Dossier NVIDIA GR00T

BiDex-100 : un banc d'essai complet pour la manipulation dextre bimanuelle sur plus de 100 tâches en simulation

BiDex-100, un nouveau banc d'essai en simulation publié sur arXiv par l'équipe Robbyant Research, cible la manipulation bimanuelle dextre, c'est-à-dire l'usage coordonné de deux mains robotiques à nombreux degrés de liberté (DOF). Il regroupe 106 tâches réparties selon cinq axes de capacités : généralisation, suivi d'instructions, démonstrations limitées, longs horizons et mémoire. Chaque tâche existe aussi en variante hors domaine, avec des modifications visuelles et spatiales contrôlées, afin de mesurer la robustesse. Le benchmark prend en charge deux embodiments (morphologies robotiques) et fournit 8 080 démonstrations téléopérées dont le succès a été validé, soit 6,25 millions de trames. Les auteurs évaluent sept modèles VLA (Vision-Language-Action) récents selon un protocole unifié, et établissent ainsi des références par capacité, par robustesse et par efficacité en données. Les noms des modèles testés et leurs scores ne figurent pas dans le résumé. L'intérêt tient à un déficit de mesure. La plupart des évaluations de VLA se concentrent sur des pinces parallèles ou des scènes à un seul bras, si bien que les capacités réelles de ces modèles avec des mains à haute dimensionnalité restent mal caractérisées. Un banc d'essai qui sépare la mémoire, le long horizon et la frugalité en données permet de savoir où un modèle échoue, plutôt que de se contenter d'un taux de succès global. La paire tâche/variante hors domaine s'attaque directement à l'écart entre démonstration et réalité, car elle teste si une politique survit à un simple changement d'apparence ou de position. Pour un intégrateur ou un décideur B2B, cela offre un critère de comparaison plus exploitable que des vidéos choisies. Il faut toutefois rester prudent : il s'agit d'une simulation, et rien ne garantit que les classements se transfèrent au matériel réel, ni que les démonstrations téléopérées représentent la variabilité d'un site industriel. Le contexte est celui d'une course aux mains dextres et aux modèles d'action généralistes, portée par des acteurs comme Figure avec Helix, Tesla avec Optimus, NVIDIA avec GR00T ou Physical Intelligence avec Pi-0. Chacun annonce des progrès en dextérité, mais selon des protocoles propres et rarement comparables. Des suites existantes comme RoboTwin, centrée sur la bimanualité, ou LIBERO, orientée tâches de table, ont servi de références, mais pas pour des mains à nombreux DOF. Cette version 2 de l'article remplace une première soumission, et le site du projet est hébergé par Robbyant Research. La suite dépendra de l'adoption de BiDex-100 par d'autres laboratoires et de la publication de résultats sur robots physiques.

VLA-Stem : un mécanisme de sécurité léger pour les modèles vision-langage-action (VLA) par apprentissage par renforcement

Des chercheurs proposent VLA-Stem, un mécanisme de sécurité léger fondé sur l'apprentissage par renforcement, destiné aux modèles Vision-Language-Action (VLA), ces modèles qui relient raisonnement de haut niveau et exécution d'actions bas niveau pour un contrôle robotique de bout en bout. Le principe est de ne pas toucher à la politique VLA sous-jacente. VLA-Stem convertit ses « action chunks » (séquences d'actions prédites) en références de mouvement, puis une politique dite « Stem » modifie l'exécution à l'inférence. Elle s'appuie pour cela sur ces références, la proprioception du robot et des informations locales sur les obstacles. L'entraînement combine distillation enseignant-élève et apprentissage par curriculum, pour gagner en robustesse et en efficacité d'échantillonnage. Sur six configurations simulées avec contraintes, la méthode atteint 52,8 % de succès moyen sans collision, contre 23,7 % pour la meilleure base de référence en sécurité. Elle préserve aussi les performances de la politique d'origine en l'absence d'obstacles. Des essais sur robot réel montrent des réductions de collisions constantes face à des obstacles statiques et dynamiques. Il s'agit d'un travail de recherche (préprint arXiv), sans produit ni déploiement commercial. L'enjeu est un angle mort bien connu des VLA : la plupart sont conçus pour de la manipulation statique dans des environnements sans contraintes, et ignorent les contraintes spatiales comme les obstacles mobiles, qui sont pourtant la norme en usine ou en logistique. La solution évidente, réentraîner le VLA sur des données d'évitement, coûte cher à collecter, surtout en dynamique, et risque de dégrader les capacités initiales. Une couche de sécurité modulaire, qui laisse le modèle de base intact, intéresse donc les intégrateurs : elle pourrait s'ajouter à des VLA existants sans repasser par un cycle complet de fine-tuning. Les chiffres appellent toutefois à la prudence. Un succès sans collision à 52,8 % reste très loin d'un niveau acceptable pour un déploiement industriel, et l'essentiel de l'évaluation est en simulation. L'ampleur de la validation réelle (nombre d'essais, robots, tâches) n'est pas précisée dans le résumé. Le travail s'inscrit dans l'essor des VLA comme Pi-0, Helix ou GR00T, qui privilégient la généralité de la tâche plutôt que la sécurité réactive. Les auteurs s'inspirent du tronc cérébral : l'intention de tâche vient du VLA, tandis que des réflexes rapides gèrent les risques physiques immédiats. Cette approche rejoint l'architecture à deux niveaux déjà visible dans plusieurs humanoïdes, où un modèle lent planifie et un contrôleur rapide exécute. Reste à voir si la méthode se généralise à d'autres VLA, à des bras et des scènes plus variés, et si elle tient les contraintes de latence en conditions réelles. Aucun calendrier de pilote ni code publié n'est mentionné dans le résumé.

TAPESTRY : un seul socle pour la génération de vidéo et le contrôle de robots

TAPESTRY, présenté sur arXiv par une équipe académique, est un « world action model » qui transforme un transformeur de diffusion vidéo préentraîné en politique de contrôle robotique, sans générer de vidéo au moment de l'inférence. Le principe consiste à traiter chaque pas de temps d'une action comme un jeton d'un seul patch dans l'espace latent du modèle vidéo. Une simple projection linéaire l'aligne sur la dimension des patchs du VAE préentraîné, puis les mêmes couches de patchification et le même transformeur que pour la vidéo traitent ces jetons. Le backbone partagé est optimisé avec trois objectifs de diffusion tirés au hasard pour chaque élément de minibatch. Le premier porte sur la vidéo seule, avec des latents issus de vidéos de robots et d'humains, pour établir des a priori de dynamique. Le deuxième est une diffusion conjointe vidéo et action sur des démonstrations robotiques, avec un pas de diffusion couplé et un masque d'attention asymétrique. Le troisième est une diffusion d'action seule, conditionnée par des latents d'image propres. À l'inférence, un seul pas DDIM depuis du bruit pur produit une séquence compacte de jetons d'action, soit 84 ms par bloc d'actions (« action chunk ») sur du matériel grand public. L'intérêt pour l'industrie tient à un compromis que les politiques actuelles résolvent mal. Les modèles vidéo contiennent de riches connaissances sur les interactions physiques, mais les exploiter exigeait jusqu'ici soit de générer de la vidéo au moment du test, ce qui est coûteux et incompatible avec un contrôle réactif, soit d'ajouter des têtes d'action entraînées de zéro, qui sous-utilisent le modèle préentraîné. Si l'approche tient ses promesses, un seul réseau servirait à la fois de modèle de dynamique et de politique, avec une latence compatible avec des GPU de consommation, ce qui compte pour les intégrateurs qui ne peuvent pas embarquer de baie de calcul. Les auteurs affirment des performances solides en simulation et sur robots réels, avec un coût d'inférence nettement inférieur à celui des politiques vidéo-action conjointes comparables. Il faut toutefois rester prudent : le résumé ne donne ni taux de réussite, ni nombre de tâches, ni plateforme robotique, ni la taille du modèle, et il s'agit d'une prépublication non évaluée par des pairs, sans déploiement industriel. Ce travail s'inscrit dans la montée des modèles vision-langage-action (VLA) comme Pi-0 ou GR00T, et dans la tendance plus récente à greffer des a priori vidéo sur le contrôle, avec des approches qui génèrent explicitement des futurs avant d'agir. TAPESTRY cherche à garder l'apport de la vidéo en pré-entraînement tout en supprimant ce coût à l'exécution. Les prochaines étapes à surveiller sont la publication du code et des poids, des comparaisons directes avec les VLA établis sur des benchmarks communs, et des tests sur des tâches longues ou plus dextres. Des informations complémentaires figurent sur la page du projet, tapestry-wam.github.io.

Récupérer pour agir : recherche de graphes de primitives de mouvement pour une exécution robuste des modèles VLA

Des chercheurs proposent Retrieve to Act (R2A), un cadre de « test-time scaling » destiné à renforcer la robustesse des politiques Vision-Language-Action (VLA) face aux décalages visuels hors distribution, sans réentraîner le modèle de base. Le principe consiste à structurer les démonstrations réussies du jeu d'entraînement en un graphe hors ligne de primitives de mouvement spatio-temporelles. À l'inférence, un réseau de neurones sur graphe (GNN) dépendant de la requête localise l'exécution en cours dans ce graphe et récupère les primitives futures compatibles. Ces priors géométriques sont ensuite fusionnés avec les actions prédites par la VLA figée grâce à un mécanisme de gating appris, dimension par dimension, qui corrige les trajectoires spatiales erronées tout en préservant la réactivité locale de la politique. Les tests portent sur trois architectures, GR00T N1.7, π0.5 et StableVLA. Les gains absolus de taux de réussite atteignent jusqu'à +12 points en simulation (benchmarks LIBERO-Plus et RoboTwin2.0-Plus) et +40 points en déploiement réel, sans aucun finetuning des politiques. L'intérêt tient à l'angle d'attaque. Les méthodes de test-time existantes cherchent à supprimer les indices visuels parasites. R2A contourne le problème en considérant que l'expérience d'entraînement de la politique contient déjà des informations cinématiques propres, non affectées par les perturbations de l'image. Pour un intégrateur, cela répond à une faiblesse bien connue des VLA : une bonne généralisation sémantique qui s'effondre dès que l'éclairage, l'arrière-plan ou la disposition de la scène changent par rapport à la démo. Le fait que le module s'applique à trois politiques différentes sans les modifier est un argument de praticabilité, car il se superpose à un modèle déjà validé. Les réserves sont nettes : l'écart entre +12 points en simulation et +40 points en réel suggère des conditions de test réelles peu détaillées, et l'abstract ne donne ni taux de base, ni nombre d'essais, ni tâches, ni coût de calcul ou latence ajoutés par la récupération dans le graphe. Il s'agit d'un préprint (arXiv), sans produit ni déploiement industriel. Ces travaux s'inscrivent dans un contexte où les politiques généralistes (la famille GR00T de NVIDIA, π0.5 de Physical Intelligence) dominent la recherche, tandis que la fragilité face aux perturbations contextuelles motive des benchmarks dédiés comme LIBERO-Plus et RoboTwin2.0-Plus. R2A relève de l'approche par récupération, qui exploite les données d'entraînement au moment de l'exécution plutôt que de renforcer les encodeurs visuels ou de multiplier les données d'augmentation. Une limite probable est sa dépendance à la couverture des démonstrations : une tâche absente du graphe offre peu de primitives exploitables. La page projet est disponible à l'adresse retrieve2act.github.io/r2a. Il faudra surveiller la reproduction par d'autres équipes, la diffusion du code et des tests sur des robots et des tâches plus variés avant de juger de la portée réelle de la méthode.

