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

Dossier IA physique & VLA

2783 articles

L'IA physique : modèles vision-langage-action qui contrôlent des corps robotisés. État de l'art académique (CoRL, RSS) et premières productions industrielles.

Figure1X TechnologiesTesla OptimusBoston DynamicsUnitreeAgiBotApptronik ApolloAgility Robotics — DigitUBTechFourier IntelligenceSanctuary AIWandercraftTous les dossiers →
EAST : test de sécurité de l'IA incarnée par injection systématique de fautes dans des jumeaux numériques
1arXiv cs.RO RecherchePaper

EAST : test de sécurité de l'IA incarnée par injection systématique de fautes dans des jumeaux numériques

Des chercheurs proposent EAST (Embodied AI Safety Testing), un cadre de test fondé sur des jumeaux numériques, présenté dans un preprint arXiv (2610.34358). Il vise à transformer des risques de sécurité documentés dans la littérature en tests d'injection de fautes exécutables et vérifiables. Il s'appuie sur une taxonomie de fautes relue par des experts et sur huit opérateurs exécutables, assortis de contraintes d'applicabilité et de validité. Ces opérateurs couvrent cinq familles de perturbations: perception, instructions, environnements, actions et temporalité. Le processus comporte trois étapes: génération des spécifications de test, vérification que la faute est bien réalisée pendant l'exécution simulée, puis évaluation indépendante des défis de sécurité, des violations, des résultats de tâche et des signatures comportementales, à partir de l'état du simulateur. Les traces d'exécution et les enregistrements rejouables sont conservés. L'évaluation porte sur six tâches de manipulation RoboTwin et deux architectures de politiques, ACT et RDT, face à d'autres stratégies de test à budget équivalent. Sur cinq campagnes comparatives, EAST cible les 74 combinaisons tâche-politique-opérateur admissibles et obtient des preuves valides pour 63 d'entre elles. Son taux d'exposition aux défis de sécurité reste proche de celui des approches Random-Legal et Rule-Based. Surtout, 82 exécutions valides d'EAST terminent leur tâche malgré des violations de sécurité. Ce dernier chiffre est le résultat le plus parlant pour le secteur. Un robot peut atteindre son objectif tout en enfreignant une exigence de sécurité, et les évaluations centrées sur le taux de succès masquent donc ces risques. Pour les intégrateurs et les responsables de déploiement, cela pose une limite aux benchmarks de performance et de robustesse: un score de réussite élevé ne dit rien de la manière dont la tâche a été accomplie. La démarche apporte aussi de la traçabilité, avec des traces rejouables permettant d'attribuer une violation à une faute précise et de reproduire l'expérience, ce qu'exigeraient une certification ou un audit. Il faut toutefois relativiser. EAST n'améliore pas nettement l'exposition aux défis par rapport à des méthodes aléatoires ou à base de règles. Son apport est surtout la validité et la couverture des preuves, avec 63 cas valides sur 74, soit environ 85 %, et non une capacité supérieure à déclencher des défaillances. Les résultats restent aussi limités à la simulation et à deux politiques d'imitation. Ce travail s'inscrit dans un contexte où les politiques de manipulation (ACT, RDT) et les modèles vision-langage-action sont évalués surtout sur le succès de tâche, alors que les humanoïdes et manipulateurs entrent en usage industriel et que la sécurité fonctionnelle devient un sujet de conformité. Aucun produit, pilote ou calendrier n'est annoncé: il s'agit d'une contribution de recherche. Les suites logiques seraient l'extension à d'autres politiques, notamment les grands modèles VLA, et la validation du transfert vers du matériel réel, qui reste le vrai test du sim-to-real en matière de sécurité.

1 source
Labference : évaluer le lien entre raisonnement et action dans les laboratoires robotisés
2arXiv cs.RO 

Labference : évaluer le lien entre raisonnement et action dans les laboratoires robotisés

Des chercheurs publient sur arXiv (2610.35252) Labference, un benchmark destiné à évaluer le lien entre le raisonnement et l'action physique dans les laboratoires robotisés, un volet de ce qu'ils appellent l'« Embodied AI for Science ». Le dispositif ne mesure pas seulement la réussite globale d'une tâche. Il évalue séparément trois choses : la sélection de l'opération, son exécution physique et l'achèvement de la tâche. Le protocole fait varier de façon contrôlée les indices que reçoit le robot, afin de tester s'il adapte son comportement au résultat réellement observé. Par exemple, un dépôt raté modifie ce qu'il faut faire ensuite, alors que l'objectif expérimental reste identique. Des reprises assistées par un « Oracle » à partir de points de sauvegarde communs permettent aussi de comparer quelles formes d'aide améliorent les choix suivants et la réussite finale. Les premiers tests portent sur des tâches de pesée. Les politiques VLA (vision-langage-action) testées commettent des erreurs de sélection de cible, même quand les transferts d'objets réussissent. Le contrôle piloté par GPT choisit correctement la cible, mais connaît des échecs d'exécution et des coûts de calcul substantiels. L'article ne donne pas de chiffres dans son résumé, ni les noms précis des modèles VLA évalués. L'intérêt tient à ce diagnostic. Les benchmarks actuels de planification, de manipulation ou de flux de travail en laboratoire se contentent de taux de succès agrégés, qui masquent l'origine des échecs. Labference suggère que les deux familles d'approches échouent de manière complémentaire. Les VLA savent bouger mais choisissent mal, tandis que les planificateurs à base de LLM raisonnent bien mais agissent mal et lentement. Pour un intégrateur ou un responsable d'automatisation de laboratoire, cela relativise l'idée qu'un grand modèle de langage placé au-dessus d'un contrôleur appris suffit à produire une expérimentation autonome fiable. Cela montre aussi que la latence et le coût de calcul sont des critères de sélection à part entière, pas des détails. Il s'agit toutefois d'une évaluation initiale et limitée à la pesée. Il faudra voir si les conclusions se généralisent à d'autres protocoles, d'autres robots et d'autres politiques. Ce travail s'inscrit dans la montée des « laboratoires autonomes » (self-driving labs), où la robotique doit réduire les tâches répétitives et dangereuses tout en produisant des données pour la découverte scientifique. Les VLA généralistes de type Pi-0 ou GR00T ont progressé en manipulation, et les planificateurs fondés sur des LLM en décomposition de tâches. Leur intégration reste cependant mal mesurée, et c'est précisément le vide que cible Labference. Le papier est en première version (v1) et n'annonce ni déploiement industriel ni calendrier. La suite logique serait d'élargir les tâches, d'ouvrir le benchmark à d'autres équipes et d'utiliser les reprises Oracle pour décider où investir : meilleur raisonnement, exécution plus fiable ou boucles de retour plus rapides.

RecherchePaper
1 source
POD-RoPE : encodage positionnel rotatif sur les distributions d'observations physiques pour l'IA incarnée
3arXiv cs.RO 

POD-RoPE : encodage positionnel rotatif sur les distributions d'observations physiques pour l'IA incarnée

Des chercheurs présentent sur arXiv (preprint 2610.33745) POD-RoPE, un encodage positionnel rotatif conçu pour la perception embarquée. Plutôt que d'attribuer à chaque token une position ponctuelle, la méthode le décrit comme une distribution physique d'observation, c'est-à-dire un ensemble de centres de caméra, de directions de vue et d'instants d'échantillonnage. Sous hypothèse d'échantillonnage indépendant, les rotations moyennes encodent la relation entre deux distributions. Quand chaque distribution se réduit à un seul point, on retrouve le RoPE classique. Les mêmes statistiques servent à l'appariement Q/K et à des transformations V/O dépendantes de la cohérence, de sorte que la géométrie d'observation guide à la fois la sélection et l'agrégation de l'information. L'intégration dans Fast-WAM fait passer le taux de succès moyen de 91,83 % à 92,88 % sur les 50 tâches de RoboTwin 2.0, et de 32,5 % à 52,5 % sur deux tâches réelles avec le robot Sharpa North. Sur GPU H20, la méthode est 1,91 fois plus rapide que P-RoPE et 5,34 fois plus rapide que RayRoPE (passes avant et arrière, médiane), pour un surcoût médian de latence de 17,4 % par rapport au RoPE standard. L'intérêt pour les équipes qui entraînent des politiques robotiques tient au compromis. Les encodages sensibles à la géométrie de caméra existaient déjà, mais leur coût de calcul freinait leur adoption dans les grands modèles. POD-RoPE affiche un surcoût modeste sans allonger la séquence ni traiter des paires de nœuds d'observation. Le test a été mené sur quatre architectures de politique, ainsi que sur la reconstruction, l'estimation de profondeur et la synthèse de vues nouvelles. Il faut toutefois nuancer. Le gain en simulation est d'environ un point, sur un benchmark déjà proche de la saturation. Le gain réel, plus spectaculaire, porte sur seulement deux tâches, et le résumé ne donne ni le nombre d'essais ni les intervalles de confiance. Il s'agit d'un preprint sans validation par les pairs. Le travail s'inscrit dans la lignée du RoPE introduit en 2021 pour les modèles de langage, puis étendu à la vision multi-vues par des variantes comme P-RoPE et RayRoPE, qui servent ici de références. Il se place aussi dans la tendance des modèles du monde et des politiques vision-langage-action, dont Fast-WAM est un exemple. Aucun acteur européen n'est mentionné dans le résumé. La suite dépendra de la publication du code et de réplications sur d'autres plateformes que Sharpa North.

RecherchePaper
1 source
TRIAGE : une inférence vision-langage-action efficace exige à la fois réutilisation et élagage
4arXiv cs.RO 

TRIAGE : une inférence vision-langage-action efficace exige à la fois réutilisation et élagage

Des chercheurs proposent TRIAGE, une méthode d'inférence sans réentraînement pour accélérer les modèles vision-langage-action (VLA), ces réseaux qui transforment images de caméra et instruction en langage naturel en actions de robot. Le problème visé concerne les robots non reliés à un poste de travail, comme les manipulateurs mobiles et les humanoïdes. Ils doivent exécuter ces modèles sur des cartes embarquées, où la latence de « prefill » du backbone langage croît avec les centaines de tokens visuels traités à chaque pas de contrôle. Les accélérateurs existants ne recalculent qu'un sous-ensemble de tokens visuels. Ils élaguent les autres ou réutilisent leurs états clé-valeur (KV) en cache, mais appliquent une seule option à tous les tokens ignorés. Sur LIBERO et SimplerEnv, TRIAGE reste à moins de 3 points de pourcentage du recalcul complet en taux de succès moyen. Il réduit la latence de prefill jusqu'à 48 % sur un Jetson AGX Orin. Avec seulement 7 % des tokens visuels recalculés, il dépasse de 24,4 points la meilleure méthode de référence sur LIBERO-Object. Le point clé est un diagnostic au niveau du token. Le choix entre réutilisation et élagage dépend de la « dérive » du token, c'est-à-dire l'écart de sa valeur en couches superficielles depuis le calcul de son cache. Sur les deux backbones testés, réutiliser un token sous un certain seuil de dérive n'est pas pire que l'élaguer. Au-delà, la réutilisation produit jusqu'à 4,4 fois plus d'erreur d'action que l'élagage. Le même diagnostic permet de calibrer ce seuil pour chaque backbone. Pour un intégrateur, cela contredit l'idée qu'une seule stratégie de saut suffit, et cela donne une règle simple pour tenir un budget temps réel. Le budget de tokens recalculés fixe directement la latence de prefill, ce qui la rend prévisible. Les limites sont à garder en vue : les résultats viennent de benchmarks simulés, avec un gain de latence mesuré sur une seule plateforme embarquée. Aucune validation sur robot réel n'est annoncée. TRIAGE tient un cache pour valide si sa dérive est sous le seuil et s'il n'est pas trop ancien. Il recalcule un budget fixe de tokens en priorisant les tokens importants dont le cache est invalide. Il réutilise tous les autres tokens à cache valide et élague le reste. Les méthodes qui élaguent seulement ou réutilisent seulement en sont les deux cas extrêmes. Ces travaux s'inscrivent dans la recherche d'inférence efficace pour VLA, portée par la contrainte des cartes comme le Jetson AGX Orin sur les plateformes mobiles. Il s'agit d'une prépublication arXiv, sans code ni calendrier de déploiement mentionnés. La suite logique serait une validation sur matériel réel et sur d'autres familles de VLA.

IA physiquePaper
1 source
HuGe : passage à l'échelle de modèles vision-langage-action (VLA) généralistes pour humanoïdes grâce à l'expérience égocentrique
5arXiv cs.RO 

HuGe : passage à l'échelle de modèles vision-langage-action (VLA) généralistes pour humanoïdes grâce à l'expérience égocentrique

Des chercheurs présentent HuGe, une famille de VLA (modèles vision-langage-action) généralistes pour humanoïdes, pré-entraînés sur plus de 2 000 heures de données égocentriques, humaines et robotiques. HuGe ne propose pas de nouvelle architecture. Il réutilise trois architectures VLA existantes, qui prédisent des « tokens de mouvement » latents transmis à un contrôleur du corps entier pré-entraîné, ainsi que des signaux de commande des mains. L'entraînement se fait en trois étapes: pré-entraînement sur données égocentriques, adaptation à l'humanoïde, puis fine-tuning sur la tâche cible. Deux techniques comblent l'écart entre humain et robot. Pendant le pré-entraînement, des états pseudo-proprioceptifs sont reconstruits par rejeu en simulation, car les vidéos humaines n'ont pas de proprioception robot. Pendant le fine-tuning, l'apparence des bras est modifiée par re-rendu pour ressembler à celle du robot. Les auteurs revendiquent l'état de l'art sur le benchmark de simulation HumanoidArena. En réel, sur un Unitree G1, ajouter des démonstrations égocentriques adaptées visuellement aux démonstrations robot augmente nettement le taux de réussite d'une tâche de saisie et dépose (pick-and-drop). L'enjeu est le coût de la donnée. La téléopération d'humanoïdes en corps entier est lente et chère, alors que les vidéos égocentriques humaines se collectent vite et à grande échelle. Si le transfert tient, cela déplace le goulot d'étranglement de la téléopération vers la curation de vidéos. Le découplage entre VLA et contrôleur corps entier, qui assure l'équilibre et la locomotion, réduit aussi la difficulté pour le modèle. Les résultats appellent toutefois à la prudence. L'évaluation réelle porte sur une seule tâche et un seul robot, et le résumé ne donne pas de taux de réussite chiffrés. Le record sur HumanoidArena reste un résultat de simulation, et rien ne prouve encore la généralisation à des tâches de manipulation plus longues ou plus fines. HuGe s'inscrit dans la course aux modèles fondation pour humanoïdes, aux côtés de GR00T de NVIDIA, de Pi-0 de Physical Intelligence ou de Helix de Figure, qui misent surtout sur de la donnée robot et de la simulation. Plusieurs équipes explorent aussi la vidéo humaine comme source d'expérience. Le choix du Unitree G1, plateforme de recherche abordable et très répandue, facilite la reproduction par d'autres laboratoires. Les prochaines étapes à surveiller sont la publication des poids et du code, des évaluations multi-tâches sur plusieurs robots, et la mesure du gain réel en heures de téléopération économisées.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
RoboDuo : tentative, vérification et récupération atomique par le code pour les modèles vision-langage-action (VLA)
6arXiv cs.RO 

RoboDuo : tentative, vérification et récupération atomique par le code pour les modèles vision-langage-action (VLA)

RoboDuo, un framework décrit dans une prépublication arXiv (2610.34108), propose de corriger les échecs des modèles Vision-Language-Action (VLA) sur les tâches longues en utilisant du code comme interface. Un agent de code rédige un programme qui laisse d'abord un VLA « full-task » tenter l'ensemble de la tâche, puis vérifie si elle est achevée. En cas d'échec, un second VLA, dit « atomique », exécute les étapes restantes. L'agent n'émet aucune action: il choisit seulement quel VLA exécuter, ce qui permet d'envelopper un VLA existant sans toucher à ses poids. Pour entraîner le VLA atomique et l'agent (qui doit savoir juger l'achèvement d'une tâche), les auteurs ont construit trois jeux de données, LIBERO-Atomic, LIBERO-Code et LIBERO-Judge, tous dérivés d'un unique ensemble de démonstrations LIBERO. Sur les benchmarks LIBERO et LIBERO-PRO, RoboDuo améliore de façon constante X-VLA et π0.5, avec les gains les plus marqués sur les tâches à long horizon. Sur un robot réel, il récupère des exécutions échouées d'un VLA gelé. Le résumé ne fournit ni taux de réussite chiffrés ni détail sur la plateforme physique ou le nombre d'essais. L'intérêt tient à un constat que beaucoup d'intégrateurs connaissent: un VLA exécute une instruction sans vérifier qu'elle est accomplie, si bien qu'une étape manquée dans une séquence longue ruine toute la tâche, sans que le système s'en aperçoive. RoboDuo traite ce point par une boucle fermée de vérification et de reprise, sans réentraîner le modèle principal, ce qui réduit le coût d'adoption pour qui a déjà investi dans un VLA. L'idée de s'appuyer sur le fait qu'un épisode raté est souvent partiellement réussi, et que les étapes restantes sont des compétences atomiques réutilisables, est pragmatique. En revanche, la validation reste essentiellement en simulation, sur des benchmarks de manipulation sur table, et la démonstration réelle semble limitée. Elle ne dit rien de la fiabilité du juge d'achèvement en conditions industrielles (faux positifs, latence, occlusions), ni du temps de cycle ajouté par la tentative suivie d'un contrôle puis d'une reprise. Ce travail s'inscrit dans la tendance à superviser les VLA par des couches de planification ou de vérification, à côté des architectures à deux systèmes comme Helix de Figure ou GR00T, et des approches où un modèle de langage génère du code de contrôle. Il se distingue en laissant le VLA principal intact et en limitant l'agent à un rôle d'aiguillage. Les modèles améliorés, X-VLA et π0.5 de Physical Intelligence, sont des références ouvertes, ce qui facilite la reproduction. Les suites logiques seraient des tests sur des tâches plus longues et plus variées, hors LIBERO, avec des mesures de temps de cycle et de taux de reprise sur plusieurs plateformes, ainsi qu'une confrontation à d'autres méthodes de détection d'échec et de récupération.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
JevVLA : adaptation à base d'énergie inspirée de Jev pour les politiques vision-langage-action
7arXiv cs.RO 

