielles récentes d'humanoïdes: Tinnie ne manipule ni outils ni matériaux, et son rôle reste strictement informationnel. Pour les intégrateurs et décideurs B2B du secteur du bâtiment, la question légitime est de savoir si la forme humanoïde apporte une valeur ajoutée réelle par rapport à une tablette ou un assistant vocal embarqué sur chantier. La communication officielle ne cite aucune métrique de performance: pas de taux d'adoption par les ouvriers, pas de réduction du temps de cycle, aucun indicateur de productivité mesurable. La revendication de "première mondiale" mérite donc d'être tempérée: il s'agit davantage d'une expérience sociale médiatisée que d'un pilote industriel formalisé. Ce qui reste potentiellement instructif pour le secteur, c'est l'exposition du robot à un environnement de chantier actif soumis à des contraintes réglementaires et environnementales réelles, loin des conditions contrôlées de laboratoire. Unitree Robotics est un fabricant chinois positionné sur le segment accessible des robots humanoïdes et quadrupèdes, dont le H1 et le G1 sont commercialisés bien en dessous des tarifs pratiqués par Figure AI ou Boston Dynamics. L'entreprise cherche à multiplier les déploiements visibles à l'international pour crédibiliser ses plateformes face à une concurrence qui progresse sur des cas d'usage plus opérationnels: Boston Dynamics déploie Spot en inspection de chantier, Built Robotics opère des engins autonomes en génie civil, et en Europe, Enchanted Tools (France) développe des approches robotiques collaboratives en environnement de travail mixte. Le projet "The Farmhouse" intègre également un volet de vie autonome, avec serre maraîchère, verger, ruches et poulailler, ce qui renforce l'impression d'une opération de contenu lifestyle plutôt que d'une validation technologique rigoureuse. Les prochaines étapes annoncées se limitent à la production audiovisuelle, sans timeline de déploiement à plus grande échelle ni partenariats industriels communiqués.

OneRobotics déploie des robots domestiques dans des scénarios réels à l'échelle mondiale : le rival chinois de Figure AI

OneRobotics (卧安机器人), startup chinoise spécialisée dans la robotique domestique, a fait l'objet d'un reportage spécial de la chaîne publique japonaise NHK, peu après que Figure AI a publié une vidéo mettant en scène deux robots humanoïdes Figure 03 réalisant des tâches de rangement dans une chambre (protocole Helix-02 Bedroom Tidy : suspendre des vêtements, organiser des tiroirs, faire le lit). Lors de l'interview NHK, le robot onero H1 de OneRobotics a exécuté en environnement domestique réel la séquence complète suivante : identification visuelle de vêtements, préhension et introduction dans un lave-linge. La démonstration a eu lieu dans un appartement, et non sur un plateau d'exposition. La société structure son offre autour d'une architecture "un cerveau, multiple formes" : trois plateformes partagent le même système de perception et de décision, déclinées en Kata Friends (compagnie et interaction sociale), Acemate (santé et activité physique) et onero H1 (service domestique). Aucun chiffre de payload, de DOF ou de cadence de cycle n'a été communiqué lors de l'interview. L'importance de cet événement tient moins à la démonstration technique en elle-même qu'à ce qu'elle signale sur la maturité du marché. Les deux scènes, Figure AI d'un côté et OneRobotics de l'autre, convergent vers le même constat : la maison s'impose comme le terrain d'atterrissage commercial prioritaire pour les humanoïdes, après des années de démonstrations en entrepôt ou en usine. Pour les intégrateurs et les décideurs B2B, cela déplace le critère de sélection : ce n'est plus la performance en environnement contrôlé qui compte, mais la capacité à accumuler des données de terrain réelles, à itérer rapidement sur des scénarios non structurés, et à construire un service continu dans un logement habité. L'architecture "un cerveau" partagée entre plusieurs formes physiques est une réponse industrielle directe à ce besoin : elle permet de mutualiser les données d'apprentissage entre des contextes d'usage distincts (soin, sport, tâches ménagères), accélérant potentiellement la convergence sim-to-real sans multiplier les pipelines d'entraînement. OneRobotics opère dans un secteur chinois en forte densité concurrentielle, aux côtés d'Unitree, d'UBTECH et de Fourier Intelligence, tandis qu'à l'international Figure AI, Boston Dynamics (Atlas), Agility Robotics (Digit) et Physical Intelligence (pi-0) occupent l'espace médiatique. La stratégie de OneRobotics se distingue par une orientation marché B2C et overseas affichée dès le démarrage, avec le Japon comme tête de pont, marché particulièrement réceptif au vieillissement démographique et aux robots d'assistance. Le reportage NHK constitue une validation de visibilité, mais la société n'a pas communiqué de chiffres de déploiement, de volumes de commandes ni de prix public pour le onero H1. La prochaine étape observable sera de savoir si ces démonstrations en habitat réel débouchent sur des pilotes commerciaux documentés, ou restent dans la catégorie des "annonces de traction" sans métriques vérifiables.