Évaluation référencée sur les contraintes cinématiques pour la manipulation d'objets articulés

Une équipe de chercheurs propose sur arXiv une méthode d'évaluation baptisée Constraint-Referenced Strategy (CRS), destinée aux politiques de manipulation d'objets articulés (portes, tiroirs). Le principe consiste à projeter la vitesse commandée de l'effecteur (son « twist », combinaison de translation et de rotation) sur l'axe de l'articulation de l'objet. Deux canaux en résultent : la progression le long de l'articulation, et le gaspillage hors contrainte. CRS exige un modèle d'articulation et un contrôleur scripté qui suit l'articulation, mais aucune démonstration enregistrée ni juge appris. L'évaluation porte sur 74 objets articulés simulés. Une politique de clonage comportemental entraînée sur des portes ouvre des tiroirs dans 59 épisodes sur 110. Dans ces réussites, elle commande environ 40 fois plus de rotation hors axe qu'une politique entraînée sur des tiroirs (1,27 contre 0,032 rad/s). Les verdicts CRS restent inchangés avec des erreurs d'axe d'articulation allant jusqu'à 30°, alors que les seuils absolus n'en tolèrent qu'environ 8°. Ce travail s'attaque à une faiblesse courante de l'évaluation en robotique : le taux de succès binaire. Il signale qu'une politique a échoué, mais pas pourquoi, ni si le geste exécuté est celui que la cinématique de l'objet autorise. Dans l'expérience, le taux de succès enregistre bien trois échecs de transfert sous forme de taux plus bas, mais n'en attribue aucun. Les deux canaux CRS donnent à chacun une signature distincte. Une politique peut réussir en forçant l'objet par des gestes inadaptés. Ce comportement est invisible dans un tableau de réussite et risquerait d'abîmer un mécanisme réel. La tolérance aux erreurs d'axe est aussi un argument pratique : un modèle d'articulation estimé avec du bruit suffit pour juger. Pour un intégrateur qui compare des politiques VLA ou de clonage comportemental avant déploiement, cela fournit un diagnostic exploitable. Il faut toutefois rester prudent : tout est mesuré en simulation. Le contexte est celui d'un secteur où les benchmarks de manipulation, souvent fondés sur le succès de tâche, peinent à expliquer les écarts entre démonstrations et performance réelle. Les modèles généralistes récents comme Pi-0 ou GR00T sont jugés presque uniquement sur ce critère. Les auteurs ne comparent pas CRS à ces systèmes : ils ne testent que des politiques de clonage comportemental simples. Le texte ne mentionne ni validation sur robot physique, ni projet de pilote, ni acteur industriel. L'étape suivante naturelle serait de confronter la métrique à des politiques à grande échelle et à des objets réels, où les modèles d'articulation sont imparfaits. C'est justement la zone de robustesse que l'étude cherche à établir avec ses 30° de tolérance.

RynnWorld-Latent : un modèle du monde inter-embodiments conditionné par des actions latentes universelles

RynnWorld-Latent est un modèle de monde vidéo cross-embodiment, présenté sur arXiv (2610.36791v1) et construit sur les « actions latentes » ancrées en 3D introduites par RynnLAM. Ces actions servent d'interface de conditionnement commune, ce qui permet de pré-entraîner un même modèle sur des vidéos d'interactions humaines, des démonstrations de robots et des rollouts de simulation, sans espace d'action natif partagé. L'architecture repose sur un transformeur vidéo pré-entraîné. Elle combine des tokens d'action globaux et une voie locale initialisée à l'identité, qui aligne les actions sur les latents vidéo futurs. Le pré-entraînement couvre 23 jeux de données, soit environ 553,5 millions d'images, puis le modèle est adapté à des robots cibles par post-entraînement. Deux routes de génération de données sont proposées. La téléopération numérique utilise les commandes du robot cible pour produire des démonstrations action-vidéo. La synthèse par actions latentes transfère un mouvement source vers une première image éditée, puis associe le rollout obtenu à de fausses actions robot retargetées. Les auteurs annoncent de meilleures métriques de prédiction vidéo sur des benchmarks publics et sur deux plateformes robotiques réelles. L'intérêt tient au verrou que ce travail vise : les embodiments utilisent des espaces d'action incompatibles, et les vidéos humaines, très abondantes, n'ont aucune étiquette de contrôle. Une représentation latente unifiée permettrait d'exploiter ces volumes sans reconvertir chaque jeu de données. Pour un intégrateur ou une équipe R&D, la promesse est de réduire le coût des démonstrations réelles en les complétant par des données synthétiques contrôlables. Les résultats vont dans ce sens : la mi-formation synthétique améliore les taux de succès des politiques sur LIBERO et LIBERO-Plus, et les deux routes de génération dépassent l'entraînement sur démonstrations réelles seules en conditions réelles. Il faut toutefois rester prudent : il s'agit d'un papier académique, sans produit ni déploiement industriel, et les gains sont mesurés « dans les réglages évalués », sur un nombre limité de plateformes. LIBERO reste un benchmark de simulation, et l'action following est démontrée surtout de façon qualitative. Le papier ne résout donc pas à lui seul le fossé sim-to-real. Ce travail s'inscrit dans la montée des modèles de monde pour la robotique, aux côtés de l'écosystème RynnLAM et d'approches concurrentes comme GR00T de NVIDIA ou les efforts de Physical Intelligence autour de Pi-0, qui cherchent aussi à mutualiser des données hétérogènes. L'idée d'actions latentes apprises à partir de vidéos sans étiquettes fait déjà l'objet de plusieurs travaux. L'apport ici est l'échelle du pré-entraînement et le couplage avec la génération de données pour politiques. La suite dépendra de la publication éventuelle du code et des poids, et de validations sur davantage de robots et de tâches longues, avant tout transfert vers des lignes de production.

ThinkWorld : l'imagination du monde renforce le raisonnement par chaîne de dynamiques

ThinkWorld est un cadre d'apprentissage pour modèles Vision-Language-Action (VLA) publié en préprint sur arXiv par une équipe académique. Il vise une limite connue de ces modèles en manipulation robotique: leur généralisation reste bornée par la diversité et la couverture des démonstrations robot annotées avec des actions. Chaque « pensée d'action » y est représentée par une Chain-of-Dynamics (CoD), c'est-à-dire une séquence de jetons de mouvement discrets. Elle décrit les dynamiques intermédiaires entre l'état actuel du monde et un état futur, et sert de représentation d'action commune à plusieurs morphologies. Les CoD sont d'abord initialisées sur des démonstrations annotées. Le modèle prédit ensuite le futur induit par chaque CoD, et un apprentissage par renforcement favorise celles dont la prédiction colle le mieux au résultat observé. Des vidéos sans annotation d'action fournissent ainsi une supervision directe via les transitions d'état. Les auteurs annoncent des expériences en simulation et sur robots réels, avec un transfert humain vers robot efficace et une bonne généralisation à des tâches et environnements inédits. Le résumé ne donne ni chiffres, ni noms de robots, ni taux de réussite. L'enjeu est celui du goulot d'étranglement des données. Les vidéos humaines sont abondantes et variées, mais sans étiquettes d'action explicites, ce qui force aujourd'hui un compromis entre volume et ancrage dans l'action. Si l'approche tient à l'échelle, elle réduirait la dépendance à la téléopération, coûteuse à collecter, qui limite les déploiements en logistique et en assemblage. Pour un intégrateur, l'intérêt serait d'adapter plus vite un modèle à un nouveau poste ou à un nouvel environnement. Il faut toutefois rester prudent. Il s'agit d'un préprint non évalué par les pairs, dont les benchmarks, la part de tâches réelles et la sélection des vidéos restent à examiner, et rien n'indique un produit ou un pilote industriel. Le travail s'inscrit dans la course aux VLA généralistes (Pi-0, GR00T, Helix), qui reposent encore largement sur des données robot annotées, et dans la famille des méthodes d'actions latentes apprises à partir de vidéos. Sa singularité tient à la boucle de renforcement sur la qualité de la prédiction du futur, qui rapproche politique et modèle du monde. La suite logique serait la publication du code et des résultats détaillés, puis une validation sur des tâches longues et des plateformes variées, y compris européennes, avant tout transfert vers l'industrie.

Ego-CEVR : apprendre des représentations visuelles inter-morphologies à partir de vidéos égocentriques humaines

Des chercheurs proposent Ego-CEVR, un cadre d'apprentissage de représentations visuelles hiérarchiques décrit dans un préprint arXiv (v1, octobre 2026). Il vise à convertir des vidéos égocentriques humaines, peu coûteuses et abondantes, en capacités de manipulation robotique. Le système sépare deux modules aux objectifs distincts. Le module global apprend les relations entre objets, l'état de la tâche et la progression temporelle en prédisant la suite de vidéos égocentriques. Le module d'interaction lit les images de la caméra poignet en s'appuyant sur ce contexte global, et apprend l'alignement local et les indices de contact grâce à la supervision d'actions de démonstrations robotiques réelles. Deux chemins résiduels distincts transmettent ces représentations à la politique d'action, qui conserve ainsi un accès direct au contexte de la tâche en plus des informations d'exécution fines. Le module global peut être pré-entraîné seul, sur de grands volumes de vidéos humaines et de vidéos de robots variés, sans étiquettes d'actions ni vues poignet appariées. L'enjeu est le goulot d'étranglement des données en manipulation. Les démonstrations robotiques annotées coûtent cher à collecter, alors que la vidéo humaine existe en masse mais ne contient ni actions ni contacts exploitables directement. En confiant la compréhension de la tâche à la vidéo humaine et la précision du geste aux données robot, Ego-CEVR cherche à n'utiliser chaque source que pour ce qu'elle fournit réellement. Le pré-entraînement indépendant du module global permettrait aussi de réutiliser des corpus hétérogènes, y compris issus d'autres morphologies de robots. Le résumé ne donne toutefois aucun chiffre : ni taux de réussite, ni benchmarks, ni plateformes robotiques, ni gain face aux méthodes existantes. Il s'agit d'une proposition de recherche, sans produit ni déploiement, et son apport pratique reste à vérifier dans l'article complet. Ce travail prolonge une série de recherches sur les représentations visuelles apprises à partir de vidéos humaines, nourries par des corpus égocentriques comme Ego4D. Il s'inscrit aussi dans la course aux modèles vision-langage-action (VLA), où des acteurs comme Physical Intelligence (Pi-0), NVIDIA (GR00T) ou Figure (Helix) combinent déjà télé-opération, simulation et vidéo. La question de la meilleure manière d'exploiter la vidéo humaine à grande échelle reste ouverte. Les prochaines étapes à surveiller sont une publication du code, des validations sur robots réels et des comparaisons directes avec ces approches.