JevVLA : adaptation à base d'énergie inspirée de Jev pour les politiques vision-langage-action

JevVLA est un cadre d'adaptation léger pour les politiques vision-langage-action (VLA), publié sur arXiv (2610.35010) par une équipe dont le dépôt GitHub, ZJU4EmbodiedAI, suggère un rattachement à l'université du Zhejiang. La politique de base reste gelée. Les auteurs entraînent par-dessus un modèle à énergie, c'est-à-dire un réseau qui attribue un score scalaire différentiable à une action selon l'observation et le contexte de la tâche. L'apprentissage s'appuie sur le retour d'exécution, des corrections d'experts ou des préférences dérivées de démonstrations. Ce score sert de deux façons. Pour le pick-and-place, il classe des candidats discrets. Pour le contrôle de mouvement, son gradient corrige ou guide des séquences d'actions continues. Le même noyau, d'environ 80 000 paramètres, gère les deux cas, avec des poids entraînés séparément pour chaque benchmark. Les gains de taux de succès sur les jeux de test sont de 1,28 point sur MetaWorld MT50, 2,31 sur VIMA, 1,60 sur LanguageTable, 1,52 sur LIBERO Plus et 1,28 sur CLIPort. Le code doit être publié en open source, mais il ne l'est pas encore. L'intérêt est d'abord d'ingénierie. Une couche de 80 000 paramètres, face aux milliards d'une politique de base, se greffe sans réentraîner ni dégrader ce qu'elle sait déjà faire. C'est une piste pour les intégrateurs qui veulent corriger un VLA sur un site précis sans toucher au modèle d'origine. Les résultats restent toutefois modestes. Des gains de 1 à 2 points sont proches de ce que peut produire la variance d'entraînement. Le résumé ne précise ni le nombre de graines ni les intervalles de confiance. Tout est évalué en simulation, aucun robot physique n'est cité, et les comparaisons portent sur des contrôles de base appariés. Cela ne dit rien de l'écart entre simulation et réel, ni de la robustesse hors distribution. Le texte ne livre pas non plus de coût de latence à l'inférence. Or le guidage par gradient ajoute des calculs à chaque pas de contrôle. Le travail s'inscrit dans le courant des méthodes d'adaptation légères des VLA, qui cherchent des alternatives au réglage fin complet ou aux adaptateurs de type LoRA, et il reprend l'idée du modèle à énergie utilisé comme vérificateur ou guide. Le nom fait référence à Jev, un modèle de décision probabiliste de TypeSafe. L'inspiration est donc conceptuelle, et le papier ne présente pas de reprise du modèle lui-même. La suite dépendra de la publication du code, de validations sur robot réel et de comparaisons directes avec les autres méthodes d'adaptation sur des politiques de référence.

RecherchePaper
1 source
Le nouveau robot H2-X d'Unitree perd une jambe lors d'une démonstration publique
8TechNode 

Le nouveau robot H2-X d'Unitree perd une jambe lors d'une démonstration publique

Le H2-X de Unitree Robotics, présenté la veille, a perdu une jambe lors d'une démonstration publique à Hangzhou, jeudi dernier, pendant la World Physical AI Conference 2026 et la conférence de l'écosystème de partenaires de Unitree. Lors de la réception d'un saut périlleux latéral, sur un tapis rembourré noir, le robot n'a pas réussi à stabiliser son centre de gravité et est tombé sur le côté. Le choc a détaché complètement son tibia droit au niveau de l'articulation. Des spectateurs ont filmé la scène, qui a rapidement circulé sur les réseaux sociaux et dans les canaux professionnels. Le H2-X avait été lancé le 21 octobre sous le slogan « Kung Fu Legend: Guardian », et Unitree le destine à la patrouille de sécurité, au secours d'urgence et à d'autres usages de protection. Ses vidéos promotionnelles le montrent laissant des impacts de coup de pied dans une portière, soulevant l'avant d'un véhicule à mains nues et réussissant un salto arrière après un saut depuis une plateforme de quatre mètres. L'entreprise annonce aussi une autonomie maximale d'environ huit heures, contre trois heures pour le H2 standard. Il s'agit de chiffres constructeur, sans protocole de mesure publié. Cet incident rappelle l'écart entre la vidéo de démonstration et le fonctionnement en direct. Lors d'un saut périlleux latéral, la force de réaction au sol à la réception peut atteindre plusieurs milliers de newtons. Elle sollicite fortement les liaisons de jambe, les servomoteurs articulés et le contrôle d'équilibre du corps entier. Quelques millisecondes de retard dans la correction de posture peuvent suffire à faire dépasser sa limite en cisaillement à une goupille porteuse. Pour gagner en poids et en dynamique, les jambes recourent largement à la fibre de carbone, dont la redondance structurelle est limitée en cas de surcharge. Il s'agit là d'explications techniques plausibles, pas d'un diagnostic: Unitree n'a donné aucune cause. Un accident isolé n'invalide pas l'approche pour un produit de sécurité et de secours. Pour un intégrateur ou un décideur B2B, il montre en revanche que la fiabilité, les mécanismes de sécurité en cas de défaillance et la tenue sur la durée comptent davantage que la performance acrobatique d'un spectacle. Ironie du calendrier, le PDG Wang Xingxing avait souligné le jour même qu'un défi central de l'IA incarnée est d'aligner les entrées et sorties des modèles sur les robots réels. Un modèle peut produire des commandes sophistiquées sans que le robot les exécute fidèlement, à cause des écarts entre capteurs et actionneurs. Unitree s'est imposé comme l'un des acteurs les plus visibles de la robotique humanoïde chinoise, en misant sur des démonstrations de forces et d'agilité spectaculaires, ce qui l'expose davantage aux ratés en public. Le H2-X vise un positionnement « robot gardien » face à des concurrents comme Figure, Tesla avec Optimus ou Agility Robotics, dont les messages portent davantage sur la logistique et l'usine. À ce stade, l'entreprise n'a publié ni communiqué officiel, ni résultats d'enquête, ni plan d'amélioration. Le secteur attend ces éléments pour juger si la défaillance relève d'un défaut de conception de l'articulation, d'un réglage du contrôle de la réception ou d'une limite assumée de ces mouvements extrêmes. Les prochaines semaines diront aussi si les clients visés pour la sécurité et le secours demanderont des données de fiabilité plus rigoureuses avant d'acheter.

Chine/AsieActu
1 source
Une startup shenzhenoise de puces d'IA incarnée, Primotion, dévoile Paimon-0 et réduit l'inférence par blocs d'actions à 300 ms
9Pandaily 

Une startup shenzhenoise de puces d'IA incarnée, Primotion, dévoile Paimon-0 et réduit l'inférence par blocs d'actions à 300 ms

Primotion, une startup de Shenzhen fondée en juillet 2026 pour concevoir des puces dédiées à l'IA embarquée, fait ses débuts publics avec un modèle plutôt qu'avec du silicium. Son modèle de fondation Paimon-0 revendique la première place sur plusieurs benchmarks robotiques publics : 0,7754 sur le classement RoboColiseum (dont les sous-classements de manipulation générale et d'adaptation aux perturbations), 58,1 au global sur RoboCasa365, 0,73 de taux de succès moyen sur VLA-Arena, et une victoire à un concours de politiques pour robots bimanuels avec 46,599 points. Ces résultats sont tous auto-déclarés. Le modèle repose sur un « world action model » : il prédit des états futurs qu'un modèle de dynamique inverse convertit en actions. Comme le rendu vidéo complet du futur est trop lent pour le temps réel, Paimon-0 utilise des query tokens pour ne distiller que les caractéristiques essentielles (pose 3D des objets, sémantique, affordances) avant de prédire les actions directement sur le robot. Selon Primotion, l'inférence d'un seul action chunk passe ainsi d'environ 3 000 ms à 300 ms. L'entreprise précise qu'il s'agit du temps d'inférence par chunk et non de la période de la boucle de contrôle bas niveau. Le préentraînement s'appuie largement sur des vidéos de manipulation humaine à la première personne fournies par son partenaire EgoScale. Le point notable est la démarche : une entreprise de puces commence par le modèle. Son PDG, Ren Qingyuan, ancien vice-président d'un fabricant de processeurs RISC-V, soutient qu'il faut d'abord boucler la chaîne complète données, modèle, agent et évaluation sur des tâches clients réelles, puis s'en servir pour définir la puce. L'architecture combine un planificateur dans le cloud (« méta brain ») et un « cerveau local » embarqué chargé du retour haute fréquence (vision, toucher, force). Côté matériel, l'ajout d'un FPGA à côté du contrôleur principal du robot pour déporter le pré et le post-traitement aurait réduit l'erreur de temporisation dans le pire cas, sur un cycle EtherCAT à 1 kHz, de 30 microsecondes en mode logiciel à 152 nanosecondes. C'est un résultat concret pour les intégrateurs sensibles au déterminisme temps réel, même si la chiffre reste à valider hors du banc de la société. Pour les décideurs, il faut distinguer ce qui relève de l'annonce (classements non audités, aucun déploiement client cité, aucune puce livrée) de ce qui est démontré. Ce positionnement s'inscrit dans la course chinoise aux modèles embarqués, où d'autres acteurs publient des modèles ouverts, comme Lambda-0 d'Amap ou Motubrain 2.0 de ShengShu, tandis que Nvidia domine l'inférence embarquée avec ses modules Jetson Thor et le modèle GR00T. Primotion dit ne pas vouloir construire de corps de robot, ce qui le place en fournisseur de couche logicielle et silicium pour les fabricants d'humanoïdes. Le calendrier annoncé est le suivant : un second modèle de fondation entraîné sur données égocentriques dans environ trois mois, l'ouverture en code source de son benchmark de progression Paimon-Eval en novembre ou décembre, et le début des livraisons de son système sur puce (SoC) en 2028. Ce dernier horizon laisse deux ans pendant lesquels la startup devra prouver, sur des charges réelles, que sa thèse « le modèle définit la puce » tient face à des plateformes déjà établies.

Chine/AsieActu
1 source
Les VLA savent-ils qu'ils vont échouer ? Schémas interprétables de réussite et d'échec dans les systèmes d'IA physique
10arXiv cs.RO 

Les VLA savent-ils qu'ils vont échouer ? Schémas interprétables de réussite et d'échec dans les systèmes d'IA physique

Des chercheurs publient sur arXiv (2610.32208, première version) une étude qui teste si les modèles Vision-Language-Action (VLA) « savent » qu'ils vont échouer. Les VLA sont des politiques robotiques généralistes qui transforment images et instructions en langage naturel en commandes moteur. Le travail porte sur OpenVLA. Les auteurs appliquent des autoencodeurs parcimonieux (sparse autoencoders, SAE) aux activations internes du modèle. Ils montrent que ces représentations contiennent une information prédictive du résultat de la tâche, ce qui permet d'anticiper un échec avant que le robot n'atteigne un état irrécupérable. Ils isolent aussi des features individuelles dont les fortes activations correspondent à des étapes précises de réussite ou d'échec. En localisant les intervalles temporels où ces activations changent nettement, ils font apparaître des comportements récurrents. Un pipeline fondé sur un VLM génère ensuite des descriptions textuelles de ces motifs, validées sur des intervalles mis de côté. Le résumé disponible ne donne ni taux de précision, ni horizon de prédiction, ni détail sur les tâches ou benchmarks utilisés. Ces points devront être vérifiés dans le texte complet. L'enjeu est la fiabilité en production. Aujourd'hui, un VLA se juge surtout au taux de succès global mesuré sur un banc d'essai, sans visibilité sur les causes des échecs ni moyen de les détecter en cours d'exécution. Un signal interne prédictif ouvrirait la voie à des moniteurs de sécurité. Le robot pourrait ralentir, redemander une instruction, passer la main à un opérateur ou relancer une prise avant l'erreur irréversible. Pour un intégrateur ou un COO industriel, c'est la différence entre une démo convaincante et un système dont on peut documenter le comportement. L'interprétabilité des features rendrait aussi les échecs diagnostiquables par motif, et non plus seulement comptabilisés. Il s'agit toutefois d'un résultat de recherche sur un modèle ouvert. Rien n'indique qu'il se transpose tel quel aux politiques propriétaires, ni qu'il tienne hors des conditions testées. Les SAE viennent de l'interprétabilité des grands modèles de langage, où ils servent à décomposer les activations en concepts lisibles. Leur transfert vers la robotique répond à la généralisation des VLA après RT-2 et OpenVLA, puis des modèles plus récents comme Pi-0, GR00T ou Helix, dont la nature de boîte noire freine le déploiement. Des travaux concurrents explorent d'autres voies pour estimer l'incertitude ou détecter les échecs, comme la quantification d'incertitude ou les modèles de récompense appris. La suite logique serait de tester l'approche sur d'autres architectures, en robot réel, et de boucler la détection avec une action corrective.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
SceneBloom : génération d'environnements intérieurs à base d'agents, aux agencements réalistes et variés, pour l'IA incarnée
11arXiv cs.RO 

SceneBloom : génération d'environnements intérieurs à base d'agents, aux agencements réalistes et variés, pour l'IA incarnée

SceneBloom, un framework agentique publié sur arXiv (2610.32978) et disponible en open source sur GitHub, vise à générer des environnements d'intérieur à la fois réalistes, variés et directement exploitables en simulation pour entraîner des agents incarnés. Le système combine un échantillonnage de dispositions visuelles et une « compilation » 3D guidée par des contrats. Un échantillonneur hiérarchique s'appuie sur des a priori de diffusion pour placer les meubles par zones fonctionnelles. Un compilateur extrait ensuite les relations spatiales de chaque proposition pour guider l'ajustement géométrique et la correction locale des poses. Sur cinq types de pièces, les auteurs annoncent la meilleure qualité visuelle et la meilleure stabilité physique parmi les méthodes comparées. SceneBloom est aussi la seule à ne produire aucune collision de maillage ni objet hors limites détecté. Ses agencements sont plus proches de la distribution de vraies pièces que ceux de toutes les références testées. Le résultat le plus parlant pour les équipes robotique concerne l'entraînement. Des politiques de navigation vers un objet, entraînées sur ces scènes générées, obtiennent un meilleur taux de succès sur des scans réels non vus que des politiques entraînées sur un nombre égal de scans réels d'entraînement. Si ce résultat se confirme, il suggère que des environnements synthétiques bien contraints peuvent remplacer, voire dépasser, la capture coûteuse de pièces réelles, un goulot d'étranglement connu pour le sim-to-real. Il montre aussi que la validité physique (absence de collisions, de pénétrations) compte autant que le réalisme visuel. Il faut toutefois rester prudent : l'évaluation porte sur la navigation vers des objets, pas sur la manipulation, qui exige des contacts et une physique bien plus fines. Les chiffres détaillés, les baselines et les jeux de scans utilisés ne figurent pas dans le résumé, et le gain reste à vérifier sur d'autres tâches et d'autres simulateurs. Ce travail s'inscrit dans une série de méthodes de génération de scènes. Les approches guidées par le langage, fortes en planification sémantique mais faibles en ancrage spatial précis, coexistent avec celles qui exploitent des modèles génératifs visuels, riches en a priori mais dont les sorties ne sont pas des scènes 3D physiquement valides. SceneBloom cherche à combler ce fossé en séparant l'idée de disposition de sa vérification géométrique. Pour les acteurs qui développent des modèles généralistes de type VLA ou des politiques de navigation, la disponibilité du code permet une reproduction rapide. La suite logique serait de tester la méthode sur des tâches de manipulation et des pièces plus complexes, ainsi que sur des robots réels, avant d'en tirer des conclusions pour un usage industriel.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Teradyne Robotics s'associe à Sereact pour déployer l'IA physique à grande échelle dans le commerce et la logistique
12Robotics Business Review 

Teradyne Robotics s'associe à Sereact pour déployer l'IA physique à grande échelle dans le commerce et la logistique

Teradyne Robotics, maison mère de Universal Robots (bras collaboratifs) et de Mobile Industrial Robots (AMR), a annoncé un partenariat avec la start-up allemande Sereact lors de NVIDIA GTC Berlin 2026. Le logiciel de physical AI de Sereact, baptisé Cortex, pilote désormais des bras UR dans des systèmes à deux bras destinés aux tâches non structurées: gestion des retours, pièce picking, tri, induction de commandes, machine tending, consolidation de bacs, kitting et emballage. Les partenaires affirment avoir déjà livré des centaines de robots UR en configuration dual-arm chez des clients européens. Premier cas cité: CEVA Logistics déploie le système pour Zalando dans ses centres de Greven (Allemagne) et Świebodzin (Pologne), où les robots traitent de façon autonome des articles de mode retournés. Il s'agit de la première phase d'une extension prévue à l'échelle européenne. Sereact a par ailleurs ouvert cet été son siège américain à Charlestown (Massachusetts) pour préparer l'arrivée sur le marché nord-américain. Pour les intégrateurs et les directeurs logistiques, l'intérêt tient moins à la technologie qu'à son mode de distribution. Un modèle unique, sans réentraînement par article ou par tâche, et dont les apprentissages sont partagés entre robots, est adossé à la base installée d'Universal Robots (plus de 100 000 déploiements industriels, selon Teradyne) et à son réseau mondial de distributeurs. C'est un canal que peu de start-ups de manipulation par IA peuvent mobiliser. Les retours e-commerce constituent un bon test: séquence imprévisible, formes, orientations et emballages variables, mix qui change en continu. La contrainte réglementaire ajoute un moteur économique, puisque la réglementation européenne interdit la destruction ou la mise en décharge des invendus retournés, ce qui oblige à les reconditionner vite. Il faut toutefois rester prudent: le communiqué, rédigé par les deux partenaires, n'avance ni taux de prise réussie, ni cadence, ni taux d'intervention humaine, ni nombre précis de sites. Le « bien au-delà du pilote » reste donc une affirmation à confirmer par des chiffres d'exploitation, et « des centaines de robots » ne dit pas combien sont en production réelle. Côté technique, NVIDIA est partie prenante de la chaîne: Cortex est entraîné dans Isaac Sim avec les modèles de monde ouverts Cosmos, post-entraîné par apprentissage par renforcement avec Isaac Lab, puis évalué sur le matériel de Teradyne avant déploiement. Cette approche simulation puis réel confirme la place croissante des jumeaux numériques dans l'industrialisation des modèles de manipulation. Teradyne positionne ses bras comme une plateforme ouverte et connectée pour l'ère de l'IA, face à des acteurs qui intègrent verticalement matériel et modèle, comme les fabricants d'humanoïdes, et à d'autres éditeurs de logiciels de picking (Covariant, Dexterity, Nomagic, entre autres). Le point à suivre sera l'extension annoncée des déploiements Zalando en Europe, puis les premiers sites nord-américains portés par le bureau du Massachusetts.