Apprentissage de la prise-et-dépose dynamique pour un manipulateur à pattes

Des chercheurs ont publié le 21 mai 2026 sur arXiv (réf. 2605.15713) un framework d'apprentissage par renforcement hiérarchique permettant à un robot quadrupède équipé d'un bras à 6 degrés de liberté (6-DOF) d'effectuer des tâches de pick-and-place dynamiques avec des charges allant jusqu'à 2,3 kg en simulation et 1,3 kg en environnement réel. Le système intègre un module explicite d'estimation de masse qui adapte en temps réel le contrôle whole-body en fonction du poids de l'objet saisi. En simulation, le taux de succès atteint 86,05 %. Sur six scénarios réels combinant variations de taille, de masse et de hauteur de dépôt, le système affiche un taux de succès moyen de 73,3 % dans un espace de travail vertical allant du sol à des surfaces à 1,1 m de hauteur, avec un temps d'exécution moyen de 4,06 secondes par cycle. Ce résultat est notable pour deux raisons techniques. D'abord, le système exécute locomotion et manipulation en simultané, abandonnant l'approche séquentielle (se déplacer, s'arrêter, saisir) qui dominait les travaux antérieurs et limitait la cadence opérationnelle. Ensuite, le module d'estimation de masse compense dynamiquement les variations de charge, ce qui est un prérequis pour tout déploiement industriel réel où les objets ne sont pas homogènes. La chute de performance entre simulation et réel (de 86 % à 73 %) illustre que le sim-to-real gap n'est pas encore résolu, mais reste dans une plage acceptable pour des scénarios semi-contrôlés. Les charges manipulées restent modestes comparées aux bras industriels fixes, et les vidéos de démonstration sélectionnées ne couvrent pas de conditions adverses (surfaces glissantes, occlusions). Le robot quadrupède mobile doté d'un bras manipulateur est un segment en forte croissance, porté par des plateformes commerciales comme le Spot d'Boston Dynamics (avec son bras optionnel), l'ANYmal d'ANYbotics, ou le B2 d'Unitree couplé à des bras tiers. Ce travail de recherche, non affilié à un produit commercial annoncé, s'inscrit dans la lignée des travaux sur les manipulateurs mobiles à pattes publiés ces deux dernières années par ETH Zurich, CMU et des équipes chinoises. La prochaine étape attendue dans ce domaine est la généralisation à des objets non rigides ou à géométrie inconnue, ainsi qu'une intégration de la perception visuelle en boucle fermée pour réduire la dépendance aux modèles d'objet préenregistrés.

Pourquoi les fondateurs les plus prospères en robotique sont des penseurs systémiques

L'épisode 244 du podcast The Robot Report, publié cette semaine, met en vedette Ajay Agarwal, associé chez Bain Capital Ventures (BCV), où il investit depuis plus de vingt ans dans des sociétés technologiques en phase précoce, avec un focus sur les logiciels, l'IA, la logistique et l'automatisation industrielle. L'entretien couvre son thèse d'investissement en robotique, sa méthode pour identifier les fondateurs à fort potentiel, et son regard sur la montée en puissance des robots humanoïdes. L'émission aborde également les actualités de la semaine : la publication des lauréats 2026 des RBR50 Robotics Innovation Awards, la nouvelle version Stretch 4 de Hello Robot (plus grande, plus rapide et plus puissante que ses prédécesseurs), et le dévoilement de la SmartBay d'Automated Tire, une station autonome de changement de pneus. La thèse centrale d'Agarwal, implicite dans le titre de l'épisode, est que les fondateurs les plus performants en robotique sont des "systems thinkers" : ils ne conçoivent pas des composants isolés, mais des systèmes complets intégrant mécanique, software, logistique et modèle économique. Ce cadre analytique, forgé au fil de deux décennies d'investissements, a une pertinence directe pour les décideurs industriels et les intégrateurs : il suggère que la sélection de partenaires technologiques devrait se faire sur la capacité à penser bout-en-bout, pas uniquement sur la performance technique d'un sous-système. Dans un marché où les démos restent souvent déconnectées de la réalité opérationnelle, ce type de discernement investisseur constitue un signal utile sur les entreprises réellement bancables à l'échelle. Agarwal est notamment connu pour avoir piloté l'investissement historique de BCV dans Kiva Systems, la société de robots de manutention entrepôt rachetée par Amazon en 2012 pour 775 millions de dollars et rebaptisée Amazon Robotics, devenue depuis une référence structurante du secteur AMR (autonomous mobile robots). Cette prise de position précoce illustre sa capacité à identifier des changements de paradigme avant qu'ils ne deviennent évidents. Aujourd'hui, il observe de près l'essor des humanoïdes, un segment dominé par Figure AI, 1X Technologies, Agility Robotics (filiale Amazon), Boston Dynamics et Tesla Optimus, avec des acteurs européens comme Enchanted Tools ou Wandercraft encore à l'écart des grands cycles de financement américains. La prochaine étape concrète mentionnée dans l'épisode est le Robotics Summit & Expo 2026, co-organisé par The Robot Report, qui réunit plus de 70 intervenants confirmés issus de Tesla, Toyota Research Institute, AWS ou Brain Corp, et constitue un baromètre sectoriel pour les mois à venir.