PDRVLA : un modèle vision-langage-action (VLA) avec représentations de la dynamique physique

PDRVLA est un modèle vision-langage-action (VLA) présenté sur arXiv en version 1 (2610.37381), qui cherche à doter la génération d'actions robotiques d'une meilleure compréhension de la dynamique physique. Son cœur est un Physical Dynamics Module léger, qui extrait des « tokens physiques » à partir des représentations visuelles et linguistiques pour conditionner la génération d'actions, sans produire de vidéo en ligne. Le module apprend en prédisant directement les caractéristiques futures en RGB, en profondeur et en flux optique, avec une supervision auxiliaire fournie par un modèle de monde vidéo pré-entraîné figé. L'entraînement repose uniquement sur des données publiques, enrichies par synthèse humain-vers-robot, annotation de sous-tâches et annotation de chaîne de raisonnement incarnée (ECoT). Sur quatre benchmarks en simulation, les auteurs rapportent 99,3 % de succès sur LIBERO, 89,9 % sur LIBERO-Plus, 93,6 % sur RoboTwin 2.0 et 81,5 % sur SimplerEnv. L'enjeu est la latence. Les modèles de monde vidéo capturent bien la dynamique des scènes, mais générer des images futures à chaque pas insère un coût de calcul important dans la boucle de contrôle, ce qui pose problème pour un robot qui doit réagir en temps réel. PDRVLA propose de distiller ce savoir dynamique dans un module compact, utilisé seulement à l'entraînement pour la partie vidéo, et de garder une inférence rapide. Pour un intégrateur, c'est une piste crédible pour obtenir des politiques plus conscientes de la physique sans exiger une infrastructure GPU lourde à l'exécution. L'usage exclusif de données publiques facilite aussi la reproductibilité. Il faut toutefois relativiser les chiffres : un score de 99,3 % sur LIBERO indique surtout que ce benchmark est quasi saturé, et les résultats viennent exclusivement de simulation. Aucun test sur robot réel, ni mesure de latence ou de taille du modèle, n'est mentionné dans le résumé, ce qui laisse ouverte la question du transfert sim-to-real. Le gain de LIBERO-Plus, conçu pour tester la robustesse aux perturbations, est plus informatif que le score LIBERO classique. Ce travail s'inscrit dans la course des VLA, où des modèles comme Pi-0, GR00T ou Helix cherchent à généraliser à partir de grands volumes de démonstrations, tandis qu'une autre branche de la recherche mise sur les modèles de monde vidéo pour anticiper les conséquences des actions. PDRVLA tente un compromis entre les deux. Les ablations indiquent que la supervision par le modèle de monde améliore la prédiction du futur, et elles évaluent l'effet du conditionnement par sous-tâches, de la supervision de la pose future des objets et de l'entraînement ECoT sur le taux de réussite, sans que le résumé en détaille les gains. Les prochaines étapes naturelles seraient une validation sur matériel réel, une comparaison de latence face aux approches fondées sur la génération vidéo et une évaluation sur des tâches de manipulation plus longues et plus variées.

ActiveAlign : aligner la manipulation égocentrique grâce à la perception active

ActiveAlign est un cadre logiciel présenté dans un preprint arXiv (v1) qui s'attaque à l'écart entre le monde réel et sa représentation simulée, le fameux « real2sim gap ». Il repose sur la perception active, c'est-à-dire sur l'usage des mouvements du robot pour mieux observer, plutôt que sur une simple caméra passive. Le système comprend deux modules. ActiveAlign-Waving réalise la calibration main-œil en faisant bouger la main du robot devant sa caméra et en exploitant le rendu différentiable pour ajuster les paramètres. ActiveAlign-Touching affine ensuite la position des objets grâce au retour tactile, avec une précision annoncée de l'ordre du millimètre. Les auteurs affirment pouvoir reconstruire des environnements de simulation à partir de jeux de données de manipulation open source non calibrés. Ils démontrent aussi, sur un robot humanoïde Unitree G1 réel, des tâches fines comme appuyer sur des boutons ou déplacer des curseurs. L'abstract ne donne ni taux de réussite, ni temps de cycle, ni nombre d'essais. L'intérêt est surtout méthodologique. Les politiques de type VLA (vision-langage-action) et les pipelines Real2Sim2Real dépendent de données et de jumeaux numériques fidèles. Or beaucoup de jeux de données publics sont mal calibrés, ce qui limite leur réutilisation en simulation. Une calibration automatique, sans cible dédiée ni opérateur, réduirait le coût d'intégration pour les équipes qui déploient des bras ou des humanoïdes. La démonstration sur un G1, plateforme accessible, va dans le même sens. En revanche, il s'agit d'un résultat de laboratoire. Le gain de précision dépend du capteur tactile et de la scène, et rien ne dit que le procédé tient face à des variations d'éclairage, d'usure ou de cadence industrielle. Ce travail s'inscrit dans l'effort général pour réduire le décalage entre simulation et réel, qui reste un point dur pour les acteurs de l'humanoïde, de Figure à Tesla en passant par les modèles fondation comme Pi-0 ou GR00T. Beaucoup misent sur le volume de données, alors qu'ActiveAlign mise sur la qualité de l'alignement. Aucun pilote ni calendrier n'est annoncé. Les prochaines étapes à surveiller sont la publication du code, une évaluation chiffrée sur des tâches variées et une validation sur d'autres plateformes que le G1.

VLA-HWBench : où passe le temps quand les modèles VLA tournent sur du matériel embarqué

Une étude publiée sur arXiv sous le nom VLA-HWBench évalue 18 modèles VLA (vision-langage-action) open source sur deux plateformes embarquées: le NVIDIA Jetson AGX Thor et l'AMD Ryzen AI Max+ PRO 395. Elle teste plusieurs backends d'inférence, officiels et alternatifs, et découpe chaque appel en sept étapes, là où les travaux antérieurs en distinguaient au maximum trois. Le constat principal est que la stratégie de génération d'actions pèse plus que la taille du modèle. Elle domine la latence dans 14 des 19 configurations testées sur Jetson. L'écart de latence atteint un facteur 82 sur Jetson et 157 sur AMD, et le nombre de paramètres explique au plus 15 % de la variance. Les modèles qui produisent de longs blocs d'actions (action chunks) en quelques pas de flow matching tiennent la cadence du contrôle. Ceux qui décodent token par token n'y arrivent pas. La fusion de noyaux (kernel fusion) combinée à des poids en 4 bits est l'optimisation la plus efficace. Elle rend π0.5 et GR00T N1.7 de 2,6 à 2,9 fois plus rapides que PyTorch avec torch.compile, mais elle n'existe que pour ces deux modèles et seulement sur Jetson. Pour les intégrateurs et les responsables techniques, ces résultats déplacent le choix d'un modèle. Les scores de réussite de tâche publiés dans la plupart des articles disent peu de chose sur la faisabilité d'un déploiement embarqué, et un modèle plus petit n'est pas forcément plus rapide s'il génère ses actions de façon séquentielle. L'optimisation déplace aussi le goulot d'étranglement. Sur GR00T N1.7, le prétraitement CPU passe de 12 % à 39 % de la durée d'un appel une fois le reste accéléré. Après optimisation, la bande passante mémoire ne limite sur Jetson que les étapes traitant peu de tokens, comme le débruitage. Le logiciel limite toutes les autres, des noyaux non fusionnés au prétraitement sériel sur le CPU hôte. Une partie de l'écart entre démonstration et exploitation réelle tient donc à la pile logicielle plus qu'au silicium. Les auteurs en tirent des recommandations: peu d'itérations de génération d'actions, une fusion de noyaux et des poids basse précision étendus à davantage de modèles et de plateformes, et un matériel doté d'une forte bande passante mémoire et d'un CPU hôte rapide. Les VLA tournent de plus en plus à bord des robots, où la latence d'inférence contraint directement le contrôle en boucle fermée. Les benchmarks existants couvrent peu de stratégies de génération d'actions et comparent rarement les optimisations sur les mêmes modèles. Le Jetson AGX Thor représente l'offre embarquée de NVIDIA pour la robotique, et l'AMD Ryzen AI Max+ PRO 395 une alternative x86 à mémoire unifiée. Le fait que seuls π0.5 (Physical Intelligence) et GR00T N1.7 (NVIDIA) disposent d'une voie optimisée, et seulement sur Jetson, souligne l'avance de l'écosystème NVIDIA et le retard logiciel du reste du champ. Il s'agit d'une étude académique de mesure, sans produit ni déploiement associé. La suite logique serait de porter ces optimisations vers d'autres modèles et d'autres plateformes.

EXE : préentraînement égocentrique inter-morphologies via des actions latentes factorisées pour les modèles VLA

Des chercheurs proposent EXE, un cadre de préentraînement « cross-embodiment » égocentrique décrit dans un preprint arXiv (2610.33685, première version, non évalué par les pairs). L'idée est d'apprendre, à partir de vidéos de manipulation humaine filmées à la première personne, une représentation latente d'actions « factorisée » qui sépare deux composantes. La première regroupe les primitives de manipulation communes aux mains humaines et aux robots (atteindre, saisir, placer). La seconde isole les signaux propres à l'humain, liés à sa cinématique. Le politique robotique de type VLA (Vision-Language-Action) hérite ainsi d'une sémantique de manipulation généralisable, sans être biaisé par les mouvements typiquement humains. Selon les auteurs, le même préentraînement profite à des pinces parallèles comme à des mains dextres. Les gains sont rapportés par rapport à une base sans préentraînement sur RoboTwin 2.0 et RoboCasa GR1 (deux bancs d'essai en simulation), ainsi que sur des tâches réelles. Le résumé ne donne ni chiffres, ni nombre de tâches, ni taille des jeux de données. L'enjeu est la pénurie de données robotiques, principal goulot d'étranglement des VLA. Les vidéos égocentriques humaines sont abondantes, variées et riches en intention sémantique, mais l'écart d'incarnation (embodiment gap) rend leur exploitation délicate. Si la factorisation tient ses promesses, elle offre aux intégrateurs et aux équipes de R&D une voie moins coûteuse que la téléopération à grande échelle pour amorcer des politiques généralistes. Elle viserait aussi à réutiliser un même socle sur des effecteurs différents, ce qui compte pour les constructeurs qui déclinent plusieurs mains ou pinces. Il faut toutefois rester prudent : « gains constants » sans amplitude ne dit rien sur l'ampleur de l'effet. Une partie de la validation passe par la simulation, et la robustesse en conditions industrielles (variabilité, cadence, fiabilité) n'est pas établie à ce stade. Ce travail s'inscrit dans une tendance bien identifiée : exploiter les vidéos humaines pour contourner le coût de la collecte robotique, via des actions latentes apprises sans étiquettes, des estimations de poses de mains ou des gants et caméras portés. Plusieurs acteurs de l'humanoïde et des modèles de fondation robotique, dont NVIDIA avec GR00T, Physical Intelligence avec Pi-0 ou Figure avec Helix, ont déjà évoqué le recours à des données humaines à grande échelle. EXE se distingue par la séparation explicite des signaux partagés et spécifiques. Les prochaines étapes à surveiller sont la publication du code et des poids, des comparaisons directes avec ces approches, et des évaluations sur davantage de robots physiques et de tâches longues.