UELe déploiement de robots UR pilotés par Sereact chez CEVA Logistics pour Zalando en Allemagne et en Pologne, avec une extension européenne prévue, concerne directement la logistique e-commerce européenne et sa contrainte réglementaire sur les invendus retournés.

FR/EU ecosystemeActu
1 source
Generative Bionics lance une usine de données d'IA physique en Italie
13Robotics Business Review 

Generative Bionics lance une usine de données d'IA physique en Italie

Generative Bionics, société génoise de robotique humanoïde, a annoncé la construction d'une « Physical AI Data Factory » en Italie. Ce hub de 5 000 m² doit entrer en service au quatrième trimestre 2027. Il s'agit pour l'instant d'une annonce de projet, sans site précis ni budget communiqués. L'entreprise prévoit ensuite un deuxième site ailleurs en Europe, puis un troisième destiné aux marchés mondiaux. Chaque site reproduira des environnements industriels choisis avec des partenaires, où des flottes de robots GENE.01 exécuteront des tâches en continu. Les données collectées incluent la vision et le mouvement, mais aussi les signaux de la peau multimodale du robot : positions, vitesses, accélérations, température et forces de contact. Chaque environnement et chaque configuration seront aussi recréés en jumeau numérique, pour rejouer les tâches dans des milliers de variations de disposition, d'objets, de matériaux et de modes de défaillance. AMD fournit l'infrastructure de calcul, avec son architecture rack-scale Helios, pour traiter les données physiques et synthétiques et entraîner des « world action models » (WAM). L'intérêt tient à l'objet que l'entreprise cherche à industrialiser : un cycle réel-simulation-réel qui sert à valider le robot complet (perception, contrôle, comportement de sécurité, exécution de tâche) avant son arrivée chez le client. Si le modèle fonctionne, le déploiement d'un humanoïde reposerait sur une configuration et une validation préalables en environnement répliqué, et non sur des essais sur site. C'est la réponse à l'écart entre démo et réalité, qui reste l'obstacle principal du secteur. Le discours du CEO Daniele Pucci, selon qui la robotique ne se réduit ni à la vision ni au langage, vise les VLA entraînés surtout sur de la vidéo et du texte. Aucune performance de GENE.01 n'est toutefois publiée dans cette annonce : ni payload, ni DOF, ni temps de cycle, ni client nommé. La thèse reste donc à démontrer. Le projet s'inscrit dans une logique de « souveraineté humanoïde » européenne. Pucci y voit un avantage compétitif : quarante ans d'automatisation industrielle en Europe fournissent des environnements réels dont extraire des données. Generative Bionics, issue de l'écosystème de recherche génois, se positionne face à des acteurs américains et chinois qui disposent de flottes, de capitaux et de données propriétaires bien plus importants, comme Figure, Tesla avec Optimus ou Agility, ainsi que les plateformes de modèles de NVIDIA. En Europe, les concurrents sont notamment Neura Robotics en Allemagne et Enchanted Tools en France. L'échéance de fin 2027 laisse peu de visibilité sur les premiers pilotes industriels, et les partenaires de sites de reproduction n'ont pas encore été annoncés. Le calendrier de construction et la capacité réelle à déployer des flottes dans ces hubs seront les premiers indicateurs à surveiller.

UEGenerative Bionics, issue de l'écosystème génois, prévoit un hub de données d'IA physique en Italie puis un second site en Europe, renforçant la capacité européenne de robotique humanoïde.

FR/EU ecosystemeActu
Aussi surRobotics & Automation News
Le robot humanoïde de NEURA, 20 % plus léger et doté de capteurs de toucher et de force, se rapproche de la production
14Interesting Engineering 

Le robot humanoïde de NEURA, 20 % plus léger et doté de capteurs de toucher et de force, se rapproche de la production

NEURA Robotics a dévoilé le 22 octobre 2026 le 4NE1 Gen 4, quatrième génération de son humanoïde, présentée comme conçue pour la production en série et 20 % plus légère que la précédente. Le robot adopte un corps plus fin, une peau textile noire, des mains plus précises et des « Smart Limbs », des membres capables de réagir individuellement à leur environnement. Il embarque Neuron AI, un modèle Perception-Langage-Action qui convertit en mouvements la vision, le toucher, la force, le son et l'état interne du robot. L'annonce coïncide avec l'ouverture du TUM RoboGym, un centre de 2 300 m² créé avec l'Université technique de Munich près de l'aéroport de Munich. Les entraînements y ont commencé en septembre, avec des participants de plus de dix secteurs (automobile, pharmacie, medtech, emballage, logistique, agriculture, soins). Les démonstrations portent sur la manipulation de cartons, le remplissage de bouteilles et le chargement de pièces en bois. Le 4NE1 Gen 4 opère déjà dans les « NEURA Gyms ». L'article ne donne ni payload, ni nombre de DOF, ni prix, ni volume ou calendrier de production. L'intérêt tient moins au gain de masse qu'au pari sur la perception tactile et la force. Un robot qui doit vérifier qu'une fixation a bien « cliqué » lors d'un assemblage cible des tâches où la caméra seule ne suffit pas, ce qui reste un verrou pour les VLA purement visuels. Pour un intégrateur ou un COO industriel, le RoboGym propose en outre un moyen concret d'évaluer un robot sur son propre process avant d'investir, ce qui répond au fossé entre démonstration et réalité en atelier. Il faut toutefois rester prudent : l'allègement de 20 % est annoncé sans valeur absolue, les capacités de Neuron AI ne sont étayées par aucun taux de réussite ni temps de cycle publié, et la mention « préparé pour la série » relève de l'intention, pas d'un produit livré. Le partage de compétences entre robots via la plateforme Neuraverse reste, à ce stade, une promesse d'architecture plutôt qu'un résultat mesuré à l'échelle. NEURA, entreprise allemande connue d'abord pour ses bras cognitifs et ses robots mobiles d'assistance, élargit ici sa plateforme vers l'humanoïde, une stratégie de « Physical AI » intégrée, du matériel au modèle de fondation. Elle s'adosse à un ancrage académique européen, là où ses concurrents américains et asiatiques, comme Figure, Tesla avec Optimus ou Agility, misent surtout sur des déploiements pilotes chez de grands industriels. Son positionnement se joue sur l'écosystème : un lieu d'entraînement partagé, des données réelles et des partenaires sectoriels, plutôt que sur une démonstration isolée. Le texte indique que NEURA et TUM se sont engagés sur une période initiale de trois ans, dont le détail est tronqué dans la source. Les prochaines échéances à surveiller sont la date de lancement de la production en série, les premiers clients nommés et la publication de métriques vérifiables en conditions industrielles.

UELe 4NE1 Gen 4 de l'allemand NEURA et le TUM RoboGym près de Munich offrent aux industriels européens un lieu concret pour évaluer un humanoïde sur leurs propres processus avant tout investissement.

FR/EU ecosystemeActu
1 source
FocusVLA : routage dynamique des vues guidé par l'intention future pour les modèles vision-langage-action (VLA)
15arXiv cs.RO 

FocusVLA : routage dynamique des vues guidé par l'intention future pour les modèles vision-langage-action (VLA)

FocusVLA, un framework présenté sur arXiv (2610.31423), cible un défaut des modèles vision-langage-action (VLA) pour la manipulation robotique. Ces modèles unifient perception visuelle, compréhension du langage et génération d'actions, et utilisent couramment plusieurs caméras (vue globale et vue poignet) pour mieux observer objets, effecteur et relations spatiales. Les auteurs constatent que les VLA existants exploitent mal cette complémentarité: la politique s'appuie de façon persistante sur la vue poignet et ne rééquilibre pas la dépendance global/local selon les phases de la tâche (approche, saisie, placement). FocusVLA ajoute un routage dynamique des vues. Un module prédit l'intention d'interaction future à partir de l'historique des actions, puis cette prédiction pilote la pondération des vues pendant la génération d'actions. Sur le benchmark simulé RoboTwin 2.0, le taux de succès moyen progresse de 10,10 points de pourcentage par rapport à la meilleure référence, π0.5 de Physical Intelligence. En évaluation réelle, le succès passe de 71,7 % à 85,0 %, soit un gain de 13,3 points sur π0.5. Les auteurs précisent que les modules de prédiction d'intention et de routage s'intègrent à des cadres VLA existants sans modifier leur architecture centrale. L'intérêt tient moins au score qu'au diagnostic. Beaucoup de systèmes déployés ajoutent des caméras en supposant que le modèle saura s'en servir. Ce travail suggère que ce n'est pas le cas: une politique qui se repose sur la caméra poignet est plus fragile quand l'objet est occlus, que la pose globale compte ou que la scène change. Pour un intégrateur, cela renvoie à la robustesse hors démonstration, là où les échecs se concentrent aux transitions entre phases. Le caractère modulaire est aussi un point pratique: un greffon compatible avec des VLA existants peut être testé sans réentraîner une architecture entière, ce qui réduit le coût d'expérimentation. Il faut toutefois lire les chiffres avec prudence. Le test réel n'est pas décrit ici (nombre de tâches, d'essais, de robots), et un écart de 13,3 points sur un échantillon restreint peut avoir une marge d'incertitude importante. Il s'agit d'un preprint, sans validation indépendante ni déploiement industriel annoncé. Ce travail s'inscrit dans la lignée des VLA généralistes, dont π0 puis π0.5 sont devenus des références de comparaison académique, aux côtés d'approches comme GR00T de NVIDIA ou Helix de Figure. La course porte désormais sur la fiabilité et l'utilisation efficace des entrées multimodales, plus seulement sur l'échelle des données. RoboTwin 2.0, benchmark bimanuel en simulation, sert de terrain d'évaluation courant. La suite logique serait une validation sur d'autres backbones que π0.5, des tâches plus longues et des tests multi-sites. Aucun calendrier de pilote ou de commercialisation n'est mentionné, et le résumé ne cite pas de partenaire industriel européen.

RecherchePaper
1 source
Progress Probes P² : surveillance légère en temps réel des modèles vision-langage-action (VLA)
16arXiv cs.RO 

Progress Probes P² : surveillance légère en temps réel des modèles vision-langage-action (VLA)

Des chercheurs publient sur arXiv (2610.31613) une méthode baptisée Progress Probes, ou P², qui surveille en temps réel l'exécution d'un modèle Vision-Language-Action (VLA) sans recourir à un modèle externe. Le principe consiste à entraîner des sondes linéaires sur les activations internes de la politique, à partir de simples démonstrations réussies, pour estimer l'avancement de la tâche. Une exécution est signalée comme défaillante quand sa progression s'écarte de la trajectoire attendue. Les tests ont été menés sur le VLA open source π0.5 (Physical Intelligence), en simulation et sur des tâches de manipulation réelles. D'après les auteurs, P² égale ou dépasse les moniteurs fondés sur des modèles vision-langage (VLM), ainsi que des méthodes qui exigent des données d'échec pour l'entraînement. Le résumé ne donne ni taux de détection, ni latence, ni coût de calcul chiffrés. Il s'agit d'un travail de recherche, sans produit ni déploiement industriel. L'enjeu est la supervision humaine. Un VLA reste sujet à des erreurs imprévisibles, et le déployer sans opérateur suppose un détecteur d'échec fiable. Les approches actuelles ajoutent un VLM en parallèle, ce qui alourdit l'architecture, consomme du calcul embarqué et crée un second point de défaillance. Une sonde linéaire coûte presque rien à l'inférence et s'entraîne avec des données que tout intégrateur possède déjà, ses démonstrations de réussite. Si les résultats tiennent hors du cadre des auteurs, les VLA pourraient intégrer leur propre garde-fou, ce qui compterait pour les chaînes logistiques et les cellules de manutention où chaque arrêt non détecté coûte cher. Les réserves sont nettes : un seul modèle testé, des tâches de manipulation dont la diversité reste à vérifier, et aucune donnée publiée sur les faux positifs en production. Ce travail s'inscrit dans l'essor des VLA généralistes (π0 puis π0.5 chez Physical Intelligence, Helix chez Figure, GR00T chez NVIDIA), dont la fiabilité reste le principal obstacle entre la démonstration et le déploiement. La détection d'échec reposait jusqu'ici sur des VLM externes ou sur des classifieurs entraînés avec des échecs, coûteux à collecter. L'interprétabilité par sondes, déjà courante dans les modèles de langage, gagne ainsi la robotique. Les prochaines étapes à surveiller sont la validation sur d'autres architectures de VLA, des tâches longues et des plateformes variées, puis le passage de la détection à la correction, par exemple une reprise automatique ou une demande d'aide à l'opérateur.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Echo : débruitage couplé des actions et du statut de tâche pour les modèles vision-langage-action (VLA)
17arXiv cs.RO 

Echo : débruitage couplé des actions et du statut de tâche pour les modèles vision-langage-action (VLA)

Des chercheurs présentent Echo, un cadre logiciel qui intègre dans un unique modèle Vision Language Action (VLA, politique qui traduit images et consignes en actions du robot) la prédiction de l'état de la tâche et la génération des actions. L'état est codé par deux signaux, « arrêt » et « échec », ajoutés comme deux dimensions supplémentaires à chaque segment d'actions (action chunk) et débruités en même temps que les actions du robot, par diffusion. Leur combinaison distingue trois situations : exécution en cours, succès, échec. Pour apprendre ces signaux sans annotation de progression image par image, Echo construit des trajectoires réussies, échouées et de récupération, dont les propriétés de supervision se complètent. Les auteurs annoncent des expériences de manipulation en conditions réelles où le système prédit correctement l'état de la tâche et améliore systématiquement les performances de la politique. Le résumé ne fournit ni taux de réussite, ni nom de robot, ni nombre de tâches, ni modèle de base : ces gains restent à vérifier dans l'article complet. L'enjeu est très concret pour les intégrateurs. Un robot qui ne sait pas qu'il a réussi continue à agir ou s'arrête trop tard. S'il ne détecte pas son échec, il ne peut ni relancer ni replanifier. Les solutions actuelles demandent soit des annotations fines, soit un modèle de supervision externe, soit des architectures complexes, ce qui alourdit le déploiement et multiplie les points de défaillance. Echo propose de loger cette détection dans la politique elle-même, sans module séparé. L'idée la plus notable est que le signal d'état sert aussi à guider les actions : il est débruité plus vite que celles-ci, si bien que les dernières étapes de génération des actions s'appuient sur une estimation d'état plus propre. Si les résultats tiennent, cela réduirait le coût de la fiabilité en production, où l'écart entre démonstration et usage réel tient souvent à la gestion des échecs. Seul un test sur des tâches variées, avec des échecs non scriptés, le confirmerait. Ce travail s'inscrit dans l'évolution des VLA, comme Pi-0 ou GR00T, qui génèrent des actions par diffusion ou flow matching, vers des politiques capables de s'auto-évaluer et de se corriger. Il s'oppose aux approches à vérificateur externe ou à modèle de récompense séparé. Il s'agit d'une prépublication arXiv (v1), non évaluée par des pairs, et aucun déploiement industriel ni calendrier de transfert n'est annoncé. La suite logique consiste à comparer Echo à ces méthodes sur des benchmarks communs, puis à le tester sur des tâches longues, où les échecs en chaîne coûtent le plus cher.

RecherchePaper
1 source
Vers l'auto-amélioration récursive de l'IA physique
18arXiv cs.RO 

Vers l'auto-amélioration récursive de l'IA physique

Un article de position publié sur arXiv (v1, référence 2610.29677) transpose à la robotique physique le concept d'auto-amélioration récursive (RSI). Il désigne un système qui améliore non seulement son comportement, mais aussi le processus par lequel il s'améliore. Les auteurs partent des agents numériques récents, qui réécrivent leur propre code et valident chaque version par des tests exécutables. Ils examinent ensuite ce qu'exige le passage au monde réel: apprendre à partir d'observations partielles, par des essais coûteux, dans des conditions d'exploitation changeantes et avec des conséquences parfois irréversibles. Selon la revue de littérature, les travaux existants, concentrés sur la manipulation, démontrent une amélioration du comportement, des bénéfices pour l'apprentissage ultérieur et une amélioration des procédures. Certains systèmes modifient aussi les connaissances ou les outils de l'« améliorateur ». Aucune étude physique recensée n'isole pourtant un gain attribuable à la récursion elle-même. Le texte ne rapporte ni nouveau robot, ni déploiement, ni métrique de performance. Le texte pose quatre conditions pour qu'un gain se transmette d'un cycle à l'autre. Le retour d'information doit répondre aux besoins d'apprentissage restants. Le composant récepteur doit pouvoir exploiter le changement. La valeur du gain doit survivre à un changement de tâche ou de matériel. La pratique continue doit rester sûre et abordable. Pour les intégrateurs et les décideurs industriels, ce cadre tempère les récits de robots qui « s'améliorent seuls » en production: les preuves actuelles montrent de l'apprentissage incrémental classique, pas une boucle récursive démontrée. Il fournit aussi une grille de lecture pour juger les annonces de flottes apprenantes, en demandant si le gain vient bien de l'amélioration du processus d'amélioration, ou simplement de davantage de données. Les principes d'évaluation proposés visent à rendre ces affirmations vérifiables par des ablations. Ce travail s'inscrit dans un mouvement où les agents de code autonomes ont popularisé l'idée de boucles d'auto-modification validées par des tests, un luxe que le monde physique n'offre pas: pas de test unitaire peu coûteux, pas de retour arrière gratuit. Le papier se place dans la continuité de l'apprentissage de politiques robotiques, des modèles vision-langage-action et de l'apprentissage en flotte, sans désigner d'acteur industriel précis ni d'entreprise européenne. Il s'agit d'une feuille de route de recherche, pas d'un produit: les suites annoncées sont des protocoles d'évaluation et des directions de recherche pour des machines qui améliorent, essai après essai et en sécurité, leur manière de s'améliorer. Aucun calendrier de pilote ou de validation industrielle n'est avancé.