MUJICA : architecture de contrôle unifiée multi-compétences pour robots hybrides roues-pattes

Des chercheurs ont publié sur arXiv (référence 2605.13058) un framework de contrôle unifié pour robots à roues et pattes, baptisé MUJICA (Multi-skill Unified Joint Integration of Control Architecture). L'architecture regroupe en une seule politique trois compétences locomotrices distinctes : déplacement omnidirectionnel, escalade de plateformes élevées et récupération après chute. Chaque compétence est identifiée par des variables indicatrices propres et entraînée conjointement avec une modélisation précise des contraintes des moteurs à courant continu. Un sélecteur de compétences de haut niveau apprend ensuite à choisir dynamiquement la compétence optimale à partir de la seule proprioception, sans caméra ni LiDAR. Les expériences ont été conduites en simulation puis sur le robot Unitree Go2-W, la variante à roues du quadrupède Go2 commercialisé par Unitree Robotics. Ce travail adresse un problème structurel des robots hybrides roues-pattes : alterner entre contrôle roulant et contrôle locomoteur sans transitions abruptes ni dégradation de performance aux limites mécaniques des actionneurs. Le bruit proprioceptif et les contraintes réelles des moteurs rendent cette robustesse difficile à obtenir, particulièrement lors du transfert sim-to-real. MUJICA améliore ce transfert en intégrant un modèle DC-moteur précis dès la phase d'entraînement, ce qui réduit l'écart entre simulation et déploiement physique. Pour un intégrateur industriel ou un COO logistique, cela signifie un robot hybride capable de naviguer de façon autonome dans des environnements non structurés (entrepôts encombrés, chantiers, zones mixtes) sans reconfigurations manuelles entre modes de déplacement. Le Unitree Go2-W est l'une des rares plateformes commerciales hybrides roues-pattes accessibles (le Go2 standard est vendu entre 1 600 et 2 700 USD selon configuration), ce qui en fait un banc de test pertinent pour la reproductibilité. Dans la compétition plus large sur la locomotion adaptative, des acteurs comme ANYbotics (ANYmal), Boston Dynamics (Spot) ou des équipes académiques de l'ETH Zurich et de Carnegie Mellon développent des approches concurrentes, souvent basées sur vision ou LiDAR. MUJICA se distingue par son pari sur la proprioception seule, choix réaliste pour des déploiements sans infrastructure sensorielle lourde. L'article restant un preprint non évalué par des pairs, les métriques de performance en conditions réelles devront être confirmées lors d'une soumission en conférence (IROS, ICRA ou CoRL).

Unitree propose un mecha transformable géant à 650 000 dollars

Unitree, l'un des fabricants de robots les plus prolifiques de Chine, a annoncé le GD01, un exosquelette habité de grande taille commercialisé au prix de 650 000 dollars. L'entreprise le décrit comme "le premier méca habité prêt à la production au monde", ce qui constitue une affirmation marketing significative. La vidéo de présentation montre l'engin démolir un mur de parpaings et basculer entre une posture bipède, évoquant le chariot élévateur piloté par Ellen Ripley dans Aliens, et une configuration alternative non précisée. Unitree n'explicite aucun cas d'usage industriel concret, ce qui est notable pour un produit à ce prix. L'absence de justification fonctionnelle est le premier signal d'alerte pour tout acheteur B2B. À 650 000 dollars, un tel engin se positionne bien au-delà des exosquelettes d'assistance industrielle (Sarcos, SuitX, Ottobock), mais sans les certifications ni les cas d'usage documentés qui légitiment ces prix dans les secteurs de la construction, de la défense ou de la logistique lourde. La démonstration retenue, casser des blocs de béton, est spectaculaire mais révèle peu sur la précision, la durée d'utilisation ou la sécurité opérateur. Le "production-ready" mérite d'être vérifié sur la durée. Unitree s'est imposé sur le marché robotique grand public et industriel avec ses quadrupèdes Go1/Go2 et ses humanoïdes H1 et G1, vendus à des prix nettement inférieurs à la concurrence. Le GD01 représente un pivot stratégique vers un segment radicalement différent, plus proche du concept art que du déploiement industriel immédiat. Dans la course aux robots humanoïdes, des acteurs comme Figure, Agility ou Boston Dynamics restent focalisés sur des plateformes autonomes; Unitree choisit ici de miser sur la curiosité médiatique autant que sur la faisabilité commerciale.

Interprétation des préférences humaines contextuelles pour la navigation multi-objectifs des robots