RynnVLA-Latent : passage à l'échelle des modèles fondation de manipulation robotique grâce à des actions latentes ancrées en 3D

RynnVLA-Latent est un cadre de pré-entraînement de politiques robotiques de type VLA (vision-langage-action) qui contourne la rareté des démonstrations annotées en actions. Son noyau, RynnLAM, apprend des « actions latentes » continues et ancrées en 3D à partir de simples transitions visuelles, sans exiger les commandes natives d'un robot. Il combine trois ingrédients: la prédiction résiduelle de caractéristiques futures, une supervision par flux 3D compensé du mouvement de caméra, et un découplage explicite du mouvement de caméra. Appliqué à 30,1 K heures de vidéos humaines, robotiques et simulées, RynnLAM produit 745,52 millions de descripteurs d'actions latentes. Le modèle RynnVLA-Latent, de 4 milliards de paramètres, apprend ensuite à prédire des blocs d'actions latentes à partir des observations et du langage par flow matching, puis adapte son backbone et son « action expert » aux actions propres à chaque robot. Les auteurs rapportent 98,8 % de réussite sur LIBERO, 84,7 % sur LIBERO-Plus sans adaptation spécifique au benchmark, 51,9 % en moyenne sur cinq pistes de VLABench et 88,6 % sur le benchmark bimanuel RoboTwin 2.0. Sur six tâches réelles, avec mains dextres et manipulateurs mobiles à pince, il obtient les meilleurs taux parmi les méthodes comparées. L'enjeu est le goulot d'étranglement de la donnée. Les VLA se heurtent à deux limites: le faible volume de téléopération annotée, et l'incompatibilité des espaces de contrôle d'une morphologie à l'autre. Extraire une supervision utilisable de vidéos hétérogènes, dont des vidéos humaines abondantes, indique une voie d'extension qui ne dépend plus de la collecte robotique native. Pour un intégrateur, cela laisse entrevoir une réutilisation de corpus existants et un transfert plus simple entre plateformes. Il faut toutefois rester prudent: LIBERO est proche de la saturation à 98,8 %, ce qui le rend peu discriminant, et les benchmarks simulés ne mesurent pas la fiabilité en production. Les six tâches réelles sont peu nombreuses, la comparaison se limite aux méthodes choisies par les auteurs, et les taux de succès bruts ne disent rien des temps de cycle, de la robustesse sur la durée ni de la reprise sur erreur. Il s'agit d'un résultat de recherche, pas d'un produit livré ni d'un déploiement. Ces travaux s'inscrivent dans la lignée des modèles d'actions latentes appris sans étiquettes d'action, comme LAPA ou la famille Genie, et face aux VLA généralistes tels que Pi-0, OpenVLA ou GR00T, qui reposent encore surtout sur des données annotées avec actions. La spécificité ici tient à l'ancrage 3D et à la compensation du mouvement de caméra, censés isoler le mouvement pertinent pour le contrôle plutôt que les simples changements d'apparence. Le préfixe Rynn évoque la famille RynnVLA, dont les antécédents ne sont pas détaillés dans le résumé. La suite logique serait une validation sur davantage de tâches réelles, des tests inter-morphologies plus larges et des courbes de passage à l'échelle publiées. Aucun calendrier de pilote ni partenaire industriel n'est mentionné.

Agile Robots prévoit jusqu'à 2 000 humanoïdes de recherche grâce à un partenariat avec Nvidia

Agile Robots, la société robotique basée à Munich, prévoit de produire entre 1 000 et 2 000 humanoïdes compacts l'an prochain grâce à un partenariat avec Nvidia, a déclaré son PDG Zhaopeng Chen à Reuters. La production des modèles Agile ONE S et ONE SN doit démarrer d'ici fin 2026, pour une disponibilité commerciale attendue début 2027. Les cibles sont les universités et les laboratoires de recherche d'entreprises, Stanford et ETH Zurich figurant parmi les clients potentiels cités par Chen. L'Agile ONE SN est livré préconfiguré avec le logiciel robotique Isaac GR00T de Nvidia et s'appuie sur la plateforme de calcul embarqué Jetson Thor, avec des outils de simulation, d'entraînement et de déploiement intégrés. Ni prix, ni charge utile, ni nombre de degrés de liberté n'ont été communiqués. L'intérêt de l'annonce tient moins à la machine qu'au modèle économique. Agile Robots vise le marché de la recherche, où le principal frein n'est pas le matériel mais le temps passé à intégrer pile logicielle, simulation et contrôle avant de pouvoir tester une capacité. Livrer un humanoïde avec la chaîne GR00T et Jetson Thor déjà assemblée revient à vendre une plateforme de référence, comparable à ce que fut le PR2 ou plus récemment certains quadrupèdes pour les labos. Il faut toutefois rester prudent : il s'agit d'un objectif de production évoqué en entretien, pas de livraisons constatées, et la fourchette du simple au double traduit une visibilité limitée sur la demande. Les volumes restent aussi très inférieurs aux ambitions industrielles affichées par Tesla ou Figure. Ce partenariat s'inscrit dans la stratégie de Nvidia, qui cherche à faire de GR00T et de Jetson Thor le standard logiciel et matériel de l'humanoïde, en s'alliant à de nombreux constructeurs plutôt qu'en fabriquant un robot. Agile Robots, issue de l'écosystème allemand de la robotique et connue pour ses mains et ses systèmes de manipulation, y gagne un accès privilégié à cet écosystème face à Unitree, qui domine les plateformes de recherche à bas coût, ou à Booster et Fourier. Les prochains jalons à surveiller sont le démarrage effectif de la production fin 2026, l'annonce des tarifs et les premières livraisons aux laboratoires début 2027.

Couplage de l'horizon d'exécution et de la profondeur d'échantillonnage dans les politiques VLA à flow matching

Une équipe de chercheurs publie sur arXiv (2610.32102) une étude sur les politiques VLA (Vision-Language-Action) à flow matching, qui génèrent des trajectoires continues pour la manipulation robotique. Elle examine deux réglages de déploiement habituellement traités séparément : la profondeur du solveur numérique (le nombre de pas d'intégration du flux) et l'horizon d'exécution (le nombre d'actions jouées en boucle ouverte avant de replanifier). Les auteurs observent une inversion de signe systématique. Une intégration grossière dégrade la précision quand le robot replanifie très souvent, mais améliore nettement la réussite des tâches quand il s'engage sur un horizon long. Leur explication géométrique : la troncature numérique resserre la dispersion latérale des actions autour d'un centroïde de trajectoire invariant. Elle agit comme un régularisateur implicite qui limite la dérive cumulée en boucle ouverte. Les tests couvrent LIBERO, RoboTwin 2.0 et un bras Franka réel, sur les backbones π0, π0.5 et GR00T. La méthode, sans réentraînement ni modification d'architecture, donne selon eux un meilleur taux de succès avec une latence d'inférence très réduite. Le résumé ne chiffre toutefois ni le gain de succès ni la baisse de latence. L'enjeu est opérationnel. Les déploiements de VLA règlent d'ordinaire le nombre de pas du solveur au maximum pour préserver la fidélité, et choisissent l'horizon pour absorber la latence. Si le couplage décrit se confirme, un intégrateur peut réduire le coût de calcul par action sans réentraîner, ce qui compte pour les robots embarqués aux GPU limités. Le résultat contredit aussi l'idée que plus d'étapes de débruitage donne toujours une meilleure politique. Prudence néanmoins : il s'agit d'un préprint non évalué par les pairs, et rien n'indique la robustesse sur des tâches longues, dynamiques ou contraintes en force, au-delà des benchmarks et d'un seul bras réel. Ce travail s'inscrit dans l'effort pour rendre les VLA à flow matching exploitables en temps réel, après π0 et π0.5 de Physical Intelligence et GR00T de NVIDIA. Les approches concurrentes visent la même latence par la distillation, le few-step sampling ou le découpage en actions (action chunking), mais elles demandent généralement un réentraînement. L'intérêt ici est un réglage au déploiement seulement. Une page projet est annoncée, et la prochaine étape logique serait une validation sur d'autres plateformes, notamment des humanoïdes et des tâches de manipulation fine, avant toute adoption industrielle.

DiscoDemo : découvrir des démonstrations robotiques efficaces et variées pour l'apprentissage par imitation

Des chercheurs du laboratoire DAVIAN Robotics présentent DiscoDemo, une méthode publiée sur arXiv qui utilise l'apprentissage par renforcement (RL) non pas comme contrôleur déployable, mais comme générateur de données pour l'apprentissage par imitation visuomotrice. Un générateur RL à accès privilégié (il observe l'état exact de la simulation) et conditionné par une variable latente est entraîné avec un curriculum inverse parallèle et un objectif de diversité conditionné au succès. Il découvre ainsi plusieurs modes de solution distincts sans sacrifier la réussite de la tâche. Les comportements obtenus en boucle fermée sont filtrés pour la sécurité, puis exportés sous forme de jeu de données statique. Sur quatre tâches de manipulation, le taux de réussite moyen des politiques aval passe de 40 % à 62 % en simulation par rapport à la meilleure référence, et de 39 % à 78 % sur robot réel. La politique aval testée est un VLA (vision-langage-action) préentraîné à flow matching. Ces résultats visent un point de blocage connu du clonage de comportement : la politique reste très sensible à la couverture des données d'entraînement, et la collecte de démonstrations réussies et variées par téléopération coûte cher. L'étude suggère que la diversité des solutions réussies compte plus que la répétition d'une solution unique. Elle indique aussi que des démonstrations synthétiques produites par RL peuvent remplacer une partie de la collecte humaine, ou la compléter : les auteurs observent que le gain reste complémentaire de la collecte corrective (de type DAgger). Pour un intégrateur, cela ouvre la voie à une réduction du coût de constitution des jeux de données. Quelques réserves s'imposent. Le périmètre est limité à quatre tâches. Le RL privilégié suppose un simulateur et un accès à l'état complet, ce qui n'est pas toujours réalisable pour des objets déformables ou des scènes industrielles complexes. Le gain de 39 % à 78 % sur robot réel vient d'un nombre d'essais que le résumé ne précise pas. Il s'agit d'un travail de recherche, sans produit ni déploiement associé. La méthode s'inscrit dans le courant plus large du transfert simulation-vers-réel et de la génération de données synthétiques pour les modèles fondation robotiques. Ces approches cherchent à réduire la dépendance à la téléopération, qui domine l'entraînement de modèles comme Pi-0 ou GR00T. Elle rejoint aussi les travaux sur la diversité de qualité en RL, qui cherchent à produire des répertoires de comportements variés plutôt qu'une seule politique optimale. Les prochaines étapes à surveiller sont la validation sur des tâches plus longues et plus variées, ainsi que la comparaison avec d'autres sources de données, comme la génération massive en simulation ou les démonstrations humaines à grande échelle. Le code et les résultats détaillés sont annoncés sur la page du projet.