RecherchePaper
1 source
IA physique pour l'intralogistique : évaluation de l'écosystème NVIDIA sim-vers-réel pour la navigation COMPASS enrichie par Cosmos sur robots mobiles industriels
19arXiv cs.RO 

IA physique pour l'intralogistique : évaluation de l'écosystème NVIDIA sim-vers-réel pour la navigation COMPASS enrichie par Cosmos sur robots mobiles industriels

Des chercheurs ont évalué de façon systématique le workflow de navigation apprise de NVIDIA, composé de X-Mobility et COMPASS, sur des robots industriels d'Idealworks, la filiale de BMW spécialisée dans l'intralogistique. Côté simulation, ils étendent le benchmark COMPASS avec deux plateformes: l'iw.hub, à entraînement différentiel, et la Humanoid Mobile Platform (HMP), omnidirectionnelle. Ils y ajoutent un jumeau numérique du centre de R&D d'Idealworks. X-Mobility est affiné sur les données de ce jumeau, avec ou sans variantes « sim-to-real » générées par NVIDIA Cosmos. COMPASS est ensuite entraîné par-dessus, depuis zéro, puis déployé sur le Jetson AGX Xavier embarqué de l'iw.hub. Les politiques sont comparées à COMPASS entraîné uniquement sur les environnements NVIDIA et à la pile de navigation de production d'Idealworks, sur le succès des tâches, l'efficacité, la sécurité, la fluidité et la charge de calcul. Avec l'augmentation Cosmos, le taux de succès réel passe de 65,3 % à 91,7 % sur quatre scénarios, et le temps de trajet pondéré est presque divisé par deux face à un entraînement en simulation seule. Le résultat reste à 8,3 points de la pile de production, et le calcul est entièrement embarqué. Couplée à un planificateur global, la politique atteint aussi des objectifs lointains et occultés à chaque essai. L'intérêt dépasse la performance brute. Le coût d'une pile de navigation classique tient à la réingénierie nécessaire pour chaque nouveau robot et chaque nouveau site. Ici, cet effort se déplace vers la génération de données et l'entraînement en simulation, ce qui change l'économie du déploiement pour les intégrateurs gérant plusieurs types de robots. L'étude a le mérite de mesurer le sim-to-real gap, en exécutant chaque scénario statique à la fois dans la réplique numérique et dans l'installation réelle. Elle montre que l'augmentation visuelle par modèle génératif en réduit une grande partie, sans l'éliminer. Les limites sont à garder en tête: quatre scénarios, un seul site, un seul robot réellement testé sur le terrain et des résultats issus d'un partenariat avec le fournisseur des outils. Un écart de 8,3 points avec la pile de production reste significatif pour un exploitant, car la fiabilité d'une flotte se juge sur des taux d'échec très faibles. Le contexte est celui d'une bataille sur les modèles de fondation pour la mobilité. NVIDIA pousse un écosystème de bout en bout: Isaac Sim pour la simulation, Cosmos pour la génération de données, X-Mobility et COMPASS pour la navigation. Idealworks, qui exploite des AMR dans les usines BMW, sert ici de banc d'essai industriel. Cette approche concurrence les piles classiques fondées sur la cartographie et la planification hand-tuned, ainsi que les approches de navigation par VLA proposées par d'autres laboratoires. La suite logique serait de valider ces politiques sur d'autres sites, avec des scénarios dynamiques (piétons, chariots) et des flottes plus grandes. Cela conditionnerait un passage de la recherche vers un déploiement commercial, aucun calendrier n'étant annoncé dans cette publication préliminaire.

UEIdealworks, filiale de BMW basée en Allemagne, sert de banc d'essai : les intégrateurs européens d'AMR peuvent y voir une piste pour réduire la réingénierie de navigation par site et par robot.

IndustrielPaper
1 source
IA physique : concepts, techniques et défis
20arXiv cs.RO 

IA physique : concepts, techniques et défis

Une monographie publiée sur arXiv (référence 2610.27045v1, catégorie « cross ») propose une définition unifiée de l'IA physique : des systèmes artificiels qui perçoivent, modélisent et agissent sur le monde physique par un retour continu, sous contraintes réelles. Le document ne présente ni produit, ni robot, ni chiffre de performance ou de déploiement. Il s'agit d'un travail de cadrage qui distingue l'IA physique de l'IA numérique classique, de l'IA incarnée (embodied AI), des systèmes cyber-physiques et des jumeaux numériques. Il en pose les fondations en physique, contrôle, cognition, apprentissage et raisonnement. Il passe en revue la perception multimodale, les données physiques et la simulation, les modèles du monde, les modèles de fondation incarnés, les systèmes de contrôle moteur, la coordination multi-agents et la co-conception matériel-logiciel. Les applications couvertes vont de la robotique à la manufacture, aux infrastructures, à l'expérimentation scientifique et aux services autonomes. L'intérêt tient à l'absence de consensus que les auteurs relèvent eux-mêmes. Le terme « IA physique » est aujourd'hui employé par des acteurs très différents pour désigner des humanoïdes, des modèles vision-langage-action (VLA), des plateformes de simulation ou de la conduite autonome, sans périmètre commun. Pour un intégrateur ou un décideur industriel, une taxonomie partagée aide à comparer des offres, à rédiger des cahiers des charges et à séparer ce qui relève d'une démonstration de ce qui relève d'un système fiable en production. L'accent mis sur le transfert sim-to-real, la fiabilité, l'exécution en temps réel, l'évaluation, la sécurité et la gouvernance rappelle que ces points restent les verrous du passage à l'échelle, bien plus que la seule capacité des modèles. La monographie n'apporte toutefois aucune validation expérimentale nouvelle : sa valeur est conceptuelle et pédagogique, et son impact dépendra de son adoption par la communauté. Ce travail s'inscrit dans une accélération de la recherche et des investissements autour des modèles de fondation incarnés, des world models et de la robotique généraliste, portée par des acteurs américains, chinois et européens. Il arrive alors que chacun revendique sa propre définition de l'IA physique, souvent à des fins de positionnement commercial. Les auteurs fixent comme horizon le passage de l'automatisation étroite, spécialisée par tâche, à une IA physique plus généralisable, puis à une « AGI physique ». Cette dernière reste un objectif de recherche sans calendrier ni critère de mesure établis. Les prochaines étapes probables sont des révisions de la version 1, des reprises dans des benchmarks d'évaluation et des discussions de normes de sécurité et de gouvernance, où les acteurs européens, notamment les laboratoires académiques et les industriels de la robotique, pourraient peser.

RecherchePaper
1 source
RoboJudge : des modèles de langage multimodaux comme juges pour la génération de vidéos d'IA incarnée
21arXiv cs.RO 

RoboJudge : des modèles de langage multimodaux comme juges pour la génération de vidéos d'IA incarnée

Des chercheurs proposent RoboJudge, un cadre destiné à évaluer la capacité des modèles de langage multimodaux (MLLM) à juger des vidéos générées pour la robotique. Son banc d'essai, RoboJudge-Bench, regroupe 800 vidéos annotées par des humains. Elles proviennent de 8 corpus sources et de 10 générateurs vidéo, et couvrent des pinces, des mains humaines et des mains dextres. Deux critères sont notés : l'adhérence physique (la scène respecte-t-elle les lois de la physique ?) et l'alignement avec l'instruction (la vidéo exécute-t-elle bien la tâche demandée ?). Les auteurs constatent un accord inégal entre juges automatiques et humains. Les MLLM généralistes s'accordent moins bien avec les humains sur la physique. Les juges vidéo spécialisés, conçus pour le raisonnement physique en domaine général, ne se transfèrent pas de façon constante aux scènes incarnées. L'équipe a ensuite construit RoboJudge-Train : 12 000 vidéos, 25 000 scores vérifiés par des humains et des justifications produites avec l'aide d'un modèle. Un MLLM de 9 milliards de paramètres a été affiné par apprentissage supervisé puis par apprentissage par renforcement, ce qui donne RoboJudge-9B. Ce modèle atteint la meilleure corrélation de Pearson du banc d'essai, 0,719. Il devance de 0,089 points, un écart statistiquement significatif, Gemini-3.7-Flash, le meilleur modèle propriétaire testé. Les modèles de monde fondés sur la génération vidéo sont de plus en plus présentés comme une base pour la simulation et l'entraînement de politiques robotiques. Cela suppose de pouvoir dire si une trajectoire générée est utilisable, c'est-à-dire sans objets qui traversent la pince ni contacts irréalistes, et fidèle à la consigne. Or l'évaluation à grande échelle repose de plus en plus sur des MLLM utilisés comme arbitres, sans que leur fiabilité ait été mesurée sur des vidéos de manipulation. Ce travail indique que ce choix est risqué : le classement de générateurs vidéo par un juge généraliste peut être biaisé justement sur la physique, critère le plus important pour les robots. Un juge de 9 milliards de paramètres, spécialisé, peut surpasser un modèle propriétaire. Il est donc réaliste de l'exécuter localement, à faible coût et de façon reproductible. Il faut toutefois relativiser : une corrélation de 0,719 reste loin d'un accord parfait avec les humains. Le benchmark est modeste, avec 800 vidéos, et les résultats n'ont pas été validés sur des tâches de robotique en conditions réelles. Ce travail s'inscrit dans la lignée des benchmarks de physique vidéo comme VideoPhy2 et Physion-Eval, sur lesquels l'entraînement avec RoboJudge-Train apporte aussi des gains selon les auteurs. Il répond à la multiplication des modèles de monde incarnés et des générateurs vidéo orientés manipulation, dont l'évaluation reste surtout visuelle ou subjective. Les auteurs utilisent RoboJudge-9B pour classer des générateurs vidéo selon les deux critères, mais le résumé ne détaille ni les résultats ni la disponibilité publique des données et du modèle. La suite logique serait d'intégrer ce type de juge dans les boucles de génération de données synthétiques et de filtrage de rollouts, puis de vérifier si les scores prédisent réellement la réussite de politiques entraînées sur ces vidéos.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
CLOSER : vérification visuelle active fondée sur les preuves pour la navigation par objectif d'IA incarnée
22arXiv cs.RO 

CLOSER : vérification visuelle active fondée sur les preuves pour la navigation par objectif d'IA incarnée

CLOSER, un cadre logiciel décrit dans un preprint arXiv (2610.28476), s'attaque à un point faible de la navigation robotique par objet-cible (ObjectNav): décider quand s'arrêter. Dans cette tâche, un agent incarné doit trouver une instance d'une catégorie donnée dans un environnement inconnu et s'arrêter à proximité. Il s'appuie sur un détecteur d'objets, mais doit juger en ligne, à partir d'un flux vidéo égocentrique limité (parfois une seule image), si le candidat détecté est bien la cible. Les détecteurs confondent souvent avec assurance des objets proches, comme un canapé pris pour un lit, et un arrêt sur un faux positif fait échouer l'épisode. CLOSER affine un modèle vision-langage (VLM) open source pour classer chaque vue d'un candidat suivi dans le temps en cible, non-cible ou incertain. Une porte de diversité fondée sur des embeddings sélectionne des vues complémentaires, et un réseau léger fusionne leurs probabilités. Si le verdict reste incertain, une politique de diffusion rapproche l'agent du candidat en n'utilisant que le masque suivi et la profondeur, jusqu'à ce que la décision soit nette. Sur Gibson et Habitat-Matterport 3D, le taux de succès moyen progresse de 3,6 points et le SPL (succès pondéré par la longueur du chemin) de 2,0 points. L'intérêt tient à la méthode plus qu'à l'ampleur du gain. Les systèmes actuels approchent le candidat de façon gloutonne, souvent sous un angle occulté ou partiel, puis s'arrêtent. CLOSER traite l'arrêt comme une acquisition d'indices en boucle fermée, en couplant vérification par VLM et perception active. Le module s'exécute en local et se greffe sur des systèmes ObjectNav existants sans les réentraîner, ce qui réduit le coût d'intégration pour les équipes qui disposent déjà d'une pile de navigation. Ces résultats suggèrent que, pour la navigation sémantique, une part des échecs vient de la décision d'arrêt plus que de l'exploration. Les réserves sont claires: les chiffres proviennent de benchmarks en simulation, sans validation annoncée sur robot réel, et un gain de 3,6 points reste modeste. Le surcoût en temps de calcul et en trajet induit par la vérification active n'est pas détaillé dans le résumé. Ce travail s'inscrit dans la lignée de l'ObjectNav sur Gibson et HM3D, où les approches modulaires à détecteur open-vocabulary et cartes sémantiques coexistent avec des méthodes de bout en bout et des VLM de plus en plus utilisés pour la décision. CLOSER se positionne comme une couche de vérification complémentaire, non comme un nouveau navigateur complet. Les suites logiques seraient des tests sur plateforme physique, des environnements plus encombrés et une mesure du compromis entre précision de l'arrêt et longueur du trajet. Le preprint n'annonce ni code, ni pilote industriel, ni calendrier de déploiement.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Toutes les caractéristiques ne se valent pas : une étude mécaniste des modèles vision-langage-action (VLA)
23arXiv cs.RO 

Toutes les caractéristiques ne se valent pas : une étude mécaniste des modèles vision-langage-action (VLA)

Une politique Vision-Language-Action (VLA) affinée sait placer une boîte de soupe alphabet dans un panier sur commande, mais la laisse tomber hors de la table si le panier est décalé de cinq centimètres vers la gauche. Des chercheurs de CWRU (Case Western Reserve University) ont construit un pipeline d'interprétabilité pour comprendre ce que calcule une telle politique. En injectant les activations de la tâche A dans l'« action expert » de pi0.5 alors que le modèle observe la scène de la tâche B, le robot exécute la trajectoire motrice de la tâche A dans 99,6 % des épisodes (n = 1 968). Le test a été reproduit sur un bras UR10e réel : la redirection de tâche par rejeu dirigé réussit 26 fois sur 26 dans un sens et 18 sur 26 dans l'autre, contre un niveau plancher pour les contrôles sans injection et à direction aléatoire. Quand l'objet source est déplacé de 10 à 15 cm, le bras saisit et relâche aux coordonnées enregistrées dans 50 essais sur 50, ramassant le mauvais bloc s'il s'en trouve un à cet endroit, ou se refermant dans le vide sinon. L'étude couvre aussi six VLA sur LIBERO, MetaWorld, SimplerEnv et ALOHA, soit plus de 420 000 rollouts. Le résultat donne une explication mécaniste de la fragilité aux perturbations relevée par d'autres benchmarks : le « programme » moteur est lié à des coordonnées absolues de l'espace de travail et ignore la scène visible. Pour les intégrateurs et responsables industriels, cela signifie qu'un taux de réussite élevé en démonstration, avec des objets à position quasi fixe, peut masquer une politique qui rejoue un geste mémorisé plutôt qu'elle ne perçoit. Les autres conclusions vont dans le même sens : toutes les architectures encodent l'instruction, mais quatre des cinq qui permettent la comparaison la pondèrent en dessous de la vision dès que la scène seule identifie l'objectif. La sélection du but et la génération du mouvement empruntent des voies distinctes, côté VLM et côté expert, partout où la distinction est possible. Les auteurs notent aussi que le pooling d'autoencodeurs parcimonieux (SAE) qui préserve le comportement dépend de l'architecture (par token pour pi0.5, indifférent pour SmolVLA). Ces résultats reposent surtout sur des benchmarks et sur un seul bras réel, et ne chiffrent pas la généralisation en production. Ces travaux s'inscrivent dans la vague d'études sur la robustesse des VLA, après la domination de modèles comme pi0.5 de Physical Intelligence sur les benchmarks de manipulation, et avant les efforts de remédiation (augmentation de données, meilleur ancrage visuel, entraînement multi-positions). Les auteurs publient Action Atlas (action-atlas.com), une plateforme interactive qui regroupe plus de 520 SAE entraînés, 79 concepts identifiés et les rollouts UR10e annotés, ainsi que le code sur GitHub, ce qui permet à d'autres équipes de tester leurs propres modèles. Cette version 4 de l'article sur arXiv n'annonce ni correctif ni produit, seulement un outil de diagnostic.