Des chercheurs ont publié sur arXiv (2603.17510v2) une architecture permettant à un robot mobile de naviguer en environnement partagé en tenant compte des préférences exprimées en langage naturel par ses utilisateurs. Le système repose sur trois couches distinctes : un modèle vision-langage (VLM) qui analyse en continu les images de la caméra embarquée pour extraire un contexte environnemental structuré, un grand modèle de langage (LLM) qui traduit les retours verbaux des utilisateurs en règles comportementales interprétables, stockées dans une mémoire persistante et modifiable, puis un module de traduction des préférences qui convertit ces règles et ce contexte en vecteurs numériques injectés à la volée dans une politique de navigation par apprentissage par renforcement multi-objectif (MORL) préentraînée. L'évaluation couvre des déploiements réels dans plusieurs environnements intérieurs, une étude utilisateur et des mesures quantitatives par composant, sans que l'abstract précise les effectifs ni les métriques chiffrées de performance. Ce travail adresse un verrou concret pour les déploiements en milieu professionnel : aujourd'hui, un robot de livraison intérieure ou un AMR logistique optimise vitesse et sécurité selon des paramètres fixes, incapable d'adapter son comportement si un opérateur lui dit "ralentis dans la zone de picking" ou "évite le couloir principal le matin". L'architecture proposée résout ce problème sans réentraînement : la mémoire de règles est mise à jour à chaud via langage naturel, ce qui réduit dramatiquement le coût d'intégration pour un déploiement B2B. La séparation claire entre raisonnement sémantique de haut niveau (VLM/LLM) et contrôle temps-réel (MORL) est également un argument industriel sérieux, car elle permet de changer le backbone LLM sans toucher à la politique de bas niveau. Ce type d'approche s'inscrit dans une tendance académique forte depuis 2023 : l'utilisation de fondational models comme couche d'interprétation au-dessus de politiques de contrôle classiques, popularisée notamment par les travaux sur les VLA (Vision-Language-Action models) chez Google DeepMind ou Stanford. La différence ici est la persistance explicite des règles en mémoire et l'utilisation de MORL plutôt que d'une politique end-to-end, ce qui offre davantage de contrôle et de transparence. Aucun partenaire industriel ni timeline de commercialisation ne sont mentionnés, ce travail restant pour l'instant une contribution de recherche. La prochaine étape naturelle serait de valider le système sur des robots commerciaux comme le Spot de Boston Dynamics ou des AMR de Locus Robotics, et d'étendre les expériences aux environnements extérieurs ou aux contextes multi-utilisateurs.

Video Friday : l'IA confère aux mains robotiques une dextérité humaine

Cette semaine dans la sphère robotique, l'annonce la plus médiatisée émane de Genesis AI, qui présente GENE-26.5, décrit par la société comme "le premier cerveau IA à conférer aux robots des capacités de manipulation physique au niveau humain." Les démonstrations vidéo montrent un système cuisant un repas complet, cassant un oeuf d'une seule main, conduisant des expériences de laboratoire, réalisant du câblage de harnais électrique et jouant du piano. Aucun détail technique sur le matériel robotique utilisé, les taux de succès, ou les conditions d'environnement contrôlées n'est communiqué, ce qui invite à la prudence avant de valider ces affirmations. En parallèle, le Robotics and AI Institute publie une démonstration du quadrupède Spot de Boston Dynamics piloté par un réseau de neurones entraîné par apprentissage par renforcement combiné à une distillation multi-expert: le robot s'accroupit, saute, escalade des caisses et franchit des vides. Du côté de la NASA, les ingénieurs du Jet Propulsion Laboratory ont passé la barrière du son avec des pales de rotor de prochaine génération pour hélicoptère martien, atteignant Mach 1 dans une chambre simulant l'atmosphère de Mars, dont la densité représente environ 1 % de celle de la Terre. Jim Fan, qui dirige le groupe de recherche en autonomie incarnée chez Nvidia, affirme pour sa part que la robotique entre dans sa "phase finale" et que le plan de jeu est déjà écrit. Les affirmations de Genesis AI sur la manipulation humanoïde méritent d'être contextualisées: le secteur est parsemé d'annonces de "dextérité humaine" qui peinent à se vérifier hors conditions contrôlées. L'absence de métriques objectives, taux de succès, nombre de tentatives, variété des objets manipulés, est un signal d'alerte classique dans les communications de ce type, et le demo-to-reality gap reste la question centrale pour tout décideur B2B qui évalue ces systèmes. La prouesse NASA sur les rotors martiens est, en revanche, une avancée mesurable: franchir Mach 1 dans une atmosphère aussi ténue implique des vitesses de rotation extrêmes et des matériaux composites capables de résister à des charges aérodynamiques inédites, ouvrant la voie à des hélicoptères plus capables pour de futures missions. Quant à Atlas, le discours officiel de Boston Dynamics sur l'équilibre entre objectifs commerciaux et recherche fondamentale traduit la pression croissante que subissent les constructeurs de plateformes humanoïdes pour démontrer une rentabilité tangible après des années d'investissement massif. Genesis AI est peu connue du grand public; sa mise en avant via TechCrunch suggère une stratégie de visibilité plutôt qu'un lancement produit au sens strict. Dans l'écosystème concurrent, Physical Intelligence avec Pi-0, Figure Robotics avec le Figure 03, Agility Robotics et 1X mènent des efforts comparables sur la manipulation généraliste, tandis que Nvidia prépare le terrain pour GR00T N2 et les prochains modèles de foundation pour corps physiques. Le thème de l'Open Duck Mini, version open-source des droids BDX de Disney publiée par la communauté, rappelle que l'innovation en robotique ne se limite pas aux acteurs industriels. La communauté se retrouvera à ICRA 2026 du 1er au 5 juin à Vienne, puis à RSS 2026 du 13 au 17 juillet à Sydney, deux rendez-vous où ces avancées seront soumises à une évaluation scientifique rigoureuse, loin des vidéos de démonstration soigneusement sélectionnées.

💬 Genesis AI sort le grand jeu avec GENE-26.5, mais zéro métrique, zéro taux de réussite, ça reste une démo marketing jusqu'à preuve du contraire. Ce qui me retient vraiment dans cette actu, c'est la prouesse NASA sur les rotors martiens: Mach 1 dans 1% de densité atmosphérique, ça c'est de la physique vérifiable, pas du storytelling. Jim Fan parle de "phase finale" pour la robotique, bon, sur le papier c'est enthousiasmant, reste à voir ce que ça donne à ICRA en juin face aux pairs.