AgiBot World Colosseo : une plateforme de manipulation à grande échelle pour des systèmes incarnés intelligents et évolutifs

AgiBot, le fabricant chinois de robots humanoïdes, publie la version 5 de l'article arXiv présentant AgiBot World Colosseo, une plateforme de données de manipulation robotique à grande échelle. Le jeu de données réunit plus d'un million de trajectoires couvrant 217 tâches réparties sur cinq scénarios de déploiement, soit, selon les auteurs, un gain d'un ordre de grandeur par rapport aux jeux existants. La collecte suit un pipeline standardisé avec vérification humaine intégrée (human-in-the-loop), et le dispositif s'étend des pinces simples aux mains dextres et aux capteurs visuo-tactiles. Sur cette base, l'équipe présente Genie Operator-1 (GO-1), une politique généraliste qui s'appuie sur des représentations d'actions latentes pour tirer parti de volumes de données hétérogènes. Les politiques pré-entraînées sur ce corpus gagnent en moyenne 30 % par rapport à celles entraînées sur Open X-Embodiment, en conditions connues comme hors distribution. GO-1 dépasse 60 % de réussite sur des tâches complexes de dextérité et d'horizon long, soit 32 points de mieux que l'approche RDT. Le jeu de données, les outils et les modèles sont publiés en open source. L'enjeu tient d'abord à la donnée. Open X-Embodiment, agrégat de jeux hétérogènes issus de nombreux laboratoires, plafonne en cohérence et en qualité d'annotation, et ce que montre ce travail, c'est qu'un corpus homogène, vérifié et collecté sur un même parc de robots améliore nettement la généralisation. La courbe de performance dite prévisible en fonction du volume de données irait dans le sens d'une loi d'échelle pour la manipulation, hypothèse centrale des approches VLA (vision-langage-action), mais elle reste à confirmer hors du périmètre des auteurs. Pour les intégrateurs et les décideurs industriels, la publication ouvre un socle réutilisable pour affiner des politiques sans repasser par des mois de téléopération. Quelques réserves s'imposent: les résultats sont mesurés sur des tâches et un matériel choisis par AgiBot, un taux de réussite de 60 % reste loin des seuils de fiabilité exigés en production, et le gain de 30 % dépend des protocoles d'évaluation retenus. Le contexte est celui d'une course à la donnée entre acteurs chinois et américains. AgiBot, dont les humanoïdes ont déjà été présentés lors de précédentes éditions de cette plateforme, ouvre ses données pour attirer une communauté de développeurs, une stratégie proche de celle de Physical Intelligence avec Pi-0 ou de NVIDIA avec GR00T, tandis que Figure (Helix) et Tesla (Optimus) gardent leurs corpus fermés. RDT, le modèle de diffusion de l'université Tsinghua, sert ici de référence. Les prochaines étapes seront la reproduction indépendante des résultats par d'autres laboratoires, y compris européens, et l'extension annoncée vers les mains dextres et le tactile. L'article n'indique pas de calendrier de déploiement commercial.

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.

Rapport technique : têtes d'action à dérive en une étape pour GR00T N1.7

Des chercheurs publient un rapport technique sur arXiv (2609.18108) décrivant une variante de GR00T N1.7, le modèle vision-langage-action (VLA) de NVIDIA pour la robotique, dans laquelle la tête d'action par diffusion itérative est remplacée par une tête dite "one-step drifting", complétée par une extension conditionnée au chevauchement pour le remplacement asynchrone de segments d'action. Tous les entraînements multi-graines ont tourné sur deux GPU NVIDIA A800. Sur le benchmark de simulation LIBERO, le temps de calcul de la seule tête d'action tombe d'environ 45,3 ms à 5,0 ms, et le temps combiné backbone plus tête passe d'environ 70,0 ms à 30,6 ms. Ce gain de vitesse s'accompagne toutefois d'une baisse systématique du taux de réussite des tâches : sur trois graines d'entraînement, les scores atteignent 64,0±4,0% sur LIBERO-Spatial, 52,0±1,0% sur LIBERO-Goal et seulement 26,0±2,6% sur LIBERO-Long. La faible variance entre graines indique que cette dégradation n'est pas due au hasard de l'initialisation. Pour l'industrie robotique, ce résultat documente noir sur blanc un compromis vitesse-précision que beaucoup de communiqués commerciaux passent sous silence. Fait notable, les auteurs eux-mêmes refusent de présenter ce travail comme une amélioration globale et le qualifient explicitement de compromis vitesse-réussite plutôt que de progrès. Pour les intégrateurs qui envisagent des têtes d'action à une seule étape pour réduire le coût d'inférence des politiques VLA en conditions temps réel, ce papier rappelle qu'accélérer le passage avant d'un modèle d'action ne garantit pas la préservation du comportement en boucle fermée, surtout sur les tâches longues comme LIBERO-Long où la chute est la plus marquée. C'est aussi un rappel que LIBERO reste une évaluation en simulation synchrone, incapable de mesurer l'apport réel de l'extension asynchrone conçue par l'équipe. GR00T N1.7 s'inscrit dans la lignée des modèles fondation de NVIDIA pour la robotique généraliste, dans un paysage VLA qui compte notamment Pi-0 de Physical Intelligence, Helix de Figure AI ou GR00T N2, génération suivante de la même famille. La tête de diffusion itérative visée par ce rapport est le composant qui pèse le plus lourd sur le temps d'inférence dans la plupart des VLA actuels, d'où l'intérêt croissant des laboratoires pour des architectures à une ou quelques étapes. Les auteurs avancent plusieurs pistes pour expliquer la dégradation observée : moyennage déterministe du mode en une seule étape, estimation de géométrie dépendante du batch, et exécution en boucle ouverte de segments d'action longs. Le rapport ne mentionne aucun pilote industriel ni déploiement réel : il s'agit d'un travail de recherche exploratoire évalué uniquement en simulation, dont la suite logique serait de tester l'extension asynchrone dans des conditions qui l'exercent réellement.

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.

Humanoïdes : mouvement complet du corps et raisonnement multi-étapes avec Gemini Robotics 2

Google a présenté Gemini Robotics 2, un modèle conçu pour piloter des robots humanoïdes dans leur intégralité, marche, flexion, équilibre et manipulation d'objets inclus, avec la capacité de coordonner plusieurs machines et de s'adapter à différents corps robotiques après seulement quelques heures d'entraînement. Le système s'accompagne de deux modèles complémentaires, Gemini Robotics ER 2, dédié au raisonnement de haut niveau, et Gemini Robotics On-Device 2, exécuté localement sans connexion cloud. Lors des démonstrations, le modèle a piloté l'Apollo 2 d'Apptronik pour ramasser un arrosoir, traverser une pièce et le poser sur une étagère basse, et le même checkpoint a également fonctionné sur d'autres plateformes comme le Franka Duo. Google évoque aussi des gains de dextérité: les mains à cinq doigts d'Apollo 2 peuvent nouer un sac poubelle, refermer un sachet Ziploc ou dévisser une ampoule, tandis que sur des pinces industrielles à deux doigts le modèle réalise des insertions précises et de la manipulation d'outils. ER 2 est disponible via Google AI Studio et en prévisualisation privée sur la Gemini Enterprise Agent Platform, le modèle vision-langage-action et la version embarquée restant réservés à des partenaires en accès anticipé. Google a également introduit ASIMOV-Agentic, un benchmark de sécurité évaluant si un robot refuse une action dangereuse, détecte l'incertitude ou sollicite une aide humaine. Ce saut du pilotage de bras isolés au contrôle corporel complet est significatif pour l'industrie: la plupart des humanoïdes actuels restent limités à des tâches répétitives programmées, et la promesse d'un même modèle transférable d'une morphologie à l'autre avec moins de 200 exemples d'entraînement collectés en quelques heures s'attaque directement au problème du sim-to-real et du coût d'intégration, un point clé pour les industriels qui hésitent encore à déployer ces machines à grande échelle. Il faut toutefois noter que les métriques avancées, plusieurs minutes de tâches enchaînant des centaines de décisions, proviennent de démonstrations contrôlées et que le déploiement reste cantonné à des partenaires triés sur le volet: on est encore loin d'un produit généralisé sur le terrain. Cette annonce prolonge Gemini Robotics, lancé plus tôt dans l'année et limité à la manipulation sur table, en l'étendant au mouvement corporel complet. Elle intervient dans un paysage où Figure AI développe son propre modèle Helix, Tesla avance sur Optimus, Physical Intelligence mise sur Pi-0 et NVIDIA sur GR00T N2, chacun cherchant à imposer son architecture VLA comme standard pour les humanoïdes de nouvelle génération. Apptronik, partenaire de longue date de Google pour Apollo, reste pour l'instant le principal terrain de test visible de cette technologie, dont l'ouverture à d'autres intégrateurs dépendra des retours de ce programme d'accès anticipé.

Développer des politiques de robots humanoïdes de bout en bout avec NVIDIA Isaac GR00T

No fetch tool available here, and I don't have Bash/WebFetch in this session to pull the full article. The source text you pasted is only the article's opening teaser (repeated twice), with no actual facts, no specs, dates, deployment sites, or competitive details. Writing the requested 3-paragraph article would mean inventing numbers and claims that aren't in the source, which I won't do. Could you paste the full article text, or is there a way for me to fetch the URL directly?

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

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

Des milliards investis dans l'IA incarnée, mais le déploiement en usine reste hors de portée

Au premier semestre 2026, le secteur chinois de la robotique embodied AI a absorbé 46 milliards de yuans (environ 6,2 milliards d'euros) répartis sur 288 opérations de financement impliquant 226 entreprises, selon les données d'IT Juzi. La concentration est massive : les cinq premiers acteurs (Qianxun Intelligence, Xiwang Sunrise, Xinghaitu, Zibianliang Robot et Jijia Vision) ont capté 17,1 milliards de yuans, soit 37 % du total, et le top 20 emporte 70 % des fonds. Qianxun Intelligence seule a levé 4,5 milliards de yuans en quatre tours en quatre mois. Le profil des investisseurs change : les grandes rondes au-dessus du milliard de yuans sont désormais pilotées à plus de 40 % par des industriels et des entités publiques (Baidu, ByteDance, Xiaomi, Meituan, SAIC, fonds gouvernementaux), le capital d'État participant à 42 % des transactions à plusieurs centaines de millions. Ce flux d'argent masque un écart criant entre vitrine et déploiement réel. Le cas Daluo est emblématique : valorisée à plus de 20 milliards de yuans, ayant levé 5,4 milliards, la société n'a vendu que 1,4 million de yuans de produits sur les sept premiers mois de 2025 tout en enregistrant 84,25 millions de pertes nettes. La cause structurelle identifiée par le secteur est le manque de données d'interaction physique de qualité : on estime à 500 000 heures seulement le volume mondial de données réelles utilisables pour entraîner des robots, contre des milliards de tokens texte pour les LLM. Les réponses sont proportionnelles : Xinghaitu a lancé une campagne "un million d'heures" à Yizhuang, Qianxun Intelligence a déployé 300 000 points de collecte à l'échelle nationale, JD.com vise 10 millions d'heures sous deux ans. Les résultats restent modestes : un responsable algorithmique a reconnu que des dizaines de millions de yuans investis pour collecter 100 000 heures n'avaient amélioré la capacité des modèles que de 5 %. Le secteur reste en phase de recherche appliquée, loin d'une industrialisation. L'état de l'art interne, estimé sur 100 points par un praticien du domaine, place les bras industriels à 50, les châssis à roues à 40, les quadrupèdes à 30, les humanoïdes bipèdes à 15, les mains dextères à 5, et l'IA embarquée de support à 3. Les approches VLA (Vision-Language-Action) et World Model convergent techniquement mais sans consensus sur la feuille de route. Les acteurs occidentaux comme Figure (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2) font face aux mêmes verrous de sim-to-real et de données, mais le déploiement à l'échelle usine reste introuvable partout. Malgré l'étiquette "année de la production de masse" accolée à 2026, aucun robot polyvalent fiable ne s'est encore imposé commercialement dans des environnements industriels non contrôlés.