RecherchePaper
1 source
SenseTime met en open source SenseNova-RoboRSI, un cadre d'IA incarnée, et un modèle « cerveau » de robot de 27 milliards de paramètres
24Pandaily 

SenseTime met en open source SenseNova-RoboRSI, un cadre d'IA incarnée, et un modèle « cerveau » de robot de 27 milliards de paramètres

SenseTime a mis en open source SenseNova-RoboRSI, un cadre d'évaluation pour systèmes d'IA incarnée, ainsi qu'un modèle embarqué de 27 milliards de paramètres, SenseNova-RoboRSI-27B-Preview. Cette publication fait suite à une étude où l'entreprise a testé le grand modèle GPT-6-Astra sur 12 benchmarks de robotique en simulation et sur 8 robots physiques. Selon SenseTime, en donnant au modèle accès à des démonstrations d'entraînement et en relevant les limites de pas jusqu'à 10 fois les réglages officiels, GPT-6-Astra sature les benchmarks LIBERO et SIMPLE et atteint 81,9 % de réussite sur RoboDojo. Neuf tâches RoboDojo ratées lors des cinq essais ont toutes été réussies cinq fois sur cinq dès lors que le modèle pouvait continuer à interagir. Le coût est lourd : empiler des bols a demandé environ 131 minutes et 19 dollars d'inférence estimés, et placer un stylo dans un pot 263 minutes et environ 55 dollars. Le modèle reste faible sur les tâches à long horizon, transfère mal ses compétences d'une tâche à l'autre et peine avec les objets déformables et le contrôle fin sur robot réel. Le meilleur couplage testé, un modèle de raisonnement lent associé à un modèle d'action rapide, atteint 54 % de réussite sur 42 tâches RoboDojo avec une boucle fermée vérifiant chaque résultat. Côté outillage, chaque benchmark est empaqueté avec ses dépendances dans une image Docker distincte, accessible via une API HTTP unifiée qui expose l'interaction avec l'environnement et le scoring natif. Une évaluation de bout en bout se lance depuis un fichier de configuration, sans installer chaque simulateur à la main. Le modèle 27B affiche 26,13 sur RoboDojo (20,83 % de réussite), plus de 90 sur LIBERO-Pro, et fait passer RoboCasa365 de 26,0 % à 46,5 % tout en réduisant de 73 % la consommation de tokens. Pour les intégrateurs et décideurs, l'intérêt tient moins au modèle qu'à ce que l'étude révèle sur l'écart entre démonstration et réalité. Un modèle généraliste peut résoudre des benchmarks saturés si on lui laisse du temps, des essais et des exemples, mais au prix de plusieurs heures et de dizaines de dollars par tâche élémentaire, ce qui est incompatible avec un temps de cycle industriel. Les points faibles identifiés (horizon long, objets déformables, précision fine) correspondent précisément aux cas d'usage d'assemblage et de manutention qui comptent en production. Le résultat de 54 % en architecture hybride lent/rapide, proche des approches à deux systèmes déjà explorées dans le secteur, suggère que la fiabilité vient de la boucle de vérification autant que du modèle lui-même. L'argument de SenseTime, selon lequel le temps de réflexion doit compter comme du temps réel (une poêle continue de chauffer pendant que le modèle délibère), est pertinent pour les futurs benchmarks. Il faut toutefois rester prudent : tous les chiffres proviennent des tests internes de SenseTime et aucun n'a été vérifié de façon indépendante. Le facteur de coût annoncé, un cinquantième de celui de GPT-6-Astra, compare un modèle spécialisé à un modèle généraliste sous budget étendu, et le score de 20,83 % sur RoboDojo reste modeste. Cette publication s'inscrit dans la montée en puissance des acteurs chinois de l'IA incarnée, qui multiplient les ouvertures de modèles et d'outils d'évaluation face aux approches de Physical Intelligence (Pi-0), de NVIDIA (GR00T) ou de Figure (Helix). SenseTime, déjà connu pour sa famille SenseNova, a récemment présenté SenseNova U1.5 en 8B-MoT pour la vision unifiée native, tandis qu'Infinigence AI a ouvert APXInf pour l'inférence embarquée en périphérie, signe d'un écosystème qui se structure autour de l'évaluation reproductible et de l'efficacité. Le modèle est publié en préversion et aucun déploiement industriel ni calendrier de pilotes n'a été annoncé. Pour les équipes de recherche, la valeur immédiate réside dans l'infrastructure Docker et API unifiée, qui peut réduire le coût de comparaison entre modèles, y compris pour les laboratoires européens.

UEPas d\'impact direct sur la France/UE

RechercheOpinion
1 source
Meituan mène le tour de table de série D du fabricant de cobots FAIRINO
25TechNode 

Meituan mène le tour de table de série D du fabricant de cobots FAIRINO

Le fabricant chinois de robots collaboratifs FAIRINO a bouclé un tour de série D mené par Meituan, après une série C+ pilotée par Long-Z, le bras d'investissement du même groupe. L'entreprise a communiqué sur cette levée en octobre. Cumulés, les deux tours représentent près d'un milliard de yuans (RMB 1 milliard). Yongxin Capital et Suzhou Capital Group figurent parmi les nouveaux investisseurs, et plusieurs actionnaires existants ont augmenté leur mise. FAIRINO n'a pas publié le montant propre à la série D. Les fonds iront à l'extension des capacités de production de composants clés et de produits, notamment les bras robotisés industriels à contrôle de force de la gamme ART et la plateforme d'intelligence incarnée AIRLab. Ils financeront aussi la R&D et le développement international. Le signal tient moins au montant, flou, qu'à l'identité du chef de file. Meituan, groupe de livraison et de services locaux, renforce sa présence dans la robotique via Long-Z, ce qui suggère un intérêt stratégique pour des briques matérielles utilisables bien au-delà des cobots classiques. L'accent mis sur le contrôle de force, indispensable pour l'assemblage, le polissage ou toute tâche de contact, et sur une plateforme d'embodied AI va dans le sens d'un marché qui cherche à relier bras industriels et modèles d'IA. Il s'agit en revanche d'une annonce de financement et d'un plan d'investissement. Aucune donnée sur les volumes livrés, le chiffre d'affaires, les prix ou les déploiements clients n'est fournie, et l'état de maturité d'AIRLab reste à établir. Sur le marché des cobots, FAIRINO s'inscrit face à Universal Robots, pionnier du segment, et à plusieurs acteurs chinois comme JAKA, AUBO, Elite ou Dobot, qui se disputent la clientèle par les prix et la montée en gamme. La concurrence se joue de plus en plus sur la capacité à produire en volume ses propres composants, ce que vise explicitement cette levée. Reste à suivre la mise en service de ces capacités, la part réelle des ventes à l'export et d'éventuels partenariats autour d'AIRLab. Ces éléments permettront de juger si le tour de table se traduit en parts de marché.

BusinessActu
1 source
MambaAct : des experts d'action Mamba efficaces pour les modèles vision-langage-action (VLA) à flow matching
26arXiv cs.RO 

MambaAct : des experts d'action Mamba efficaces pour les modèles vision-langage-action (VLA) à flow matching

MambaAct est une architecture proposée dans un preprint arXiv (2610.22951) qui vise le principal goulot d'étranglement des modèles vision-langage-action (VLA) à flow-matching, comme π0.5 : le coût d'inférence. Dans ces modèles, l'expert d'action, un module transformer chargé de produire les commandes motrices, est évalué à chaque étape du débruitage itératif. Les auteurs conservent l'encodeur de préfixe vision-langage préentraîné de π0.5 et remplacent l'expert d'action par un module Mamba (modèle à espace d'états) compact, dix fois plus petit. Un « Context Compressor » léger condense les tokens du VLM en un signal de conditionnement unique, qui module chaque bloc Mamba et remplace les cross-attentions répétées au niveau des tokens. Les résultats annoncés : une latence de débruitage réduite de 64,8 % sur le benchmark LIBERO et de 58,8 % en déploiement réel, avec un gain moyen de 1,08 point de pourcentage de réussite sur LIBERO, mesuré sur trois seeds de fine-tuning indépendants. Les gains se maintiennent sur LIBERO-Plus et sur des tâches réelles. Le code et les poids sont publics sur GitHub. L'intérêt est d'abord pratique. Les VLA à flow-matching offrent de bonnes performances de manipulation généraliste, mais leur latence limite le contrôle temps réel, surtout sur du matériel embarqué à budget de calcul contraint. Réduire l'expert d'action d'un facteur dix sans perte de performance suggère qu'une grande partie de ses paramètres est redondante pour la tâche de modélisation d'actions, et que le vrai savoir sémantique réside dans le préfixe VLM. Pour un intégrateur ou un décideur industriel, cela ouvre la voie à des politiques plus rapides ou à des cadences de contrôle plus élevées sur des GPU modestes. Des précautions s'imposent toutefois : LIBERO est un benchmark de simulation relativement saturé, un gain de 1 point reste modeste, et l'article ne détaille pas ici la diversité ni le volume des tâches réelles. La réduction de latence ne porte aussi que sur le débruitage, pas sur la latence de bout en bout, où l'encodeur VLM garde un poids important. Ce travail s'inscrit dans la course à l'efficience des VLA, après π0 et π0.5 de Physical Intelligence, qui ont popularisé l'expert d'action à flow-matching, et face à d'autres pistes comme la distillation en peu d'étapes, la quantification ou les têtes d'action plus légères. L'usage de Mamba, déjà exploré en vision et en langage pour sa complexité linéaire, est ici transposé aux séquences d'actions bruitées. La suite logique serait une validation sur des plateformes variées, des séquences plus longues et des comparaisons directes avec d'autres méthodes d'accélération, ainsi qu'une mesure de la latence totale sur robot embarqué.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Regarder avant d'agir : relier perception active et modèles vision-langage-action (VLA) par l'adaptation de données alignées sur les observations
27arXiv cs.RO 

Regarder avant d'agir : relier perception active et modèles vision-langage-action (VLA) par l'adaptation de données alignées sur les observations

Des chercheurs proposent ActiveAlign, un cadre d'adaptation de données qui relie la perception active (déplacer la caméra pour voir une cible occultée) aux modèles Vision-Language-Action (VLA). Le problème identifié, baptisé « sensibilité à la distribution de la première image », est mesuré sur le benchmark de simulation LIBERO : lorsqu'on ajoute naïvement une phase de repositionnement de caméra devant pi0.5, le taux de succès chute de 46,3 % à 11,5 % sous départs perturbés. ActiveAlign procède en trois temps. Un module de point de vue génère d'abord une trajectoire de caméra. Hors ligne, un alignement en boucle fermée raccorde ensuite le point d'arrivée de cette trajectoire à une démonstration existante, rejoue la suite de la manipulation et ne conserve que les continuations réussies pour le fine-tuning. Au déploiement, le même module précède le VLA adapté, dont l'architecture reste inchangée. Sur 40 tâches LIBERO, la méthode atteint 70,7 % de succès avec pi0 et 72,7 % avec pi_0.5, soit +40,0 et +26,4 points face à l'entraînement standard. En conditions réelles d'occultation physique, le succès passe de 35/90 à 83/90. Le résultat compte parce qu'il isole une cause précise d'échec que beaucoup d'équipes rencontrent sans la nommer : brancher une caméra active sur une politique de manipulation préentraînée ne suffit pas, car le mouvement de caméra place le robot dans des états initiaux hors de la distribution d'entraînement. Le gain ne vient donc pas de la perception active seule, mais de l'alignement entre les données d'entraînement et les états où la recherche de point de vue s'arrête. Pour les intégrateurs travaillant sur du bin-picking ou des étagères encombrées, c'est une piste pragmatique : elle réutilise des démonstrations existantes sans changer l'architecture du VLA ni collecter de nouvelles téléopérations. Les contrôles à états appariés et à données appariées écartent l'explication par un simple raccourcissement des trajectoires ou par une augmentation générique de points de vue. La même tendance apparaît avec OpenVLA et GR00T N1, ce qui suggère une portée plus large que la seule famille pi. Quelques réserves s'imposent. Les chiffres principaux proviennent de LIBERO, un benchmark simulé aux scènes relativement standardisées, et l'évaluation réelle (90 essais) reste limitée en taille, sans indication ici sur la diversité des objets ni des scènes. Le travail s'inscrit dans la course aux VLA généralistes (pi0 et pi0.5 de Physical Intelligence, GR00T de NVIDIA, OpenVLA), qui supposent le plus souvent des caméras fixes ou montées au poignet. ActiveAlign montre qu'un levier de robustesse se situe dans l'adaptation des données plutôt que dans l'agrandissement des modèles. Les suites naturelles seraient des tests sur des plateformes mobiles, des scènes plus denses et des modèles plus récents que GR00T N1, ainsi qu'une mesure du coût en temps de cycle du repositionnement, que l'étude ne chiffre pas ici.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
EmbodiedMidtrain : combler l'écart entre modèles vision-langage et modèles vision-langage-action (VLA) par un pré-entraînement intermédiaire
28arXiv cs.RO 

EmbodiedMidtrain : combler l'écart entre modèles vision-langage et modèles vision-langage-action (VLA) par un pré-entraînement intermédiaire

EmbodiedMidtrain, publié sur arXiv (2604.20012v2), s'attaque à un point faible de la plupart des modèles Vision-Langage-Action (VLA), les modèles qui traduisent images et instructions en commandes robotiques. Ces VLA héritent de leurs capacités visuelles et linguistiques de modèles vision-langage (VLM) du commerce, jamais adaptés au domaine incarné. Les auteurs mesurent d'abord l'écart de distribution : les données VLA occupent des régions compactes, largement séparées de la distribution plus large des données VLM, avec un degré d'alignement très variable d'une source à l'autre et au sein d'une même source. Ils construisent ensuite un moteur de données qui s'appuie sur un estimateur de proximité apprenable et léger. Il sélectionne dans un grand réservoir de données VLM les exemples les plus proches des données VLA, et produit EmbodiedMidtrain-1M, un jeu d'un million d'échantillons. Le VLM subit un « mid-training » sur ce jeu avant le fine-tuning VLA. Les tests, en simulation et sur des tâches réelles, montrent des gains constants face aux checkpoints standards, quels que soient le backbone VLM et la tête d'action. Pour les équipes qui développent des VLA, le résultat est pragmatique : une partie de la performance se joue avant même la collecte de démonstrations robotiques, dans le choix de l'initialisation du VLM. Les gains apparaissent dès les premières étapes du fine-tuning et s'élargissent au fil de l'entraînement. Ils s'étendent aussi à des tâches non utilisées pour guider la sélection, ce qui suggère un effet de généralisation plutôt qu'un simple surajustement aux benchmarks. L'analyse indique que le moteur favorise le raisonnement spatial plutôt que les tâches centrées sur le texte, tout en préservant la diversité des données VLM. Cela nuance l'idée que le simple passage à l'échelle de données web généralistes suffit. Une réserve s'impose : le résumé ne chiffre pas l'ampleur des gains ni les modèles testés, et les expériences réelles semblent limitées à des tâches de manipulation de laboratoire, loin d'un déploiement industriel. Ce travail s'inscrit dans la lignée des VLA construits sur des VLM préentraînés, comme Pi-0 ou Helix, qui partent généralement de checkpoints génériques puis consacrent l'essentiel de l'effort à l'adaptation sur données robotiques. Le mid-training, étape intermédiaire déjà courante dans les LLM, reste peu exploité côté robotique, et les acteurs concurrents rivalisent surtout sur le volume de téléopération et de données synthétiques. Les auteurs annoncent la publication du code, des données et des modèles, ce qui permettra à d'autres laboratoires de reproduire l'approche et d'en vérifier la portée sur des architectures et des plateformes plus variées. Il s'agit d'une publication de recherche, sans produit ni calendrier de déploiement associé.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
REKI : enregistrer les connaissances dans les modèles vision-langage-action (VLA)
29arXiv cs.RO 

REKI : enregistrer les connaissances dans les modèles vision-langage-action (VLA)

REKI, un modèle vision-langage-action (VLA) de 2,4 milliards de paramètres, est présenté dans un preprint arXiv (octobre 2026) par le laboratoire français Kyutai. Il est pré-entraîné exclusivement sur des données publiques: un mélange sélectionné de données robotiques, de vidéos égocentriques d'humains et de données vision-langage. L'architecture associe un modèle vision-langage (VLM) à un « action expert » à flow-matching, qui génère les actions. Les auteurs ajoutent une mémoire: quelques jetons de registre dans l'action expert résument la sortie du VLM à chaque image et restent dans son cache. Selon eux, cette mémoire coûte très peu en calcul, améliore le taux de réussite en simulation comme sur robots réels, et rend les oscillations entre poses environ quatre fois plus rares. Sur les benchmarks LIBERO-Plus, RoboTwin Clean2Rand et RoboCasa365, REKI n'est devancé que par des modèles environ deux fois plus gros. Le code complet (curation des données, entraînement, inférence, évaluation, déploiement) et tous les poids, pré-entraînés et affinés, sont publiés sur GitHub. Pour les intégrateurs et les équipes R&D, l'intérêt tient à l'efficacité plus qu'au score brut. Un VLA de 2,4 milliards de paramètres demande bien moins de calcul à l'entraînement et à l'inférence que les modèles de grande taille, ce qui facilite l'exécution embarquée et l'itération. Le résultat suggère aussi qu'un corpus entièrement public suffit pour approcher l'état de l'art, ce qui relativise l'avantage des jeux de données propriétaires de téléopération. Le problème que vise la mémoire, les oscillations entre poses, est un défaut courant des politiques qui ne voient que l'instant présent, et le corriger à faible coût compte pour la fiabilité en conditions réelles. Il faut toutefois rester prudent: les gains sont mesurés surtout en simulation, les essais sur robots réels sont décrits sans chiffres dans le résumé, et les benchmarks ne garantissent pas la robustesse en production. Le « nouveau front de Pareto » est une revendication des auteurs, non validée de façon indépendante. Kyutai, laboratoire de recherche à but non lucratif basé à Paris et connu pour ses travaux en IA vocale, s'aventure ici dans la robotique avec une politique ouverte et reproductible, ce qui donne de la visibilité à l'écosystème européen. REKI se place face aux VLA ouverts comme Pi-0 de Physical Intelligence ou GR00T de NVIDIA, souvent plus volumineux ou dépendants de données partiellement fermées. La publication de l'ensemble de la chaîne, jusqu'au déploiement, permet à d'autres équipes de la reproduire et de l'étendre. La suite dépendra de validations indépendantes, de tests sur davantage de plateformes physiques et de la capacité de la communauté à enrichir la mémoire à registres vers des horizons temporels plus longs.

UELe laboratoire parisien Kyutai publie un VLA ouvert et reproductible (code et poids), utilisable par les équipes R&D et intégrateurs français et européens et qui renforce la visibilité de l'écosystème européen en IA physique.