Un robot quadrupède amélioré pour le projet de fin d'études

Aaed Musa, étudiant en génie mécanique, a présenté CARA 2.0 comme projet de fin d'études, aboutissement de plusieurs années de développement de chiens robotiques. Les exigences définies après des entretiens avec des clients potentiels étaient claires : prix cible autour de 1 000 dollars, poids inférieur à 9 kg (20 livres), et robustesse prouvée. Le robot reprend l'architecture de son prédécesseur CARA avec des transmissions par câble capstan, dont les éléments sont imprimés en résine et actionnés par des moteurs brushless de drone. Ces moteurs, initialement optimisés pour la vitesse plutôt que le couple, ont été rebobinés manuellement avec plus de fil, opération qui a permis de tripler leur couple. L'endurance a été validée par un test en cycle continu sur une seule articulation : plus de 1 000 heures de fonctionnement sans dégradation visible. En l'absence d'encodeurs absolus, chaque moteur effectue une mise à l'origine au démarrage en détectant la hausse de courant en fin de course mécanique, ce qui produit un mouvement d'étirement jugé naturel. CARA 2.0 est capable de marcher en ligne droite, de se déplacer latéralement, de pivoter sur place, de s'accroupir, de sauter et de maintenir son équilibre sur une surface inclinée. Le prix final atteint 1 450 dollars, légèrement au-dessus de l'objectif. Ce projet illustre qu'un quadrupède capable et durable reste accessible sans budget industriel, à condition d'accepter quelques compromis d'intégration. Le rebobinage manuel des moteurs pour adapter le rapport couple/vitesse est une solution peu documentée dans les projets open source de ce type ; elle démontre qu'un ajustement mécanique bas coût peut compenser l'absence de moteurs spécialisés. La détection de fin de course par surveillance du courant moteur, souvent utilisée en robotique industrielle, s'avère ici viable sur un système à faible coût. CARA 2.0 s'inscrit dans une lignée de projets personnels d'Aaed Musa, dont TOPS et la première version de CARA, tous deux basés sur des architectures capstan. Dans le segment des quadrupèdes accessibles, il se positionne face à des projets comme Stanford Doggo ou des dérivés open source du Boston Dynamics Spot, sans atteindre leurs performances dynamiques mais avec un coût de fabrication nettement inférieur. Aucun partenaire industriel ni déploiement commercial n'est mentionné à ce stade : CARA 2.0 reste un prototype académique, mais la méthodologie de validation client et les tests d'endurance suggèrent une trajectoire vers une éventuelle mise sur le marché.

Unitree Robotics fait son entrée en Corée du Sud avec une cérémonie d'ordination au plus grand temple bouddhiste de Séoul

Le G1 d'Unitree Robotics, humanoïde de 130 cm développé par le fabricant chinois Unitree Technology, a participé à une cérémonie d'ordination bouddhiste au temple Cheonggye, dans le centre de Séoul, quelques jours avant les festivités de la naissance de Bouddha. Organisée par l'ordre Jogye, la plus grande confrérie bouddhiste de Corée du Sud, la cérémonie a conféré au robot le nom dharma "Gabi" (가비). Vêtu de robes monastiques gris-brunes, tête lissée en référence au crâne rasé, Gabi a suivi le protocole intégral réservé aux croyants : prosternations, mains jointes, défilé autour de la pagode aux côtés des moines, réception d'un chapelet de 108 perles. Interrogé par le moine officiant sur sa volonté de prendre refuge dans le bouddhisme, le robot a répondu vocalement : "Oui, je voue de prendre refuge." La brûlure symbolique des bras près d'un bâton d'encens, étape traditionnelle du rituel, a été remplacée par l'apposition d'un autocollant. Cet événement dépasse l'anecdote culturelle : il constitue une opération de validation internationale soigneusement orchestrée par Unitree, à un moment où la commercialisation des humanoïdes chinois s'accélère tandis que les restrictions d'accès au marché américain se durcissent. Pour les décideurs industriels, l'intérêt est moins théologique que technique : Unitree démontre que son G1 peut exécuter des séquences de mouvements coordonnés (marche, inclinaison, gestuelle précise) dans un environnement public non contrôlé, devant une audience particulièrement sensible à l'exactitude rituelle. La valeur probatoire reste limitée faute de métriques publiées, mais la démonstration d'acceptabilité sociale sur un marché coréen stratégique est, au minimum, réussie sur le plan médiatique. Unitree Robotics, connu pour ses robots quadrupèdes Go1 et Go2 avant de lancer le G1 en 2024, cherche à s'imposer hors de Chine dans une course humanoïde qui s'intensifie à l'échelle mondiale. Ses concurrents directs incluent Boston Dynamics (Atlas), Figure AI (Figure 03), Tesla (Optimus Gen 3) et Agility Robotics (Digit) côté américain, ainsi que Fourier Intelligence et UBTECH côté chinois. Aucun acteur français n'est impliqué dans cet épisode, bien que Wandercraft progresse en parallèle sur le segment médical. La prochaine étape logique pour Unitree serait d'annoncer des pilotes commerciaux en Corée du Sud, marché industriel prioritaire pour les intégrateurs robotiques cherchant une alternative aux plateformes occidentales.