Humanoid Everyday : un jeu de données robotique complet pour la manipulation humanoïde en monde ouvert

Une équipe de recherche a publié sur arXiv (identifiant 2510.08807v2) Humanoid Everyday, un jeu de données massif dédié à l'apprentissage de la manipulation par les robots humanoïdes en conditions ouvertes. Le dataset compile 10 300 trajectoires et plus de 3 millions de frames couvrant 260 tâches réparties en 7 catégories larges : manipulation dextère d'objets, interaction humain-humanoïde, actions intégrant de la locomotion bipède, et d'autres scénarios du quotidien. Les données sont multimodales, RGB, profondeur, LiDAR, retour tactile, accompagnées d'annotations en langage naturel. La collecte repose sur un pipeline de télé-opération supervisée par des humains, optimisé pour maximiser le débit tout en maintenant la qualité des démonstrations. Les auteurs publient simultanément une plateforme d'évaluation cloud permettant à des équipes extérieures de déployer leurs propres politiques de contrôle et d'obtenir des métriques comparables dans un environnement standardisé. Ce dataset comble un vide structurel dans la recherche robotique : la quasi-totalité des benchmarks existants (Open X-Embodiment, DROID, BridgeData V2) ciblent des bras fixes, et les rares datasets humanoïdes disponibles se limitent à des environnements contrôlés, un faible nombre de tâches, et excluent généralement la locomotion et l'interaction avec des personnes. Pour un intégrateur ou un décideur industriel, la portée pratique est double : des données hétérogènes permettent d'entraîner des politiques plus généralisables, notamment des architectures VLA (vision-language-action) ; la plateforme d'évaluation cloud offre pour la première fois un cadre reproductible pour comparer des méthodes d'apprentissage par imitation ou par renforcement sur des tâches humanoïdes réalistes. L'article analyse aussi les performances de plusieurs politiques de référence, en identifiant leurs forces et limites par catégorie. La publication intervient dans un contexte de forte concurrence autour des données d'entraînement pour humanoïdes. Physical Intelligence (Pi-0, π0.5), NVIDIA (GR00T N2), Unitree et Figure AI misent chacun sur des datasets propriétaires pour différencier leurs politiques de contrôle. Côté recherche ouverte, AgiBot World et RH20T ont posé des jalons, mais restent limités dans leur couverture humanoïde. Humanoid Everyday est rendu entièrement public, dataset, code de collecte et plateforme d'évaluation inclus, ce qui en fait une ressource directement exploitable par des laboratoires et startups sans accès à des infrastructures de collecte massives. Les auteurs présentent cette release comme un socle pour de futurs agents incarnés généralistes, sans préciser d'échéancier pour des suites expérimentales.

💬 Le vrai sujet ici, c'est pas juste le volume (10 300 trajectoires, bon), c'est que les benchmarks humanoïdes existants ignoraient presque tous la locomotion et l'interaction avec des humains réels depuis le début. Des acteurs comme Pi-0 ou GR00T N2 misaient sur leurs données propriétaires comme avantage concurrentiel, et une release open-source de cette ampleur vient rogner ce levier directement. Reste à voir si ça tient face à des politiques entraînées en conditions réelles, mais pour des labos sans infrastructure de collecte massive, ça change le rapport de force.

Alibaba lance Qwen-Robot, sa première famille de modèles d'IA incarnée

Alibaba a publié mardi la suite Qwen-Robot, sa première famille de modèles d'IA incarnée, destinée à relier les grands modèles de langage à l'action robotique dans le monde physique. La suite comprend trois modèles : Qwen-RobotNav pour la navigation visuo-langagière, entraîné sur 15,6 millions d'échantillons en unifiant instruction following, navigation par cible et suivi d'objets ; Qwen-RobotManip pour la manipulation robotique via une architecture VLA (Visual Language Action) basée sur un backbone Qwen3.5-4B VL couplé à une tête de diffusion par flow matching, entraîné sur plus de 38 100 heures de données issues exclusivement de sources open source ; et Qwen-RobotWorld, un modèle de monde prédit des futurs physiquement cohérents pour la manipulation, la conduite et la navigation via une interface en langage naturel. La démonstration centrale met en scène un robot quadrupède Unitree Go2 sur hardware NVIDIA Jetson Thor, équipé d'une unique caméra basse résolution : sans cartographie préalable, il navigue dans un appartement inconnu en suivant des instructions verbales, avec une latence d'inférence de 196 millisecondes. Alibaba a également présenté Qwen-RobotClaw, un framework agent permettant aux modèles Qwen VLM d'appeler les outils Qwen-Robot pour gérer des tâches longues et la mémoire de contexte, et mis en open source Chat2Robot, une plateforme d'évaluation navigateur supportant Qwen-RobotManip sur 50 tâches via le dataset RoboTwin-Clean. Pour les intégrateurs et décideurs industriels, deux points méritent attention. L'entraînement de Qwen-RobotManip exclusivement sur des données open source est un choix architectural significatif : il abaisse les barrières de reproduction et contourne le verrou des données propriétaires qui bloque nombre d'acteurs du secteur. La latence de 196 ms sur Jetson Thor illustre la viabilité de l'inférence embarquée pour la navigation, même si cette performance a été mesurée dans un environnement contrôlé et non en production industrielle. La robustesse à grande échelle reste à démontrer : les vidéos présentées constituent une preuve de concept, pas un déploiement validé. L'architecture Qwen-RobotClaw adresserait un problème concret si elle tient ses promesses en production : la gestion de tâches multi-étapes sans reprogrammation manuelle, qui reste le verrou central de l'adoption robotique en environnements non structurés. Alibaba entre tardivement dans l'espace des modèles de fondation robotiques face à des acteurs déjà positionnés : Physical Intelligence (pi0, levée de 400 M$ en 2024), Figure AI (Figure 03, partenariat BMW), Google DeepMind et NVIDIA avec GR00T N2. En Chine, Unitree (fournisseur du Go2 de la démo), Zhiyuan Robot et Agibot développent leurs propres stacks logicielles embarquées. En Europe, Enchanted Tools et Pollen Robotics avancent sur des plateformes collaboratives, mais sans modèle VLA de cette envergure à ce stade. Les prochaines étapes annoncées incluent l'extension de Chat2Robot à de nouvelles plateformes et tâches robotiques, ainsi qu'une intégration commerciale potentielle via Alibaba Cloud.

SoK : Sécurité et vie privée des robots à base de modèles fondation

Une équipe de chercheurs a publié sur arXiv (référence 2606.16788) un article de type "Systematization of Knowledge" (SoK) qui dresse un panorama structuré des risques de sécurité et de confidentialité introduits par les modèles de fondation dans les systèmes robotiques. Le travail systématise 96 études antérieures et propose un cadre d'analyse à quatre couches baptisé F-E-S-G : la couche Modèle de fondation (F), la couche Système incarné (Embodied system, E), la couche Écosystème de support (S), et la couche Impact de gouvernance (G). À chaque couche correspond une taxonomie fine qui encode, pour chaque étude analysée, la cible visée, le stade du cycle de vie, le mécanisme d'attaque ou de défense, le niveau d'accès système requis, et les effets observés. L'intérêt de ce travail réside moins dans les vulnérabilités individuelles qu'il recense que dans les "defense mismatches" qu'il met en évidence : les mécanismes de robustesse conçus pour les modèles de langage ou de vision en contexte purement numérique ne s'appliquent pas directement à des pipelines d'exécution incarnés. Quand un robot piloté par un modèle VLA (Vision-Language-Action) interprète une instruction en langage naturel pour saisir un objet, une attaque adversariale ou une injection de prompt ne produit plus une réponse textuelle erronée mais un mouvement physique potentiellement dangereux. Pour un intégrateur industriel ou un COO déployant des flottes humanoïdes, cette propagation du risque à travers les quatre couches constitue un angle mort opérationnel que les grilles d'évaluation actuelles ne capturent pas. Le genre "SoK" est une convention bien établie dans la communauté sécurité, notamment via la conférence IEEE S&P, et signale une tentative de structurer un champ de recherche fragmenté. Cette publication arrive à un moment de transition dans la robotique commerciale : après des années de démos contrôlées, plusieurs acteurs (Figure, Apptronik, Unitree côté américain, Wandercraft et Enchanted Tools côté européen) engagent des déploiements en environnement réel avec des VLAs comme Pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA). L'absence de cadre normatif unifié, que ni l'EU AI Act ni les standards ISO robotiques actuels ne couvrent explicitement, donne à cette méta-analyse une pertinence directe pour les équipes réglementaires et les organismes de certification appelés à évaluer ces systèmes hybrides IA-robotique.

Sommet en robotique : un panel fait le point sur la conception des robots humanoïdes

Lors du Robotics Summit & Expo 2026, tenu à Boston au Thomas B. Menino Convention & Exhibition Center devant quelque 3 900 participants, un panel de haut niveau a fait le point sur l'état réel du développement des robots humanoïdes. Alberto Rodriguez, directeur du comportement robot pour Atlas chez Boston Dynamics, y a révélé que l'entreprise a engagé le déploiement de l'ordre de 25 000 humanoïdes Atlas dans des usines, avec un objectif de capacité de production portée à 30 000 unités par an d'ici 2028. Boston Dynamics a conduit une première démonstration en conditions réelles en usine en 2025, architecture entièrement pilotée par les données, puis a présenté Atlas au CES de janvier 2026 pendant une semaine complète. Pour 2026, la société prévoit un retour en usine pour une démonstration plus complète, de bout en bout, connectant le robot au système d'information de l'usine et gérant les exceptions opérationnelles. Du côté d'Agility, dont la marque commerciale s'est récemment stabilisée sous le nom Agility (ex-Agility Robotics), les déploiements du robot Digit avancent avec Amazon, GXO, Schaeffler, Toyota et Mercado Libre, marquant une sortie effective de la phase pilote. Ce que ce panel signale clairement pour les intégrateurs et décideurs industriels, c'est que le vrai verrou n'est plus mécanique ni même algorithmique, mais stratégique. Rodriguez a posé le problème avec précision : sauf pour de rares applications à très grand volume et très stable, presque tous les postes de travail sont des cas uniques. Le défi du passage à l'échelle repose sur trois axes simultanés, hardware, modèles de comportement, et stratégie d'intégration, et l'échec sur l'un suffit à rendre le déploiement économiquement non viable. La décision de Boston Dynamics de commencer par la logistique en manufacturing, un environnement qui exige de la généralité sans imposer encore les contraintes de timing et de sécurité de la ligne d'assemblage, illustre une approche pragmatique et graduée. Ces chiffres de déploiement engagés, 25 000 unités, sont une donnée de marché rare dans un secteur habitué aux annonces sans livraisons. Boston Dynamics, filiale de Hyundai depuis 2021, a traversé une longue période de recherche pure avant de commercialiser Atlas dans sa version électrique présentée en 2024, succédant aux plateformes hydrauliques historiques. Le marché des humanoïdes reste en pleine effervescence : Figure AI avec Figure 03, Tesla avec Optimus Gen 3 sur sa propre ligne de production, Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, et des acteurs émergents comme 1X Technologies ou Apptronik positionnent tous leurs solutions sur des créneaux différents, de l'assemblage léger à la manutention lourde. Côté Europe, Enchanted Tools (France) et Wandercraft restent focalisés sur des niches spécifiques, assistance et rééducation, sans viser encore le marché industriel général. Les prochaines étapes à surveiller : la publication par ASTM International (représenté dans le panel par Aaron Prather) de standards de sécurité pour la cohabitation humains-humanoïdes, et les résultats concrets des déploiements Agility/Amazon, dont les métriques opérationnelles restent pour l'instant non publiques.