FR/EU ecosystemeOpinion
1 source
AWS lance une boîte à outils open source d'IA physique pour la robotique
30Robotics Business Review 

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

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

UEPas d\'impact direct sur la France/UE

InfrastructureActu
1 source
Les robots de Sereact automatisent le traitement des retours Zalando dans des centres logistiques en Allemagne et en Pologne
31Robotics & Automation News 

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

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

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

FR/EU ecosystemeActu
1 source
État des lieux des robots dans l'industrie manufacturière
32Robotics Business Review 

État des lieux des robots dans l'industrie manufacturière

Un rapport publié par The Robot Report dresse l'état de la robotique en fabrication. Il part d'un constat : les bras robotisés programmés de façon rigide sur les lignes automobiles ne résument plus le secteur. Selon l'International Federation of Robotics (IFR), les installations de robots industriels ont doublé au cours de la décennie close en 2024, et la densité robotique (nombre de robots pour 10 000 employés) continue de progresser. La Corée du Sud, Singapour, l'Allemagne et le Japon en tête, des pays où la main-d'œuvre vieillit. Côté marché, l'Association for Advancing Automation (A3) relève au premier semestre 2026 une hausse de 6,6 % en glissement annuel de la valeur des commandes de robots. La hausse des commandes hors automobile compense le ralentissement des constructeurs automobiles. Le rapport, téléchargeable gratuitement, s'appuie sur des entretiens avec des experts d'entreprises du secteur. Il couvre la manutention, l'assemblage, le soudage, le service de machines et la finition, ainsi que les progrès récents en perception et en manipulation, les liens entre automatisation, relocalisation et sécurité nationale, et des exemples de collaborations et de déploiements. Pour les intégrateurs et les directions d'usine, le message est que la demande se diversifie. Elle s'étend de l'électronique et de la métallurgie à l'agroalimentaire et à la pharmacie, portée par la pénurie de main-d'œuvre qualifiée plus que par la seule volonté de réduire les coûts. Le rapport insiste sur une automatisation qui assiste des opérateurs rares plutôt qu'elle ne les remplace, un cadrage plus recevable pour les sites qui peinent à recruter. Les cobots (robots collaboratifs à force et puissance limitées), les robots mobiles autonomes (AMR), les manipulateurs mobiles et la « physical AI » permettent d'automatiser davantage de tâches dans des espaces conçus pour des humains. Le rapport tempère l'enthousiasme pour les humanoïdes : ils n'en sont qu'aux premiers essais commerciaux, alors que d'autres formats sont déjà disponibles. Les vraies difficultés restent d'identifier les bonnes applications et les bons outils, de les intégrer complètement et de démontrer un retour sur investissement. C'est là que se jouent les projets, plus que dans la démonstration technologique. Il s'agit d'un document de synthèse éditorial, non d'une annonce produit : il ne chiffre ni charge utile, ni degrés de liberté, ni temps de cycle, ni prix, et ne désigne aucun déploiement précis, de sorte que ses affirmations sur les gains d'efficacité et de sécurité restent celles des fournisseurs interrogés. Le contexte est celui d'un marché où le bras industriel classique a été rejoint par les cobots, puis par les AMR et les manipulateurs mobiles, tandis que les humanoïdes et les modèles d'IA embarquée (VLA) attirent les investissements sans avoir encore prouvé leur rentabilité en production. Le ralentissement de l'automobile, historiquement premier client des robots, pousse les fabricants à chercher des relais de croissance dans d'autres industries, ce que confirment les chiffres de l'A3. Le rapport ne cite pas d'acteurs européens, mais la question de la relocalisation et de la souveraineté industrielle concerne directement les intégrateurs et fabricants du continent. La suite dépendra de la capacité des fournisseurs à transformer les essais en déploiements mesurables, avec des indicateurs de retour sur investissement vérifiables.

UELe rapport ne cite aucun acteur européen, mais ses constats sur la relocalisation et la souveraineté industrielle concernent les intégrateurs et fabricants du continent.

IndustrielOpinion
1 source
Une approche open source de l'IA physique par Intrinsic
33Robohub 

Une approche open source de l'IA physique par Intrinsic

Intrinsic, la division robotique d'Alphabet issue du laboratoire X, a ouvert en open source une partie de sa plateforme sous le nom d'Intrinsic Core, un ensemble de briques compatibles ROS pour construire des applications robotiques. L'ensemble comprend Intrinsic Control, un framework de contrôle temps réel agnostique au matériel qui adapte la trajectoire du robot selon les retours capteurs et génère des chemins sans collision, sans réécriture des pilotes lors d'un changement de bras, de pince ou de capteur. S'y ajoutent une estimation de pose en six degrés de liberté (6 DOF), un moteur de planification de mouvement et de prise adaptant automatiquement la préhension à l'orientation de la pièce, des services de simulation continue, un outil de calibration automatique de caméra et des pilotes Intrinsic-ROS préconfigurés. Intrinsic publie également l'Open Machine Tending Solution (OMTS), un design de référence clé en main pour l'alimentation de machines-outils, téléchargeable dès à présent sur GitHub. Cette ouverture marque un changement de posture : Intrinsic vendait jusque-là sa pile logicielle comme une offre intégrée et se rapproche désormais du modèle d'infrastructure partagée de ROS. Pour les intégrateurs, cela abaisse la barrière d'entrée en rendant gratuites des briques de perception, de planification et de prise auparavant développées en interne ou achetées auprès de fournisseurs propriétaires comme ABB, Fanuc ou Universal Robots. L'annonce ne concerne ni robot humanoïde ni modèle fondation VLA, contrairement à Figure 03, GR00T N2 ou Helix : il s'agit d'une pile pour bras industriels classiques, et l'OMTS reste un gabarit de référence, Intrinsic ne communiquant aucun chiffre d'adoption ni déploiement client validé. Intrinsic est née en 2021 comme spin-off du laboratoire de paris technologiques X d'Alphabet, avec pour mission de simplifier la programmation robotique industrielle par le logiciel et l'IA, une trajectoire renforcée par le rachat de Vicarious en 2022. Cette publication s'inscrit dans une vague plus large d'ouverture en IA physique, aux côtés des modèles fondation publiés par Physical Intelligence (Pi-0) ou NVIDIA (GR00T), bien qu'Intrinsic Core reste une couche logicielle classique de robotique industrielle plutôt qu'un modèle généraliste vision-langage-action. Aucun calendrier de pilotes n'a été communiqué au-delà de la disponibilité immédiate du code sur GitHub.

UELes intégrateurs européens de robotique industrielle utilisant ROS pourraient accéder gratuitement a des briques de perception, planification et prise auparavant propriétaires, sans qu'aucun déploiement ou partenariat européen ne soit annonce.

IndustrielActu
1 source
HarnessPAI : un harnais évolutif pour l'IA physique
34arXiv cs.RO 

HarnessPAI : un harnais évolutif pour l'IA physique

Une équipe liée au projet Darwin Agent a publié le 25 septembre 2026 sur arXiv (2609.29166) HarnessPAI, un framework agnostique au modèle et à la morphologie qui pilote les modèles d'action physique via du code exécutable. Le système sépare deux échelles : pendant un rollout, un programme fixe vérifie l'exécution en boucle ouverte ; entre les rollouts, il évolue en boucle fermée et transforme les échecs en compétences réutilisables grâce au retour d'exécution. Testé sur des bras de bureau, des robots domestiques, un aspirateur robot et un agent marcheur à pattes, HarnessPAI améliore les modèles d'action purs et les baselines "code-as-policy" sans réentraînement : +61,6 points sur Pi-0.5 sur LIBERO-PRO, +27,2 points sur WorldDreamer sur les tâches atomiques de RoboCasa. Une fois le programme convergé, aucune délibération LLM en ligne n'est nécessaire ; il sert aussi de collecteur de données expertes bon marché, et réentraîner Pi-0.5 sur ces données relève son taux de réussite de 38,8 points sur LIBERO-PRO. Ces résultats contredisent l'hypothèse dominante selon laquelle la performance en robotique physique dépend avant tout de modèles d'action plus puissants : l'entraînement standard de ces modèles peut au contraire éroder les capacités de perception et de raisonnement nécessaires à un comportement robuste, rendant même des modèles forts vulnérables aux perturbations de scène et aux tâches longues. Pour les intégrateurs et chercheurs, cela suggère qu'un harnais exécutable et piloté par le retour d'expérience peut être aussi déterminant que le modèle lui-même, et qu'il offre une voie moins coûteuse pour collecter des données d'entraînement sans téléopération massive. HarnessPAI s'inscrit dans les efforts visant à combler l'écart entre démonstrations et déploiement réel des modèles vision-langage-action, dans un paysage dominé par Pi-0 et Pi-0.5 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure AI ; l'étude compare directement son approche à Pi-0.5 et à WorldDreamer, la positionnant comme complémentaire plutôt que concurrente. Il s'agit pour l'instant d'une publication de recherche, sans annonce de déploiement industriel ni de partenaire commercial identifié : les auteurs présentent ces résultats comme une preuve de concept sur plusieurs plateformes robotiques, ouvrant la voie à des systèmes intégrant perception, raisonnement et action de manière vérifiable.

IA physiquePaper
1 source
Les modèles du monde rendent-ils les robots meilleurs ? Un panorama des benchmarks d'évaluation pour l'IA incarnée prédictive
35arXiv cs.RO 

Les modèles du monde rendent-ils les robots meilleurs ? Un panorama des benchmarks d'évaluation pour l'IA incarnée prédictive

Une synthèse déposée sur arXiv fin septembre 2026 recense et vérifie une par une 160 benchmarks d'évaluation robotique publiés entre 2017 et 2026, dans le but de déterminer si les modèles du monde (world models), qui prédisent les observations futures, offrent un avantage mesurable en boucle fermée face aux politiques vision-langage-action (VLA), qui associent directement l'observation à l'action. Les 160 bancs d'essai sont répartis en quatre familles : suites d'évaluation de politiques, agents incarnés, évaluation pure des world models, et ponts prédiction-vers-action. Le bilan chiffré est net : 138 benchmarks sur 160, soit 86%, restent agnostiques au type de modèle, 11 seulement (7%) construisent une comparaison explicite VLA contre world model, et 4 seulement transforment une prédiction en action réellement exécutée sur un robot. La capacité contrefactuelle, c'est-à-dire anticiper ce qui se passerait sous une action alternative, n'est quasiment jamais mesurée dans l'ensemble du corpus étudié. Ce travail met en lumière un angle mort structurel du secteur : il est aujourd'hui impossible de trancher, preuves à l'appui, si entraîner un robot à prédire l'avenir améliore réellement ses performances en boucle fermée par rapport à une politique VLA directe. Les benchmarks de world models jugent la qualité de la prédiction sans jamais l'exécuter, tandis que les suites de succès de tâche n'hébergent qu'une seule politique à la fois et ne construisent jamais ce contraste. Pour les intégrateurs et décideurs qui arbitrent entre paradigmes de recherche et priorités d'investissement, la leçon est de rester prudent face aux annonces autour des world models : générer des vidéos futures convaincantes ne prouve aucun gain réel de succès de tâche en conditions réelles, faute de protocole capable d'isoler cet avantage. Ce fossé méthodologique vient du fait que les deux courants de recherche se sont développés en parallèle sans jamais vraiment se confronter, les politiques VLA étant jugées en boucle fermée sur le taux de réussite de tâches concrètes, les modèles du monde en boucle ouverte sur la seule qualité de leurs prédictions ou générations. Face à ce vide, les auteurs comparent leur couverture à celle des huit enquêtes les plus proches déjà publiées et revendiquent être les seuls à croiser capacité robotique et famille de modèle. Ils proposent une taxonomie opérationnelle des 160 bancs d'essai, une boucle d'évaluation conçue pour isoler spécifiquement l'avantage de la prédiction, et un protocole de quatre métriques ancrées sur des bancs d'essai nommés. Leur conclusion n'est pas que les world models aident ou non les robots, mais que répondre à cette question exige de construire des benchmarks conçus spécifiquement pour la poser.

RecherchePaper
1 source
La Chine ouvre plus de 70 sites d'entraînement pour l'IA incarnée, une norme de jeux de données attendue le 1er novembre
36Pandaily 

La Chine ouvre plus de 70 sites d'entraînement pour l'IA incarnée, une norme de jeux de données attendue le 1er novembre

La Chine a ouvert plus de 70 sites d'entrainement pour l'IA incarnée (embodied AI) a fin juin 2026, avec plus de 40 sites supplémentaires en construction ou en planification, selon un rapport de l'Academie chinoise des technologies de l'information et des communications (CAICT) cite par Economic Information Daily et relaye en anglais par Xinhua le 22 septembre. Ces installations, parfois surnommées "écoles de robots", se concentrent dans le delta du Yangtze, la région Pekin-Tianjin-Hebei et le delta de la rivière des Perles: le Zhejiang arrive en tête avec 14 sites, suivi du Jiangsu, de Pekin, du Guangdong et du Shandong avec huit chacun. La Chine compte plus de 140 fabricants de robots humanoïdes et a livre environ 14 400 unités en 2025, soit environ huit livraisons mondiales sur dix selon Xinhua. Sur ces sites, des opérateurs en capture de mouvement génèrent des trajectoires annotées a partir de taches répétitives comme saisir des bouteilles, charger des plateaux ou scanner des colis. Dans le Guangdong, le site provincial sert aussi de plateforme de mise en relation entre fabricants de robots et utilisateurs des secteurs santé et énergie, tandis que la base pilote nationale de Hangzhou se positionne comme connecteur mutualise entre entreprises publiques, groupes technologiques et partenaires applicatifs, avec des porteurs de projet qui évoquent des économies importantes par rapport a la constitution de jeux de données propriétaires. Cette annonce révèle un gouffre persistant entre le volume de déploiement de robots humanoïdes et leur fiabilité réelle en usage quotidien: malgré une production de masse, les fabricants chinois restent freines par la raretee de données d'interaction en conditions réelles, ce qui confirme que le "sim-to-real gap" n'est pas résolu par le seul volume de simulation. Pour les intégrateurs et décideurs B2B du secteur robotique, le signal est celui d'une infrastructure nationale de collecte de données plutôt que d'un produit ou d'un modèle fini a l'américaine (a comparer aux approches Pi-0 de Physical Intelligence ou GR00T N2 de Nvidia, davantage centrées sur les modèles VLA). Cette approche par volume de terrains d'entrainement, combinée a une normalisation imminente de la qualité des jeux de données, pourrait accélérer la maturité opérationnelle des flottes chinoises et redistribuer la compétition mondiale, jusqu'ici dominée par le narratif américain autour des VLA (vision-language-action). Cette dynamique s'inscrit dans la continuité d'une politique industrielle déjà engagée: en juin 2026, le ministère de l'Industrie et des Technologies de l'information (MIIT) et la Commission de supervision et d'administration des actifs publics (SASAC) ont lance une action spéciale demandant a chaque région provinciale d'identifier au moins 20 scenarios prioritaires et de créer des espaces d'entrainement et de test nécessitant un aménagement minimal. Parallelement, une norme industrielle sur la qualité des jeux de données d'IA incarnée, rédigée par le CAICT avec plus de 40 organisations, doit entrer en vigueur le 1er novembre 2026, avec l'objectif de faire passer le secteur d'une logique de collecte massive a une logique de qualité et d'évaluation. Des opérateurs testent aussi des modèles économiques allant au-delà de la simple vente de données brutes, comme le "training-as-a-service" combinant collecte, entrainement de modèles et validation applicative. Aucun acteur français ou européen (Wandercraft, Exotec, Pollen Robotics, Enchanted Tools) n'est mentionne dans cette annonce, qui reste centrée sur l'écosystème chinois et ses partenaires industriels domestiques.

UEAucun acteur français ou européen n'est impliqué, mais l'avance chinoise en volume de données d'entraînement terrain pourrait creuser l'écart de maturité opérationnelle face aux fabricants de robots humanoïdes européens.

Chine/AsieActu
1 source
Arm Total Design pour l'IA physique réunit plus de 80 développeurs
37Robotics Business Review 

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

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

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

InfrastructureActu
1 source
Revue complète de l'intelligence artificielle physique générative
38arXiv cs.RO 

Revue complète de l'intelligence artificielle physique générative

Une revue de littérature mise en ligne sur arXiv (référence 2609.18111v1) dresse un panorama de ce que ses auteurs appellent l'intelligence artificielle physique générative, des systèmes qui associent modèles de fondation et corps physiques pour percevoir, raisonner et agir de façon autonome. Ils distinguent cinq familles : les Robot Foundation Models, pour transférer des compétences entre plateformes robotiques différentes ; les modèles Vision Language Action, pour la perception multimodale et la commande de bout en bout ; les Large Behavior Models, pour générer des mouvements proches du geste humain ; les Diffusion Policy Models, fondés sur la diffusion, pour produire des séquences d'actions cohérentes dans le temps ; et les World Foundation Models, qui simulent la physique pour générer des données d'entraînement. Les exemples cités couvrent les véhicules autonomes, l'automatisation industrielle, la robotique médicale et les systèmes humanoïdes. Pour les intégrateurs et décideurs du secteur, l'apport tient à la mise en ordre d'un paysage saturé de revendications concurrentes, en montrant que ces cinq approches se complètent plutôt qu'elles ne s'opposent : un World Foundation Model peut fournir les données synthétiques qui entraînent un VLA ou un modèle de diffusion, un Robot Foundation Model porte une politique apprise d'une plateforme vers une autre, un Large Behavior Model apporte les a priori de mouvement qui rendent un geste crédible. Cette lecture tempère le discours souvent binaire sur la résolution du sim-to-real ou la capacité des VLA à généraliser seuls, en rappelant que les gains de performance observés restent portés par la combinaison de plusieurs briques technologiques plutôt que par une architecture unique. Il s'agit d'un travail de synthèse académique et non de l'annonce d'un produit ou d'un déploiement : aucune entreprise, aucun robot ni aucun chiffre de série n'est associé à cette publication, à la différence des communiqués habituels du secteur. Les auteurs inscrivent leur cadre dans la continuité des recherches sur l'IA incarnée et l'apprentissage de politiques robotiques, en le prolongeant vers des environnements connectés à l'internet des objets où des agents doivent coopérer avec des capteurs et des actionneurs en périphérie de réseau. Ils pointent plusieurs axes de recherche encore ouverts : apprentissage économe en données, transfert simulateur-réel, architectures compatibles avec le calcul embarqué, et cadres de sécurité, sans annoncer de calendrier ni de prototype précis pour ces prochaines étapes.