Vers un contrôle adaptatif des robots humanoïdes par distillation multi-comportements et affinage renforcé

Une équipe de chercheurs propose Adaptive Humanoid Control (AHC), un framework de contrôle locomoteur pour humanoïdes publié sur arXiv (2511.06371v3). Le problème de départ est structurel : les méthodes dominantes entraînent une politique séparée pour chaque compétence (se relever, marcher, courir, sauter), générant des contrôleurs rigides qui échouent dès que le terrain devient irrégulier. AHC y répond en deux phases : d'abord, plusieurs politiques primaires sont entraînées puis fusionnées par distillation multi-comportements en un contrôleur unique capable de commuter dynamiquement selon le contexte ; ensuite, un affinage par renforcement avec retours en ligne consolide l'adaptabilité sur terrains variés. Le système est validé en simulation et en conditions réelles sur le robot Unitree G1 d'Unitree Robotics. Pour les intégrateurs et les décideurs industriels, la promesse est concrète : un seul contrôleur couvrant l'ensemble des comportements locomoteurs réduit la complexité opérationnelle et supprime les transitions manuelles entre modes. Du côté de la recherche, le résultat le plus notable est que la distillation combinée à un fine-tuning par RL en ligne permet de réduire partiellement le sim-to-real gap sans ré-entraînement complet. La réserve à formuler : le papier ne publie pas de métriques quantitatives détaillées (taux de succès par terrain, fréquence de chute), ce qui rend difficile la comparaison objective avec d'autres approches. Le Unitree G1 (1,27 m, environ 35 kg, 16 000 dollars) est devenu depuis 2024 une plateforme de recherche de référence pour ce type de travaux. AHC s'inscrit dans une compétition internationale où Physical Intelligence (Pi-0), NVIDIA (GR00T N2), Figure (Helix) et Boston Dynamics cherchent tous à produire des politiques locomotrices généralisables hors environnement contrôlé. L'approche par distillation multi-politiques rappelle les travaux de curriculum learning menés à Berkeley et CMU, et l'affinage par RL en ligne emprunte aux méthodologies RLHF adaptées à la robotique physique. Aucun partenariat industriel ni calendrier de déploiement n'est annoncé ; le projet en est au stade de la démonstration académique.

Préhension optimisée dans les robots à pattes : une approche par apprentissage profond pour la loco-manipulation

Des chercheurs ont publié sur arXiv (référence 2508.17466v3) un framework de deep learning destiné à améliorer les capacités de préhension des robots quadrupèdes équipés d'un bras manipulateur, une configuration connue sous le nom de loco-manipulation. L'approche repose sur une méthodologie sim-to-real développée dans l'environnement de simulation Genesis, où des milliers d'interactions synthétiques ont été générées sur des objets courants pour produire des cartes annotées pixel par pixel de qualité de préhension. Ces données ont servi à entraîner un réseau de neurones convolutif inspiré de l'architecture U-Net, qui fusionne en entrée des flux multi-modaux issus de caméras embarquées : images RGB, cartes de profondeur, masques de segmentation et cartes de normales de surface. En sortie, le modèle produit une heatmap identifiant le point de préhension optimal. Le système complet a été validé sur un vrai robot quadrupède, qui a exécuté de façon autonome la séquence complète : navigation vers l'objet cible, perception, prédiction de la pose de préhension, puis saisie effective. Le principal intérêt de ce travail est de montrer qu'un pipeline sim-to-real bien conçu peut substituer la collecte de données physiques, historiquement le goulet d'étranglement du développement en manipulation robotique. Pour les intégrateurs et décideurs industriels, cela suggère qu'il devient possible de déployer des capacités de manipulation sur robots mobiles sans investissement massif en démonstrations réelles. Cela dit, l'abstract ne fournit aucun taux de succès quantifié, aucune comparaison avec une baseline, et aucun détail sur le nombre d'objets testés ou la robustesse aux variations d'éclairage et de pose : des lacunes habituelles dans les preprints mais qui freinent l'évaluation sérieuse de la transférabilité industrielle. Ce travail s'inscrit dans un champ académique très actif autour des robots quadrupèdes à bras, popularisé par des plateformes comme l'ANYmal de ANYbotics (Suisse) ou le Spot d'Boston Dynamics, tous deux cibles régulières de recherches en loco-manipulation. L'environnement Genesis, relativement récent, se positionne comme alternative à Isaac Sim (NVIDIA) et MuJoCo pour la génération de données synthétiques. L'architecture U-Net, initialement conçue pour la segmentation médicale, est ici réutilisée pour un problème de régression spatiale, une transposition qui gagne du terrain en robotique de manipulation. Ce papier, en version 3 de révision, reste un travail de recherche en laboratoire : aucun déploiement opérationnel ni partenariat industriel n'est mentionné.