DuoBench : un benchmark reproductible pour la manipulation bimanuelles en simulation et dans le monde réel

Une équipe de chercheurs a publié en juin 2026 DuoBench, un cadre de benchmarking dédié à la manipulation bimanuelle, conçu pour la plateforme FR3 Duo de Franka Robotics. Le benchmark comprend onze tâches réparties en quatre catégories de coordination, implémentées en simulation et partiellement reproduites en environnement réel grâce à des protocoles reproductibles incluant des composants imprimables en 3D. Les auteurs ont constitué des jeux de données de télé-opération humaine pour l'ensemble des onze tâches, et proposent un schéma d'évaluation par étapes (stage-based evaluation) permettant une analyse sémantique fine des modes d'échec, au-delà du simple critère binaire succès/échec. Plusieurs politiques d'apprentissage par imitation à deux bras ainsi que des politiques VLA (vision-language-action) ont été évaluées en simulation et sur matériel réel. Les résultats sont sans ambiguïté : les politiques actuelles, y compris les approches VLA considérées comme l'état de l'art, restent insuffisantes pour la manipulation bimanuelle. Les échecs se concentrent sur trois axes : les phases d'interaction initiale, l'exécution parallèle des deux bras, et le transfert simulation-réel (sim-to-real). Ce dernier point est particulièrement significatif : malgré les progrès récents sur le gap sim-to-real pour la manipulation à un bras, DuoBench révèle que la coordination bimanuelle pose des défis supplémentaires non résolus. Pour les équipes R&D et les intégrateurs industriels, ce benchmark fournit un outil diagnostique structuré pour identifier précisément où les politiques échouent, une lacune que les frameworks existants comme RLBench ou LIBERO, conçus pour les systèmes à un seul bras, ne comblaient pas. La manipulation bimanuelle est un prérequis pour de nombreuses tâches complexes en industrie (assemblage, conditionnement, manipulation d'objets déformables), ce qui explique l'intérêt croissant du secteur pour les plateformes à deux bras. Le FR3 Duo de Franka Robotics est l'une des rares plateformes de recherche standardisées pour ce segment. Dans la course aux capacités bimanuelles, des acteurs comme Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, ou Figure AI avec ses robots humanoïdes ont annoncé des performances prometteuses, mais les benchmarks publics rigoureux permettant de les comparer restent rares. DuoBench, dont le code, les jeux de données et les vidéos sont disponibles sur duobench.github.io, ambitionne de combler ce manque avec un protocole reproductible que tout laboratoire peut répliquer à faible coût grâce aux assets imprimables en 3D.

NEURA Robotics lève jusqu'à 1,4 milliard de dollars en Série C pour son IA physique

NEURA Robotics GmbH, basée à Metzingen en Allemagne, a annoncé le 10 juin 2026 une levée de fonds de Série C pouvant atteindre 1,4 milliard de dollars, financée par un consortium d'investisseurs technologiques dont Tether, Qualcomm et Amazon. La startup, fondée en 2019 par David Reger, commercialise une gamme couvrant des bras robotiques légers, des robots mobiles (série MAV), des robots humanoïdes (modèle 4NE1) et un manipulateur mobile polyvalent baptisé MiPA, ciblant principalement la fabrication et la supply chain. Ce tour de table vient financer deux axes prioritaires : le développement de la plateforme "Neuraverse", décrite comme un écosystème ouvert d'IA physique permettant aux robots d'apprendre collectivement entre déploiements, et l'expansion d'un réseau mondial de "NEURA Gyms", des environnements d'entraînement à grande échelle combinant interaction sensorielle réelle, simulation et pipelines d'apprentissage multimodal. Il s'agit à ce stade d'une annonce de financement, pas d'un produit expédié ni d'un déploiement industriel documenté à grande échelle. Sur le fond, une levée de 1,4 milliard de dollars pour un acteur européen de la robotique humanoïde est un signal fort : les capitaux qui se concentraient jusqu'ici quasi exclusivement sur Figure AI, Agility Robotics, 1X ou Tesla Optimus commencent à irriguer des challengers hors Silicon Valley. Pour les intégrateurs et les décideurs industriels, la question concrète est celle du sim-to-real gap, que NEURA tente de réduire via son partenariat avec Dassault Systèmes annoncé en avril 2026. Le concept de Neuraverse, où plusieurs robots partagent une intelligence distribuée entre déploiements, s'inscrit dans une tendance plus large des architectures VLA (Vision-Language-Action) à l'échelle fleet, comme l'illustre Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA. Les métriques de performance annoncées restent cependant absentes du communiqué, ce qui rend toute comparaison technique avec les concurrents impossible à ce stade. NEURA Robotics a bâti depuis 2019 un réseau de partenaires industriels structurant : Bosch pour le développement logiciel des humanoïdes (janvier 2026), Dassault Systèmes pour la simulation, mais aussi Schaeffler, Kawasaki, Delta Electronics, Qualcomm et NVIDIA pour l'infrastructure edge AI et les composants. Ce positionnement d'écosystème décentralisé tranche avec l'approche verticalement intégrée de Figure ou de Tesla. En Europe, NEURA est aujourd'hui l'acteur humanoïde le mieux capitalisé, loin devant des startups comme Enchanted Tools (France) ou Wandercraft, qui opèrent sur des segments différents (cobots expressifs et exosquelettes médicaux). Les prochaines étapes déclarées portent sur l'accélération du déploiement à l'échelle industrielle et l'ouverture de nouveaux NEURA Gyms à l'international, sans calendrier précis communiqué.

Exploration des robots à base de modèles fondation dans les soins aux patients et aux personnes âgées

Une équipe de chercheurs a publié en juin 2026 sur arXiv (référence 2606.10208) une analyse de synthèse portant sur l'intégration des modèles de fondation dans les robots de soin aux personnes âgées et aux patients. L'article, classé comme Perspective, passe en revue l'état de l'art sur trois axes : les caractéristiques de conception, l'expérience utilisateur mesurée, et les preuves d'impact sur les soins. Le constat central est que les architectures dominantes utilisent les modèles de fondation comme couche de conversation et de raisonnement au sein d'incarnations socioassistives centrées sur la voix, des agents qui parlent et écoutent mais dont l'autonomie physique et la compréhension multimodale restent fortement limitées. Les évaluations empiriques rapportent des bénéfices positifs en termes d'utilisabilité et d'engagement, mais des défaillances de fiabilité persistent : hallucinations, ruptures conversationnelles et pannes dans le pipeline d'interaction. L'enjeu pour les intégrateurs et décideurs du secteur santé est précisément là : les métriques actuellement rapportées portent sur des résultats proximaux comme l'engagement cognitif ou la participation, et non sur des indicateurs cliniques validés. Les robots sociaux conversationnels améliorent peut-être le ressenti ou l'interaction, mais aucun système décrit dans la littérature ne démontre d'impact mesurable sur des outcomes de santé standardisés. Cette lacune est critique pour tout déploiement en EHPAD ou à l'hôpital, où la responsabilité médicale exige traçabilité et supervision humaine explicite. Les auteurs soulignent que les benchmarks génériques importés du NLP ou de la robotique généraliste ne sont pas adaptés aux contraintes des environnements de soin. Le contexte est celui d'une accélération massive des modèles de fondation en robotique, de PaLM-E à Pi-0 de Physical Intelligence en passant par GR00T N2 de NVIDIA, qui creuse un écart croissant entre capacités techniques et readiness clinique. Du côté des plateformes établies, Pepper (SoftBank) et PARO (AIST, Japon) restent les références les plus documentées en milieu de soin. Des acteurs européens comme Enchanted Tools avec Mirokaï, ou des projets portés par l'Inria, s'inscrivent dans cette dynamique. Les auteurs appellent à une transition vers des standards d'évaluation spécifiques aux soins, une autonomie avec supervision humaine intégrée dès la conception, et une intégration réelle dans les flux de travail cliniques, trois conditions encore largement non remplies par les systèmes actuels.

Vulnérabilités des modèles vision-langage-action (VLA) face aux défauts physiques d'articulation

Des chercheurs ont publié le 10 juin 2026 (arXiv:2606.10501) une étude identifiant une vulnérabilité critique des modèles Vision-Language-Action (VLA) face aux défauts physiques articulaires. Ces modèles, qui traduisent instructions en langage naturel et observations visuelles en commandes motrices, équipent aujourd'hui les robots humanoïdes et manipulateurs les plus avancés. Les auteurs montrent que des failles réalistes, notamment dégradation d'actionneur, friction excessive due à l'usure, dommages de collision ou limites de sécurité restreintes, cassent la boucle fermée entre action commandée, mouvement réalisé et observation suivante, dégradant les taux de succès même pour des défauts physiquement « faisables ». L'impact varie selon l'articulation affectée, rendant toute mitigation générique difficile. En réponse, les auteurs proposent J-PARC (Joint-level Physical-fault Aware Residual Calibrator), un module léger ajouté au-dessus d'une politique VLA figée, qui infère un régime de défaut latent depuis la dynamique articulaire récente et applique une correction résiduelle adaptative sans modifier le modèle de base. Ce résultat comble un angle mort réel dans la validation des systèmes robotiques à base de VLA. L'effort de robustification s'est jusqu'ici concentré sur les variations perceptuelles et sémantiques : éclairage, occlusion, reformulation d'instructions. Or tout robot industriel accumule friction, chocs et dégradation d'actionneur au fil du temps. Montrer que ces perturbations physiquement réalisables suffisent à faire chuter les performances remet en cause l'hypothèse implicite qu'un VLA entraîné sur hardware neuf reste fiable tout au long de son cycle de vie opérationnel. Pour les intégrateurs et responsables de certification, c'est un signal fort : la robustesse mécanique doit entrer dans les critères de qualification aux côtés de la généralisation sémantique. L'approche J-PARC, sans fine-tuning ni capteur supplémentaire, offre une piste d'adaptation réaliste pour les déploiements existants. Les VLA ont connu une montée en puissance rapide depuis Pi-0 (Physical Intelligence, 2024) et GR00T N2 (NVIDIA, 2025), avec des déploiements annoncés chez Figure (modèle 03), Agility Robotics et 1X Technologies. Malgré leurs performances en laboratoire, leur comportement sur hardware vieillissant reste peu documenté dans la littérature. Ce papier s'inscrit dans une tendance croissante sur la fiabilité opérationnelle à long terme, aux côtés des travaux sur le sim-to-real gap. En Europe, des acteurs comme Enchanted Tools avec Mirokaï ou Wandercraft, où la dégradation articulaire est un enjeu quotidien en milieu médical ou logistique, sont directement concernés par ces résultats. Les prochaines étapes naturelles seront une validation sur hardware en vieillissement accéléré et l'intégration de J-PARC dans des pipelines de déploiement continu.