RecherchePaper
1 source
PhysBrain 1.5 : des modèles vision-langage aux modèles fondation pour l'IA physique
39arXiv cs.RO 

PhysBrain 1.5 : des modèles vision-langage aux modèles fondation pour l'IA physique

PhysBrain 1.5, décrit dans une publication arXiv (2609.14973v1, soumission croisée), est un modèle unifié qui fusionne compréhension de scène, génération d'actions et prédiction d'états futurs dans un seul cadre d'apprentissage. Bâti sur un modèle vision-langage généraliste, il encode réponses textuelles, mouvements de l'effecteur terminal et cibles visuelles denses en séquences discrètes, optimisées conjointement par prédiction autorégressive du token suivant. Le pré-entraînement s'appuie entièrement sur des vidéos d'interaction humaine, sans donnée robot, via des épisodes centrés sur des tâches associant contexte sémantique et spatial au mouvement reconstruit et aux observations suivantes. L'ajustement supervisé combine ensuite démonstrations humaines, trajectoires robotiques et expérience simulée. Sur 28 benchmarks de compréhension incarnée, le modèle de 8 milliards de paramètres obtient un score moyen de 72,5, nouveau record open source, à la hauteur de modèles propriétaires comme GPT-6-Astra et Gemini 3.6 Flash, et meilleur résultat open source sur 14 des 28 benchmarks. L'enjeu pour l'industrie robotique tient à la source de supervision : pré-entraîner un modèle d'action à partir de vidéos humaines ordinaires, plutôt que de coûteuses données de téléopération robotique, attaquerait le principal goulot d'étranglement des modèles vision-langage-action (VLA) pour bras et humanoïdes. Qu'un modèle ouvert de 8B rivalise avec des systèmes propriétaires sur la compréhension intéresse les intégrateurs cherchant un déploiement local sans dépendre d'une API fermée. Réserve importante toutefois : la génération de trajectoires et la prédiction de scènes futures (RGB, profondeur, masques robot) ne reposent que sur des exemples qualitatifs, sans taux de réussite ni temps de cycle chiffrés, un écart classique entre démonstration et fiabilité de terrain. Ce travail s'inscrit dans la vague des modèles vision-langage-action qui unifient perception, langage et contrôle moteur dans un même transformeur autorégressif, aux côtés d'approches comme Pi-0, GR00T N2 ou Helix, et se positionne explicitement face aux modèles multimodaux propriétaires des grands laboratoires. Il s'agit d'une publication de recherche arXiv, pas d'un produit livré ni d'un déploiement commercial : aucune entreprise, plateforme robotique ni calendrier de disponibilité n'est précisé. La suite logique serait une évaluation quantitative des capacités d'action sur robot réel, afin de vérifier si les démonstrations qualitatives se traduisent en performances reproductibles hors laboratoire.

IA physiqueOpinion
1 source
Communications orientées objectif pour l'IA physique : conception et banc d'essai
40arXiv cs.RO 

Communications orientées objectif pour l'IA physique : conception et banc d'essai

La 5G peine à absorber les flux vidéo haute fréquence qu'exigent les applications d'IA physique pour percevoir et agir en temps réel, un goulot d'étranglement que documente un preprint arXiv publié le 15 septembre 2026 (arXiv:2609.15895v1). Des chercheurs y présentent un banc d'essai de "communication orientée objectif" (goal-oriented communication, GoC), qui relie un bras robotique PiPER équipé d'une caméra RGB-D et d'un modem 5G à un serveur de périphérie NVIDIA Jetson AGX Orin, via un réseau 5G bâti sur la pile open source OpenAirInterface. Trois architectures GoC ont été mises en œuvre, transmettant respectivement des boîtes englobantes 3D, des graphes de scène 2D et des graphes de scène 3D, c'est-à-dire des représentations sémantiques compactes plutôt que l'image brute complète. Comparées à une transmission classique en continu du flux vidéo brut, ces méthodes réduisent le temps d'exécution des tâches jusqu'à 52,6% et augmentent le taux de réussite des tâches jusqu'à 45%, sur un pipeline complet incluant extraction sémantique, transmission 5G, inférence par modèle de langage, validation par jumeau numérique et commande robotique. L'intérêt de ces travaux tient moins à la performance brute qu'à leur méthode: la plupart des cadres GoC publiés jusqu'ici n'avaient été validés qu'en simulation, sans déploiement matériel réel connectant robot, réseau 5G et inférence embarquée de bout en bout. Pour les intégrateurs qui envisagent de déporter le calcul lourd d'un bras ou d'un robot mobile vers une périphérie de réseau, cela apporte une première preuve concrète que compresser la perception en représentations sémantiques, plutôt que d'en streamer l'intégralité, peut réduire la latence sans sacrifier la fiabilité de la tâche. Les chiffres avancés restent toutefois issus d'un environnement de laboratoire contrôlé, sur un seul type de bras robotique et un jeu de tâches limité, ce qui invite à la prudence avant toute extrapolation à des déploiements industriels à grande échelle. Ce travail s'inscrit dans la montée en puissance du concept d'"IA physique", popularisé notamment par les architectures vision-langage-action, qui exigent un couplage étroit entre perception continue et décision. Le choix d'OpenAirInterface, projet open source piloté depuis Sophia-Antipolis par Eurecom, ancre une partie de cette recherche télécom dans l'écosystème européen des réseaux 5G/6G. Les auteurs présentent leur banc d'essai comme une étape préparatoire aux futurs réseaux 6G, sans annoncer de partenariat industriel ni de calendrier de déploiement commercial; un site de projet dédié met à disposition davantage de détails techniques.

UELe banc d'essai s'appuie sur OpenAirInterface, pile 5G open source pilotée par Eurecom a Sophia-Antipolis, ancrant cette recherche telecom-robotique dans l'écosystème européen des réseaux 5G/6G.

RecherchePaper
1 source
DropVLA : une attaque par porte dérobée au niveau des actions sur les modèles vision-langage-action
41arXiv cs.RO 

DropVLA : une attaque par porte dérobée au niveau des actions sur les modèles vision-langage-action

Des chercheurs présentent DropVLA, une attaque de type backdoor visant les modèles Vision-Language-Action (VLA), ces systèmes qui traduisent perception multimodale et instructions en langage naturel en commandes robotiques exécutables. Contrairement aux attaques précédentes qui perturbaient la tâche entière, DropVLA cible une action précise : forcer un primitive réutilisable (par exemple open_gripper) à s'exécuter à un instant choisi par l'attaquant, en n'empoisonnant qu'une fraction infime des données d'entraînement. Testée sur OpenVLA-7B avec la suite d'évaluation LIBERO, une contamination purement visuelle atteint un taux de réussite de l'attaque (ASR) de 98,67 à 99,83% avec seulement 0,31% d'épisodes empoisonnés, tout en conservant 98,50 à 99,17% de performance sur les tâches normales. L'action ciblée se déclenche en moins de 25 pas de contrôle à 500 Hz, soit 0,05 seconde. Les déclencheurs textuels seuls s'avèrent instables à faible budget d'empoisonnement (0,72% d'ASR) et leur combinaison avec le visuel n'apporte aucun gain constant. Les auteurs valident aussi la faisabilité en environnement physique sur un bras Franka à 7 degrés de liberté (DoF) piloté par pi0-fast, malgré la dérive du déclencheur dans le plan image due au mouvement relatif de la caméra. Ce résultat est significatif pour l'industrie robotique car il expose une vulnérabilité de sécurité critique dans une classe de modèles de plus en plus déployée comme couche de contrôle générique pour des bras manipulateurs et humanoïdes. Que le backdoor reste indétectable sur les métriques de performance nominale tout en atteignant une fiabilité proche de 100% avec une contamination minime remet en question la confiance accordée aux pipelines d'entraînement VLA, notamment quand les données proviennent de sources tierces ou de démonstrations crowdsourcées. Pour les intégrateurs et décideurs B2B qui envisagent de déployer des VLA sur des tâches physiques sensibles (préhension, assemblage, environnements partagés avec des humains), cela souligne l'urgence d'audits de la chaîne de données et de mécanismes de détection de déclencheurs avant mise en production, un sujet jusqu'ici largement éclipsé par les annonces de performance de modèles comme Pi-0, GR00T N2 ou Helix. Ce travail s'inscrit dans une littérature émergente sur les attaques adverses ciblant les modèles fondation robotiques, qui jusqu'ici se concentrait sur des attaques non ciblées ou un détournement au niveau de la tâche globale plutôt que sur le contrôle fin d'actions individuelles. La méthode s'appuie sur un schéma de réétiquetage cohérent par fenêtre temporelle, adapté au fine-tuning par blocs d'actions (chunked fine-tuning), dans un cadre réaliste où l'attaquant n'a qu'un accès limité à l'empoisonnement des données et traite le pipeline comme une boîte noire. Le backdoor résiste à des variations modérées du déclencheur et se transfère entre suites d'évaluation (96,27% et 99,09% d'ASR), renforçant l'idée qu'il exploite une faiblesse structurelle plutôt qu'un artefact spécifique au benchmark. Les auteurs ne mentionnent pas de contre-mesure déployée à ce stade, laissant la détection et la défense contre ce type d'attaque comme prochaine étape ouverte pour la communauté.

UECette vulnérabilité concerne directement les intégrateurs européens qui envisagent de déployer des VLA en environnement industriel ou partage avec des humains, dans un contexte ou l'AI Act impose des exigences de robustesse pour les systèmes a haut risque.

RechercheActu
1 source
IMLE-VLA : génération d'actions en une seule étape pour les modèles vision-langage-action
42arXiv cs.RO 

IMLE-VLA : génération d'actions en une seule étape pour les modèles vision-langage-action

Publié sur arXiv (2609.10915), IMLE-VLA remplace la tête d'action itérative des politiques vision-langage-action (VLA) par un générateur en une seule étape, entraîné via l'estimation conditionnelle du maximum de vraisemblance implicite (cIMLE). Appliqué au modèle π0.5, il fait passer la fréquence d'inférence de 15 Hz à 55 Hz, soit un facteur 3,67, et jusqu'à 11 fois le débit d'action. Sur le benchmark LIBERO, qui couvre 40 tâches, IMLE-VLA atteint 98,0% de réussite moyenne, le meilleur score et la plus haute fréquence d'inférence parmi les méthodes comparées. Sous les perturbations du test LIBERO-plus, il conserve la robustesse de π0.5 alors que les autres approches se dégradent nettement. Sur un bras Franka Emika Panda, quatre tâches en conditions réelles montrent un jerk réduit de 2,2 à 3,0 fois et un temps d'inférence par épisode divisé par 3,9 à 6,6 par rapport à π0.5 seul. Le problème visé est bien identifié dans le secteur: les têtes d'action entraînées par diffusion ou flow matching, comme celle de π0.5, exigent un échantillonnage multi-étapes (jusqu'à 10 pas d'Euler), ce qui produit un mouvement saccadé du robot et ralentit l'exécution des tâches. Pour les intégrateurs et équipes robotique qui déploient des bras ou des humanoïdes pilotés par des modèles de fondation, la latence d'inférence conditionne directement la fluidité et la sécurité du contrôle en temps réel. En montrant qu'un générateur à étape unique peut couvrir la multimodalité de l'action sans tomber dans l'effondrement de mode des têtes de régression classiques, IMLE-VLA remet en cause l'idée reçue selon laquelle l'échantillonnage itératif serait indispensable pour préserver la généralisation des politiques VLA à grande échelle. Ce travail s'inscrit dans la lignée des VLA construits sur des backbones vision-langage préentraînés, avec π0.5 comme base de comparaison. Il s'agit d'une contribution académique et non d'un produit commercial: code et vidéos de démonstration sont publiés sur le site du projet à des fins de reproductibilité, sans annonce de déploiement industriel ni de pilote client. Présentée comme générique, la méthode cIMLE pourrait en principe s'appliquer à d'autres têtes d'action par diffusion ou flow matching utilisées ailleurs dans le secteur, ce qui ouvre la voie à des tests sur d'autres politiques VLA et d'autres plateformes robotiques, au-delà du seul bras Franka Emika Panda utilisé pour cette validation.

RechercheActu
1 source
Skild AI utilise l'IA physique de NVIDIA pour apprendre de nouvelles tâches aux robots à partir d'une seule vidéo
43NVIDIA Blog Robotics 

Skild AI utilise l'IA physique de NVIDIA pour apprendre de nouvelles tâches aux robots à partir d'une seule vidéo

Skild AI a lancé la semaine dernière S1, un modèle de fondation robotique capable d'apprendre une tâche inédite à partir d'une seule vidéo de démonstration, sans réentraînement ni mise à jour de ses poids, une méthode dite d'apprentissage "en contexte". Entraîné sur l'infrastructure NVIDIA (simulation Isaac Lab, modèles de monde Cosmos), S1 interprète l'intention, les objets et la séquence montrés, puis les transpose en actions pour le robot présent, même hors de ses données d'entraînement. Il exécute des tâches de jusqu'à dix minutes, rempotage de plantes, préparation de pancakes, café filtre, assemblage de kits, en enchaînant des dizaines d'étapes de manipulation. Lors d'un test de rempotage, onze minutes ont suffi entre l'enregistrement de la démonstration et l'exécution autonome sur le robot. Skild annonce 66% de réussite par étape sur des tâches multi-étapes nouvelles, contre 9% pour un système comparable non identifié, soit un facteur sept, et estime qu'une seule vidéo équivaut à environ 380 exemples d'entraînement manuels, soit 50 à 100 heures de collecte. Cofondée par Deepak Pathak, la startup revendique un taux de revenu annualisé de 100 millions de dollars dix mois après son premier déploiement commercial, avec plus de 60 partenariats en logistique, inspection, sécurité, restauration et industrie manufacturière. L'enjeu pour l'industrie est de sortir de la reprogrammation systématique: chaque changement de produit, de process ou de disposition de ligne impose d'ordinaire une nouvelle collecte de données et un nouvel entraînement, un frein connu à l'adoption des robots sur des sites qui évoluent en permanence. Si ces résultats se confirment hors des tests internes de Skild, cela rapprocherait les modèles vision-langage-action d'un usage industriel réel plutôt que d'une démonstration de laboratoire, avec un argument concret face à des modèles concurrents comme Pi-0 de Physical Intelligence, GR00T N2 ou Helix. Les chiffres avancés (66% contre 9%, équivalence à 380 exemples) restent toutefois des mesures internes, sans protocole indépendant ni identification du système comparé, à lire comme une tendance plutôt qu'une preuve définitive. Le déploiement le plus tangible reste celui mené avec Foxconn: Skild et NVIDIA font tourner le "Skild Brain" sur des bras manipulateurs bimanuels pour l'assemblage de précision de systèmes NVIDIA Blackwell, un robot posant une busbar et un bloc de fin de course puis vissant 16 vis tout en s'adaptant aux aléas. S1 s'inscrit dans une collaboration plus large entre Skild et NVIDIA, couvrant génération de données synthétiques, entraînement, simulation et déploiement en conditions réelles, illustrant la stratégie de NVIDIA consistant à fournir l'infrastructure de toute la chaîne robotique plutôt qu'à concurrencer directement les fabricants de robots. Skild revendique plus de 60 partenariats noués en dix mois, signe d'une commercialisation rapide dans un secteur où beaucoup d'acteurs en sont encore au stade du pilote. Ni le calendrier d'extension du déploiement chez Foxconn ni l'ouverture de S1 à d'autres intégrateurs ne sont précisés, et les vidéos diffusées sur le blog de NVIDIA relèvent de la démonstration commerciale plutôt que d'un rapport technique indépendant, dans une tendance de fond où les modèles de fondation robotiques, entraînés sur des données vidéo et simulées à grande échelle, cherchent à remplacer la programmation tâche par tâche qui limite depuis des décennies la flexibilité des robots industriels.

IA physiqueActu
1 source
Les humanoïdes IRON de XPeng sortent de la chaîne de production, tandis que l'Optimus de Tesla accuse du retard
44Interesting Engineering 

Les humanoïdes IRON de XPeng sortent de la chaîne de production, tandis que l'Optimus de Tesla accuse du retard

Le constructeur automobile chinois XPeng a lancé la production de son robot humanoïde IRON dans une usine dédiée à Guangzhou, où un exemplaire a quitté la chaîne de manière autonome après assemblage, selon un communiqué de l'entreprise début septembre 2026. XPeng dit automatiser plus de 80% des processus clés de cette ligne. IRON combine une structure en treillis flexible entièrement carénée, 76 degrés de liberté (DOF) pour le corps et 21 DOF par main. Trois puces Turing AI maison lui donnent une puissance de calcul annoncée de 2 250 TOPS, suffisante pour exécuter son modèle de fondation "Physical AI" directement à bord, sans téléopération ni calcul déporté. He Xiaopeng, PDG de XPeng, veut faire d'IRON "un compagnon dans la vie quotidienne des gens". L'annonce survient alors que Tesla retarde de nouveau Optimus: la production, initialement prévue cet été avec des ventes dès fin 2026, est désormais attendue "dans les prochains mois", pour une commercialisation visée au second semestre 2027. Le robot "sortant seul" de la chaîne reste une démonstration mise en scène illustrant l'intégration de la robotique et de l'IA en usine, pas une preuve de volumes réels ni de fiabilité en conditions de production. XPeng dispose toutefois d'un atout rare parmi les acteurs de l'humanoïde: une expertise industrielle automobile directement transposée à la fabrication de robots, comparable à celle de Tesla mais absente chez la plupart des start-up pures. Pour les intégrateurs et décideurs B2B, l'enjeu se déplace du prototype vers la fabrication en série, terrain désormais plus décisif que les démonstrations de marche ou de préhension. Faire tourner l'inférence en local plutôt qu'en téléopération conforte l'hypothèse d'architectures vision-langage-action (VLA) embarquées à faible latence comme condition d'une autonomie réelle, à l'inverse des glissements répétés du calendrier d'Optimus, qui rappellent l'écart persistant entre annonces et industrialisation effective dans ce secteur. IRON s'inscrit dans la stratégie "Physical AI" de XPeng, qui transpose son savoir-faire de constructeur de véhicules électriques et l'automatisation de ses usines à la robotique humanoïde généraliste, un segment où la Chine aligne aussi Unitree, Fourier ou UBTech face aux acteurs américains. Le robot est présenté comme une plateforme généraliste censée s'améliorer par auto-renforcement à partir d'expériences réelles, au-delà d'une tâche industrielle unique. Tesla reste la référence occidentale la plus scrutée avec Optimus, dont le dévoilement officiel est attendu près du lancement de production et dont la génération suivante dépendra des retours de terrain, tandis que XPeng n'a communiqué ni cadence de montée en volume ni client ou site pilote identifié pour IRON au-delà de cette première sortie de chaîne.