Anticipation-VLA : résolution de tâches incarnées à long horizon par génération de sous-objectifs

Une équipe de chercheurs a publié le 5 mai 2026 sur arXiv (référence 2605.01772) un modèle de contrôle robotique baptisé Anticipation-VLA, conçu pour résoudre les tâches à long horizon en robotique incarnée. Le système repose sur un composant appelé Anticipation Model, qui génère de manière adaptive et récursive des sous-objectifs intermédiaires au fil de l'exécution d'une tâche. L'architecture est hiérarchique : un Unified Multimodal Model (UMM) affiné gère la planification de haut niveau en produisant ces sous-objectifs, tandis qu'une politique VLA (Vision-Language-Action) conditionnée sur ces cibles pilote l'exécution motrice à bas niveau. Les expériences couvrent des environnements simulés et des tâches robotiques réelles. Les auteurs affirment des gains de robustesse significatifs par rapport aux approches antérieures, sans toutefois publier de métriques quantitatives précises dans l'abstract, ce qui limite la comparaison directe avec l'état de l'art. Le problème adressé est central dans la robotique d'apprentissage : les modèles VLA accumulent des erreurs sur les tâches longues, chaque décision imparfaite amplifiant les erreurs suivantes. Les approches existantes décomposent les tâches en sous-tâches de granularité fixe, ce qui les rend rigides face aux variations de complexité des états d'exécution. La contribution clé d'Anticipation-VLA est d'ajuster dynamiquement les sous-objectifs en fonction de l'évolution réelle de la situation, une avancée dans le contrôle hiérarchique adaptatif. Pour les intégrateurs et décideurs B2B, ce type de système ouvre la voie à des robots capables d'exécuter des séquences complexes en environnement industriel sans supervision constante, un verrou majeur dans le déploiement à grande échelle des bras manipulateurs. Le domaine des VLA est en pleine effervescence depuis la publication de RT-2 (Google DeepMind, 2023), puis d'OpenVLA, Pi-0 (Physical Intelligence) et GR00T N2 (NVIDIA). La recherche sur la planification hiérarchique se heurte systématiquement au "demo-reality gap" : les résultats en simulation ne se transfèrent pas toujours au monde réel. Anticipation-VLA revendique une validation sur tâches réelles, signal positif, bien que l'absence de benchmarks standardisés tels que RLBench ou LIBERO dans la publication rende difficile le positionnement précis face à la concurrence. Les prochaines étapes probables incluent des évaluations comparatives sur ces benchmarks et une extension vers des plateformes mobiles manipulatrices, segment où des acteurs comme Physical Intelligence et Boston Dynamics intensifient leurs travaux.

Améliorer la généralisabilité de l'apprentissage par renforcement en robotique via l'analyse SHAP des algorithmes et hyperparamètres

Une équipe de chercheurs a publié le 5 mai 2026 sur arXiv (preprint 2605.02867) un cadre explicable pour identifier quels paramètres algorithmiques d'apprentissage par renforcement (RL) pèsent le plus sur la capacité d'un modèle à généraliser d'un environnement simulé à un autre, puis à des conditions réelles. La méthode repose sur les valeurs SHAP (SHapley Additive exPlanations), un outil issu du machine learning interprétable, appliqué ici à l'évaluation systématique de combinaisons d'algorithmes RL (PPO, SAC et équivalents) et d'hyperparamètres (learning rate, discount factor, taille de batch, etc.) sur plusieurs environnements robotiques. Le papier établit une fondation théorique reliant les valeurs de Shapley à la mesure de généralisabilité, puis démontre empiriquement que certaines configurations présentent des impacts stables et prévisibles quelle que soit la tâche testée. La contribution centrale est pratique : le "generalization gap" en RL robotique, l'écart entre performance en simulation et performance réelle, constitue l'un des principaux freins au déploiement industriel. Jusqu'ici, le choix des hyperparamètres relevait en grande partie de l'expérimentation empirique coûteuse ou de règles empiriques non justifiées. En quantifiant la contribution individuelle de chaque paramètre à cet écart, les auteurs proposent un protocole de sélection guidé par SHAP qui réduit cette variance inter-environnements sans ajout de données supplémentaires. Pour un intégrateur qui doit certifier le comportement d'un bras manipulateur ou d'un robot mobile dans des conditions variables, disposer d'une hiérarchie explicite des paramètres critiques réduit significativement le temps de fine-tuning et le risque de régression lors du passage sim-to-real. Le contexte est celui d'une pression croissante sur la robustesse du RL en robotique : des laboratoires comme DeepMind, Berkeley (avec les travaux sur RLPD et Cal-QL) et des acteurs industriels comme Boston Dynamics ou Figure AI investissent massivement dans des politiques RL transférables sans retraining. L'approche SHAP s'inscrit dans un courant plus large d'XAI (explainable AI) appliqué aux politiques motrices, encore peu exploité par rapport à la vision ou au NLP. Le papier est un preprint non évalué par les pairs, sans code ni benchmark public annoncé à ce stade, ce qui limite son adoption immédiate. Les prochaines étapes naturelles seraient une validation sur hardware physique et la mise à disposition d'un outil open-source de sélection de configuration.