HumanoïdesOpinion
1 source
La robotique doit répondre aux grands défis écologiques et sociétaux
45Robot Magazine FR 

La robotique doit répondre aux grands défis écologiques et sociétaux

La France et l'Europe doivent-elles suivre la course technologique américano-chinoise en robotique, ou tracer une voie différente ? C'est la question que traite un entretien accordé à Robot Magazine par Catherine Simon, Conseillère Numérique Industriel pour la 5G, l'électronique et la robotique au Secrétariat général pour l'investissement (SGPI). Elle y retrace l'évolution de la robotique depuis les premières éditions du salon Innorobo, où les robots déployés restaient des outils industriels spécialisés pour des tâches répétitives en environnement contrôlé, malgré une diversité déjà réelle d'applications allant du médical à la logistique, en passant par l'agriculture et l'exploration en milieu extrême. Elle situe la rupture actuelle dans la convergence de l'IA générative et de la Physical AI, qui fait basculer la robotique vers le statut de « General Purpose Technology ». Elle identifie quatre moteurs de cette transformation : l'agentification autonome, qui permet une prise de décision en temps réel sans intervention humaine ; la perception multimodale combinant vision, toucher et audition ; l'apprentissage actif et par renforcement ; et l'intégration de modèles de langage (LLM) pour une interaction vocale et gestuelle plus naturelle, y compris pour des utilisateurs non experts. Ce cadrage est significatif pour les industriels et décideurs européens, car il formalise une ligne de démarcation stratégique avec les États-Unis et la Chine. Catherine Simon pointe la logique technocentrée de ces deux puissances, illustrée par des démonstrations de robots humanoïdes effectuant des saltos ou courant des marathons, des vitrines qu'elle distingue implicitement d'une réponse à un besoin réel. Elle plaide pour une approche inverse en France et en Europe, tirée par la demande des secteurs économiques stratégiques et par les urgences environnementales et sociétales, plutôt que par la course à la performance technique pour elle-même. Pour un intégrateur ou un COO industriel, ce positionnement suggère que les financements publics français chercheront à prioriser des marchés à besoins massifs et avérés plutôt qu'à soutenir des démonstrations robotiques spectaculaires sans débouché immédiat. Cette prise de position s'inscrit dans la mission du SGPI, qui pilote une partie des investissements technologiques de l'État français, dans un contexte de compétition mondiale sur l'IA physique et les humanoïdes largement dominée jusqu'ici par les annonces américaines et chinoises. Catherine Simon défend l'idée que la France et l'Europe disposent d'un écosystème complet, grands groupes industriels, PME innovantes, laboratoires de recherche et compétences techniques en matériel comme en logiciel, pour construire une offre compétitive. L'entretien ne comporte toutefois aucune annonce de produit, de pilote industriel ni de calendrier de déploiement précis : il s'agit d'une déclaration d'orientation stratégique destinée à peser sur les priorités d'investissement public, pas d'un bilan de réalisations. La suite qu'elle esquisse consiste à identifier les marchés porteurs où cet écosystème franco-européen pourrait se positionner face aux acteurs nord-américains et chinois.

UECette prise de position du SGPI vise a orienter les futurs financements publics français vers des marches robotiques a besoins avares plutôt que vers une course technologique face aux Etats-Unis et a la Chine.

FR/EU ecosystemeOpinion
1 source
Inbolt aborde le problème du déploiement de l'IA physique à RoboBusiness
46Robotics Business Review 

Inbolt aborde le problème du déploiement de l'IA physique à RoboBusiness

Le fondateur et directeur général d'Inbolt, Rudy Cohen, interviendra le 20 octobre 2026 à 14h15 lors de la conférence RoboBusiness, qui se tient les 20 et 21 octobre à Santa Clara, en Californie. Sa présentation, intitulée "Physical AI Doesn't Have a Data Problem; It Has a Deployment Problem", s'appuiera sur des données de production issues de lignes chez Stellantis, Toyota et Ford. Inbolt, startup française fondée en 2019 par Cohen, passé par la recherche en mathématiques appliquées à l'École Normale Supérieure Paris-Saclay puis par un master entrepreneuriat à Polytechnique et HEC Paris, a levé 20 millions d'euros (23,2 millions de dollars) depuis sa création. L'entreprise revendique un déploiement dans plus de 100 usines en Europe, aux États-Unis et au Japon, pour plus de 40 millions de cycles robotiques exécutés, des chiffres avancés par la société elle-même et non vérifiés de manière indépendante. Sa technologie combine guidage visuel et préhension flexible: les robots saisissent des pièces selon les opportunités disponibles, puis une localisation en main permet d'ajuster la trajectoire en cours de mouvement. La couche de contrôle développée par Inbolt convertit des jumeaux numériques en exécution robotique en temps réel. Le discours de Cohen s'oppose frontalement au consensus dominant du secteur de l'IA physique, selon lequel les progrès dépendraient avant tout du volume et de la qualité des données d'entraînement, un raisonnement valable en laboratoire mais, selon lui, inadapté à l'usine. Le vrai goulot d'étranglement se situerait dans la boucle entre perception et mouvement, et dans ce qu'il appelle la "taxe d'intégration": les mois de conception de montages, de câblage et d'ajustements qui transforment chaque déploiement en projet à six chiffres. Cette thèse, qui sert aussi à positionner commercialement le produit d'Inbolt comme réponse à ce problème précis, apporte néanmoins un éclairage utile pour les intégrateurs et décideurs industriels engagés dans la course à l'IA physique et aux modèles vision-langage-action: elle suggère que la fermeture de la boucle à fréquence servo, plutôt que la taille des modèles fondation, conditionne la rentabilité réelle des déploiements. Elle rappelle aussi que l'IA physique est déjà rentable dans des applications industrielles précises et documentées, dans l'automobile notamment, loin des vitrines médiatiques des démonstrations humanoïdes. Inbolt illustre la présence, encore rare mais réelle, d'acteurs français dans la robotique industrielle pilotée par IA, aux côtés d'autres entreprises tricolores comme Wandercraft ou Exotec sur d'autres segments du marché. Contrairement aux protagonistes de la course humanoïde tels que Figure (Figure 03), Tesla (Optimus), Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2), Inbolt se concentre sur le contrôle vision-guidé de bras robotiques industriels existants plutôt que sur des plateformes humanoïdes complètes. Cette intervention à RoboBusiness reste une présentation de conférence, et non une annonce produit ni un nouveau déploiement: elle vise à faire connaître la position d'Inbolt sur le marché en amont de l'événement, dont l'inscription est ouverte via l'organisateur Arrowfly, avec des tarifs réduits pour le monde académique, les associations et les groupes d'entreprises. Aucune nouvelle étape de déploiement ni nouveau client n'est annoncé au-delà de cette prise de parole.

UEInbolt, startup française fondée par Rudy Cohen, illustre une présence tricolore active dans la robotique industrielle pilotée par IA, avec des déploiements revendiqués dans des usines en Europe.

FR/EU ecosystemeActu
1 source
Robotique : quand une erreur d’IA devient un risque physique
47Robot Magazine FR 

Robotique : quand une erreur d’IA devient un risque physique

La revue scientifique Safety Science a publié en 2025 une étude portant sur 303 rapports d'accidents liés aux interactions entre humains et robots, dont ressortent sept grandes catégories d'incidents. Deux causes dominent particulièrement l'analyse : les activations inattendues des machines et les erreurs de capteurs, deux défaillances qui touchent directement au cœur de ce que l'industrie appelle désormais la Physical AI, c'est à dire l'intelligence artificielle appliquée au pilotage de bras robotiques, de robots mobiles et, à terme, d'humanoïdes. En parallèle, l'agence américaine OSHA a recensé 550 incidents impliquant des robots dans le secteur manufacturier : 33 % des victimes ont nécessité une prise en charge aux urgences et 2 % ont donné lieu à une hospitalisation, avec des blessures allant des coupures et contusions aux fractures. La maintenance et le nettoyage des robots ressortent comme des phases particulièrement exposées. Ces chiffres ne peuvent pas tous être attribués à l'intelligence artificielle, mais ils documentent ce qui se produit déjà lorsque humains et machines capables de mouvements puissants partagent un même espace de travail. Ce changement de nature du risque a des conséquences directes pour les intégrateurs et les décideurs industriels. Un logiciel classique suit une logique déterministe et prévisible ; un système de Physical AI interprète son environnement en temps réel et adapte ses actions, ce qui constitue précisément sa valeur ajoutée mais aussi sa faille de sécurité. Une erreur de perception, par exemple une caméra qui identifie mal un objet ou une scène, ne produit plus une donnée erronée mais un mouvement physique incorrect, potentiellement dangereux pour un opérateur présent sur la trajectoire. Cela contredit l'hypothèse implicite selon laquelle les progrès des modèles vision-langage-action (VLA) suffiraient à rendre les robots plus sûrs à mesure qu'ils deviennent plus autonomes : l'autonomie de décision ajoute une variable difficile à certifier et à auditer, un enjeu central pour toute entreprise qui envisage de déployer des humanoïdes ou des robots collaboratifs en usine ou en entrepôt. Cette question s'inscrit dans la montée en puissance rapide des humanoïdes et robots mobiles pilotés par IA générative, portée par des acteurs comme Figure, Tesla avec Optimus, ou les développeurs de modèles VLA de type Pi-0 ou GR00T. Face à cette course au déploiement, la sécurité fonctionnelle reste largement en retrait des annonces commerciales. La prochaine étape attendue par le secteur concerne l'émergence de standards de certification spécifiques à l'IA embarquée dans des systèmes physiques, un chantier que régulateurs et industriels commencent tout juste à ouvrir.

Societe/EthiqueOpinion
1 source
Quand les robots nous comprennent mal : les risques de sécurité de l'IA incarnée à commande vocale
48arXiv cs.RO 

Quand les robots nous comprennent mal : les risques de sécurité de l'IA incarnée à commande vocale

Une étude publiée sur arXiv (arXiv:2608.28518v1, catégorie cross-listing) le 31 août 2026, intitulée "When Robots Mishear Us: Mapping the Safety Risks of Voice-Controlled Embodied AI", examine si les erreurs de reconnaissance vocale automatique (ASR) dans les commandes utilisateur peuvent conduire des modèles d'IA incarnée (Embodied AI) à exécuter des instructions dangereuses. Les auteurs simulent des erreurs ASR typiques et les combinent avec deux benchmarks de sécurité existants, SafeAgentBench et POEX, pour mesurer l'effet de différents types d'erreurs sur le comportement des modèles. Résultat central : certaines erreurs de transcription préservent la structure grammaticale de la phrase mais introduisent une ambiguïté qui devient dangereuse une fois exécutée par le robot, tandis que d'autres affaiblissent directement le mécanisme de refus du modèle, permettant la génération et l'exécution de plans d'action nuisibles qui auraient normalement été bloqués. La correction automatique des erreurs ASR réduit le risque dans certains cas, mais l'étude montre que cet effet n'est pas systématique. Globalement, les chercheurs concluent que les erreurs ASR constituent un facteur de risque significatif pour la sécurité des systèmes d'IA incarnée. Ce travail met en évidence une surface d'attaque souvent négligée dans la sécurisation des robots à commande vocale : le maillon de transcription lui-même, en amont du modèle de langage ou de planification. Pour les intégrateurs qui déploient des interfaces vocales sur des robots humanoïdes ou des bras manipulateurs, cela signifie qu'un audit de sécurité centré uniquement sur le comportement de refus du modèle de langage reste incomplet si le pipeline vocal en amont n'est pas testé pour sa robustesse aux erreurs de transcription. Le résultat contredit l'hypothèse implicite selon laquelle un alignement de sécurité validé sur des commandes textuelles propres garantit la sécurité en usage réel, où le bruit ambiant, les accents ou les homophones dégradent la fidélité de l'ASR, notamment dans des environnements industriels bruyants. L'article s'inscrit dans la lignée des benchmarks de sécurité pour agents incarnés comme SafeAgentBench et POEX, qui évaluaient jusqu'ici la robustesse face à des prompts textuels malveillants ou ambigus sans modéliser la couche de reconnaissance vocale. Il s'agit d'une contribution de recherche académique, sans lien avec un déploiement commercial ou un robot spécifique. Les auteurs appellent implicitement à intégrer des vérifications de sécurité cross-modales, capables de détecter les incohérences entre l'intention probable de l'utilisateur et le texte transcrit, avant toute exécution d'action physique par le robot.

RechercheActu
1 source
Riemann-1.0 : un modèle d'action du monde incarné pour l'IA physique
49arXiv cs.RO 

Riemann-1.0 : un modèle d'action du monde incarné pour l'IA physique

Un preprint publie sur arXiv (2608.27033) présente Riemann-1.0, un "World Action Model" causal et autoregressif qui unifie, dans une seule séquence, observations visuelles multi-vues, états du robot et actions spécifiques a chaque embodiment. Le modèle est pré-entraine sur plus de 200 000 heures de données hétérogènes: vidéos humaines a la première personne, démonstrations avec pinces portables et trajectoires de robots varies. Il atteint 94,3% de réussite sur RoboTwin2.0, 99,0% sur LIBERO et 62,6% sur le benchmark compositionnel long-horizon RoboCasa-365, soit 8,4 points de plus que la meilleure méthode antérieure. Sur des taches réelles de manipulation longue durée, il obtient 85,0% de réussite (SR) et 94,4% de progression (PSR), soit 15 points de plus que le meilleur système open source de référence. Le résultat notable n'est pas seulement le score, mais l'architecture: un seul modèle fait a la fois office de politique de contrôle exécutable et de simulateur du monde conditionne par l'action, la ou la plupart des approches séparent prédiction vidéo et génération d'actions. Cela alimente le débat sur le passage a l'échelle des modèles vision-langage-action, en suggérant que des sources bon marche comme la vidéo humaine peuvent compléter des données robotiques rares pour améliorer la généralisation. Pour les intégrateurs, la prudence reste de mise: ces résultats proviennent d'un preprint non relu par les pairs, obtenus sur des benchmarks contrôles et des taches réelles décrites de façon générique, sans précision sur le site de test ni sur un déploiement en production. Riemann-1.0 se positionne contre trois familles de "world models" robotiques existantes, génération conjointe d'actions et d'images, prédiction vidéo suivie d'une politique séparée, ou architectures découplées, jugées limitantes par ses auteurs face a la fragmentation entre simulation du monde et contrôle du robot. L'article ne mentionne ni organisation commerciale a l'origine du projet, ni plateforme robotique associée, ni date de pilote ou de déploiement: il se presente comme un jalon de recherche plutôt que comme un produit livre. Les suites logiques, non confirmées dans le texte, porteraient sur l'extension a davantage d'embodiments et sur des essais en conditions réelles hors laboratoire, dans la lignée des travaux parallèles menés par d'autres laboratoires sur les modèles fondation pour la manipulation robotique.

IA physiqueActu
1 source
Pékin remporte les Humanoid Games : son PDG évoque un « moment ChatGPT » imminent pour l'IA incarnée
50Pandaily 

Pékin remporte les Humanoid Games : son PDG évoque un « moment ChatGPT » imminent pour l'IA incarnée

Le Beijing Humanoid Robotics Innovation Center a dominé la deuxième édition des World Humanoid Robot Games, remportant 15 médailles d'or, 12 d'argent et 18 de bronze au soir du 26 août, quelques heures avant la clôture de la World Robot Conference à Pékin. Sa gamme de robots Tiangong a établi 34 records humains durant la compétition et décroché l'or dans les épreuves phares, tant sportives que scénarisées. La même semaine, le centre a dévoilé Pelican-Unify, un modèle unifié d'intelligence embarquée, ainsi que Tiangong Omni, un humanoïde léger de 1,35 mètre pour 39 kilogrammes conçu pour une production de masse à coût réduit. Il a également annoncé un partenariat stratégique avec Mercedes-Benz, dans lequel le robot Tiangong 3.0 a servi de "conseiller sur base silicium", accueillant les visiteurs, présentant les modèles et répondant aux questions dans un environnement de salon très fréquenté. Le PDG Xiong Youjun a affirmé que le secteur approche la "veille du moment ChatGPT" de l'IA incarnée, une formule qui relève davantage du discours de positionnement que d'un fait vérifiable et mérite d'être lue comme telle. Au-delà de la vitrine compétitive, le discours de Xiong marque un déplacement notable du débat sectoriel : de la course aux spécifications brutes (couple moteur, degrés de liberté) vers des critères plus systémiques, chaîne d'approvisionnement, ingénierie, expérience client, et surtout la question du retour sur investissement, signe classique d'un marché qui cherche à sortir du stade de la démonstration. Xiong reconnaît lui-même que les humanoïdes restent en retrait des robots industriels et de la main-d'œuvre humaine sur ce critère de rentabilité, ce qui tranche avec la tonalité triomphaliste habituelle de ces événements. Pour les intégrateurs et décideurs industriels, l'élément le plus concret est ailleurs : la plateforme open source Huisi Kaiwu revendique plus de 16 millions de téléchargements, une dizaine de modèles ouverts et plus de 200 partenaires de développement, dont des institutions aux États-Unis et en Europe, ce qui en fait une tentative sérieuse de mutualisation d'infrastructure plutôt qu'une simple démonstration technologique isolée. Cette stratégie s'inscrit dans une approche délibérément terre-à-terre : plutôt que de viser des usages spectaculaires, Beijing Humanoid cible ce que Xiong appelle les scénarios "3D" (sales, dangereux, répétitifs), comme les opérations sous tension électrique, les tests en laboratoire, l'inspection énergétique ou le tri logistique. Un cas cité, l'automatisation de la vérification de thermomètres infrarouges pour l'Institut de métrologie du Jiangsu avec un gain de vitesse revendiqué de six fois, reste toutefois un exemple isolé communiqué par l'entreprise, sans données indépendantes pour l'étayer. Xiong pousse également la standardisation du secteur, en présidant un groupe de travail sur les normes de sécurité et en faisant avancer 49 standards, estimant que l'industrialisation des humanoïdes nécessite d'abord une infrastructure commune avant toute adoption à grande échelle. Aucun acteur français ou européen de la robotique humanoïde n'apparaît directement dans cette annonce, en dehors du partenariat commercial avec le constructeur automobile allemand Mercedes-Benz.

UELe partenariat commercial de Tiangong 3.0 avec Mercedes-Benz est le seul point de contact avec un acteur européen, sans participation d'entreprises ou d'institutions françaises ou européennes de la robotique humanoïde.

Chine/AsieOpinion
1 source