Attention spatiale stéréo multi-étapes pour manipulation mobile en temps réel sous variations d'échelle et perturbations

Des chercheurs ont publié en mai 2026 un préprint (arXiv:2605.00471) présentant une méthode d'apprentissage prédictif profond basée sur une attention spatiale stéréo multi-étapes pour la manipulation mobile en temps réel. L'approche extrait des points d'attention spatiale pertinents à partir d'images stéréo, les intègre avec les états du robot via une architecture récurrente hiérarchique, et génère des actions en boucle fermée. Le système a été évalué sur quatre tâches de manipulation mobile en conditions réelles avec un manipulateur mobile : placement d'objets rigides, manipulation d'objets articulés, et interaction avec des objets déformables. Les expériences se sont déroulées sous positions initiales aléatoires et perturbations visuelles contrôlées. Les auteurs rapportent des taux de succès et une robustesse supérieurs aux baselines d'imitation learning et aux modèles vision-langage-action (VLA) dans des conditions de contrôle identiques. À noter : l'abstract ne fournit pas de chiffres quantitatifs précis (taux de succès, fréquence de contrôle, payload), ce qui limite l'évaluation indépendante des gains annoncés. Le problème central adressé est rarement traité explicitement dans la littérature VLA : quand un robot se déplace de manière autonome, les changements continus de point de vue caméra provoquent des variations d'échelle visuelle significatives sur les objets cibles, ce qui dégrade la génération de mouvements fondée sur la vision. Les modèles VLA actuels, entraînés sur des données à échelle fixe ou simulées, peinent à compenser ce phénomène en déploiement réel. L'architecture proposée, en combinant attention stéréo structurée et modélisation temporelle prédictive, offre une piste crédible pour combler ce fossé sim-to-real sur des plateformes mobiles, une classe de robots particulièrement exposée à ce problème par rapport aux bras fixes. Ce travail s'inscrit dans un contexte de forte compétition sur la manipulation généraliste : Boston Dynamics, Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, et Figure avec ses plateformes humanoïdes investissent massivement dans des politiques VLA robustes au monde réel. La manipulation mobile reste un défi distinct de la manipulation fixe, car elle cumule les difficultés de navigation et de préhension dans des environnements non structurés. En l'absence d'affiliation institutionnelle dans le préprint et de code ou de vidéos publiés, il est prématuré d'évaluer la reproductibilité de l'approche. Les prochaines étapes naturelles seraient une publication sur benchmark standardisé (Open-X Embodiment, LIBERO) et un test sur plateformes commerciales comme les AMR équipés de bras (MiR, Clearpath, ou des acteurs européens comme Niryo ou Wandercraft sur des variantes mobiles).

Melody : un robot humanoïde maîtrise 39 degrés de liberté pour une présence quasi humaine

Realbotix, entreprise canadienne spécialisée dans la robotique humanoïde, déploie son robot Melody dans un rôle d'accueil lors de la conférence Bitcoin 2026 au Venetian Resort de Las Vegas, du 27 au 29 avril 2026. Melody appartient à la gamme M-Series, une plateforme modulaire à corps entier dotée de 39 degrés de liberté concentrés dans la partie supérieure du corps, la partie inférieure restant fixe. Le robot est disponible en configurations masculine, féminine ou sur-mesure, et peut être installé en position assise, debout ou de bureau. Alimenté par prise électrique standard sans contrainte de batterie, il tourne en continu sur une journée complète. Sur site, Melody accueille les participants, les aide à localiser les stands et répond aux questions générales grâce à un système d'IA conversationnelle propriétaire développé par Realbotix. La plateforme est proposée à partir de 95 000 dollars, ce qui la positionne clairement dans le segment haut de gamme des interfaces physiques d'accueil. Ce qui est notable ici n'est pas tant la prouesse technique brute que le positionnement commercial : Realbotix cible explicitement les environnements à fort trafic humain où les bornes interactives classiques montrent leurs limites en termes d'engagement. Avec 39 DDL en partie supérieure, Melody peut produire des expressions faciales, des gestes et un contact visuel suffisamment fluides pour réduire l'effet "vallée dérangeante" qui a longtemps freiné l'adoption des robots humanoïdes en contexte public. La modularité des visages et panneaux de carrosserie ouvre la voie à des déploiements multi-marques ou multi-contextes sans changer de plateforme matérielle. Pour un intégrateur ou un décideur B2B, le modèle économique est celui d'un remplacement de kiosque à ROI mesurable sur la qualité d'interaction, non sur la productivité opérationnelle. Il faut cependant noter que cette présentation à Las Vegas reste une démonstration publique contrôlée, pas un déploiement commercial à grande échelle, et qu'aucune donnée de performance terrain n'a été publiée à ce stade. Realbotix opère dans un segment en pleine ébullition, celui des humanoïdes orientés "présence" plutôt que manipulation industrielle. La startup chinoise AheadForm pousse des concepts similaires avec ses séries Origin F1 et Elf, combinant IA auto-supervisée et mouvements bioniques avec synchronisation labiale précise. Ces acteurs se distinguent des approches Boston Dynamics ou Figure AI, qui visent la manutention et la logistique. Andrew Kiguel, PDG de Realbotix, positionne explicitement la M-Series comme une "interface physique pour l'IA" dans les secteurs de service, une thèse que plusieurs grandes chaînes hôtelières et aéroports testent discrètement depuis 2024. La suite logique serait des pilotes dans des environnements comme les hôtels, les banques ou les aéroports, mais Realbotix n'a pas annoncé de partenariats commerciaux formels au-delà de cette démonstration.