💬 On a tous fait cette hypothèse implicite : un VLA entraîné en labo reste fiable sur un robot qui a pris des coups après 18 mois en prod. Ce papier montre que non, et c'est un angle mort réel pour tous les intégrateurs qui déploient en milieu industriel ou médical. J-PARC corrige ça sans toucher au modèle de base, bon, reste à voir si ça tient sur du vrai hardware vieilli.

MIIT et SASAC lancent l'initiative 2026 d'entraînement des robots humanoïdes en conditions réelles

Le ministère chinois de l'Industrie et des Technologies de l'Information (MIIT) et la Commission de surveillance des actifs d'État (SASAC) ont publié conjointement, en juin 2026, un plan d'action national intitulé "Action spéciale pour la formation en scénarios réels des robots humanoïdes et de l'IA embodied". L'objectif affiché : d'ici fin 2026, les humanoïdes et leurs composants clés devront avoir achevé leur vérification applicative et basculer en "mode opérationnel" dans des environnements industriels, de services ou spécialisés. Le plan cible l'identification de plus de 100 scénarios à haute valeur et une capacité de déploiement à l'échelle de 10 000 unités. Les autorités provinciales sont tenues de sélectionner au moins 20 scénarios couvrant deux des trois domaines prioritaires ; les grandes entreprises centrales d'État doivent en identifier au moins 10 dans leurs secteurs respectifs. Le dispositif impose la création de consortiums d'innovation applicative regroupant utilisateurs finaux, fabricants, développeurs d'algorithmes et instituts de recherche. Ces consortiums devront produire des jeux de données d'IA embodied couvrant trajectoires de mouvement, courbes de contrôle force-position et séquences d'exécution de tâches, ainsi que des "packages de compétences" issus d'entraînements en conditions réelles. Des mécanismes de financement incluant equity, dette et assurance complètent le dispositif. Ce plan est la feuille de route gouvernementale la plus structurée publiée par Pékin sur l'industrialisation des humanoïdes, mais l'objectif de 10 000 unités déployées d'ici décembre 2026 est ambitieux, plusieurs observateurs le jugeant irréaliste compte tenu des délais habituels entre annonce politique et opérationnel réel. Ce qui est plus significatif, c'est la logique consortiale imposée : en forçant la coopération entre intégrateurs, fabricants et chercheurs autour de scénarios concrets, l'État tente d'accélérer le passage de la démo en laboratoire à l'usage en production. La prescription explicite de datasets couvrant les courbes force-position signale que Pékin cible directement le verrou du sim-to-real, encore non résolu à l'échelle industrielle. Pour un COO ou un intégrateur, cela signifie qu'un écosystème subventionné et doté d'obligations de résultat se structure en Chine avec des délais contractuels précis. Cette initiative prolonge la stratégie "Made in China 2025" et les plans successifs sur la robotique avancée. Les acteurs nationaux directement visés incluent Unitree (H1, G1), UBTECH (Walker S), Agibot et Fourier Intelligence, qui ont tous conduit des tests industriels en 2024-2025. Sur le plan international, la concurrence se structure autour de Figure AI (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0) et Nvidia (GR00T N2), tous revendiquant des déploiements pilotes en environnements réels. En Europe, Wandercraft et Enchanted Tools restent positionnés sur des segments distincts, l'exosquelette médical et la robotique de service, sans concurrence directe sur le créneau industriel visé par ce plan. Les prochaines étapes dépendront de la capacité des consortiums à produire des résultats mesurables avant l'échéance de fin 2026.

Ce que mesurent réellement les benchmarks en manipulation robotique

Un article de recherche déposé sur arXiv le 4 juin 2026 (arXiv:2606.04233) remet en cause la fiabilité de cinq benchmarks standards en manipulation robotique : LIBERO, CALVIN, SimplerEnv, RoboCasa et RoboTwin 2.0. Les auteurs identifient quatre modes de défaillance structurelle qui invalident leur usage comme proxy de la capacité de manipulation générale : résolution par raccourci (shortcut solvability), absence de significativité statistique, surapprentissage rampant (creeping overfitting) et dépendance à la source de données. Sur LIBERO, une sonde de 90 millions de paramètres, sans encodeur de langage, atteint des scores au niveau ou proches de l'état de l'art rapporté dans la littérature récente, ce qui suggère que les modèles exploitent des artefacts du benchmark plutôt que des compétences réelles. Sur CALVIN, la simple randomisation des positions des blocs dans la plage d'entraînement fait chuter les performances de toutes les politiques testées, révélant une généralisation quasi nulle même dans des conditions marginalement différentes. Ces résultats ont des implications directes pour les équipes qui évaluent des architectures VLA (Vision-Language-Action). Si LIBERO et CALVIN échouent à plusieurs diagnostics, les progrès revendiqués sur ces benchmarks ne constituent pas une preuve crédible de capacité de manipulation générale. La plupart des gains rapportés sur LIBERO ne sont pas statistiquement significatifs, ce qui signifie que de nombreuses publications revendiquent des améliorations qui pourraient n'être que du bruit. Pour les intégrateurs et les décideurs industriels, cela signifie que les scores de benchmarks courants ne sont pas des indicateurs fiables de la maturité réelle d'un système avant déploiement. Le problème n'est pas nouveau, mais il devient critique au moment où des VLA comme pi0 (Physical Intelligence), GR00T N2 (NVIDIA) ou OpenVLA sont massivement benchmarkés dans la littérature. RoboCasa et RoboTwin 2.0, moins fréquemment cités dans les claims de progression récents, résistent mieux aux diagnostics proposés et constituent des alternatives plus robustes pour mesurer des progrès réels. Les auteurs publient leurs quatre diagnostics avec des implémentations de référence sur ripl.github.io/manipulationbenchmarkaudit, à destination des chercheurs et des reviewers, pour application avant soumission ou acceptation. La prochaine question est de savoir si des conférences majeures comme CoRL, ICRA ou RSS adopteront ces outils comme critère d'évaluation des soumissions.

TRAP : détournement du raisonnement CoT dans les VLA par patches adversariaux

Des chercheurs ont publié sur arXiv (réf. 2603.23117) une attaque baptisée TRAP (Targeted Reasoning Adversarial Patch), démontrant pour la première fois qu'un patch adversarial physique peut détourner le comportement d'un robot manipulateur piloté par un modèle Vision-Language-Action (VLA) à raisonnement Chain-of-Thought (CoT). Dans les expériences présentées, un patch imprimé sur papier et déposé sur la surface de travail, tel qu'une nappe aux motifs spécifiques, suffit à faire en sorte que le robot remette un couteau à l'opérateur au lieu d'une pomme, sans qu'aucune modification de l'instruction utilisateur ne soit nécessaire. L'attaque a été validée sur trois VLA représentatifs intégrant des mécanismes CoT distincts, et mise en oeuvre en conditions réelles avec un simple imprimé papier. Ce résultat pointe une vulnérabilité structurelle dans les VLA à raisonnement intermédiaire, famille de modèles qui inclut notamment π0 de Physical Intelligence, OpenVLA-OFT ou les variantes de GR00T (NVIDIA) basées sur des CoT explicites. Les auteurs montrent empiriquement que le raisonnement CoT gouverne la génération d'actions de façon prépondérante, même lorsqu'il est sémantiquement incohérent avec l'instruction initiale : le modèle suit la chaîne de pensée corrompue plutôt que l'intention de l'utilisateur. Pour les intégrateurs déployant des bras robotisés en environnement ouvert, entrepôts, blocs opératoires ou assistance à domicile, cela signifie qu'un adversaire pourrait modifier le comportement du robot par simple altération visuelle de l'environnement, sans accès au modèle ni au flux de commandes, ce qui rend l'attaque particulièrement préoccupante en contexte de sécurité physique. Les VLA à raisonnement CoT ont émergé comme réponse aux limites des modèles action-réflexe classiques : le CoT améliore la généralisation et offre une trace d'interprétabilité utile pour la certification. TRAP montre que cette avancée introduit simultanément une surface d'attaque inédite. La recherche en sécurité des systèmes robotiques autonomes reste largement sous-investie par rapport à la sécurité des LLM textuels, et ce travail rejoint un corpus naissant incluant des attaques sur les politiques de diffusion et les modèles de perception. Aucun correctif ni benchmark défensif n'est proposé dans cette version ; les auteurs appellent à une sécurisation urgente des pipelines CoT dans les VLA avant tout déploiement à grande échelle dans des environnements critiques.

SilentDrift : exploiter le découpage en actions pour des attaques par porte dérobée furtives sur les modèles VLA

Des chercheurs en sécurité informatique ont publié sur arXiv (référence 2601.14323) une attaque baptisée SilentDrift, ciblant les modèles Vision-Language-Action (VLA) utilisés pour piloter des robots manipulateurs. L'attaque exploite deux mécanismes devenus standards dans les architectures VLA modernes : l'action chunking, qui consiste à générer des séquences de K actions d'un coup plutôt qu'action par action, et la représentation en delta de pose, qui encode chaque mouvement sous forme d'incrément relatif à la position précédente. Cette combinaison crée une boucle ouverte visuelle intra-chunk : une fois la séquence lancée, le robot l'exécute sans relire le flux caméra à chaque pas. Des perturbations imperceptibles à l'échelle d'un pas s'accumulent alors par intégration, déviant la trajectoire finale de manière significative. Sur le benchmark LIBERO, SilentDrift atteint un taux de succès d'attaque de 93,2 % avec un taux d'empoisonnement inférieur à 2 % des données d'entraînement, tout en maintenant un taux de réussite sur tâches propres de 95,3 %, rendant la backdoor pratiquement indétectable par les métriques standards. L'impact pour les intégrateurs et décideurs B2B est direct : les VLA comme pi-0 de Physical Intelligence, OpenVLA ou les variantes de RT-2 s'appuient précisément sur ces mécanismes d'action chunking pour obtenir des mouvements fluides et cohérents. Un attaquant ayant accès à une fraction marginale des données d'entraînement peut donc compromettre un système de manipulation robotique déployé en environnement industriel sans déclencher d'alarme sur les métriques de performance habituelles. Les trajectoires empoisonnées sont visuellement identiques aux démonstrations saines, ce qui invalide les audits visuels comme contrôle de qualité suffisant. La stratégie dite "keyframe attack" de SilentDrift cible spécifiquement la phase d'approche critique d'une saisie, maximisant l'effet de déviation tout en minimisant l'exposition du trigger. Ce travail s'inscrit dans un courant de recherche naissant sur la sécurité des modèles de fondation pour la robotique, un champ largement ignoré jusqu'ici face à l'effervescence autour des performances. Les VLA connaissent une adoption rapide depuis 2023, portée par des acteurs comme Physical Intelligence (pi-0), Google DeepMind (RT-2, GR00T N2 de Nvidia) et les laboratoires académiques via des benchmarks comme LIBERO ou Open-X Embodiment. SilentDrift est une attaque en boîte noire, ce qui signifie qu'elle ne nécessite pas d'accès au modèle entraîné, uniquement aux données. Les auteurs n'annoncent pas de contre-mesure, ouvrant un chantier de recherche défensive urgent à mesure que ces modèles approchent de déploiements réels dans la logistique et l'assemblage manufacturier.

NVIDIA dévoile une plateforme complète pour robots humanoïdes, robotaxis et usines intelligentes

Lors du GTC Taipei, NVIDIA a dévoilé une plateforme full-stack destinée aux robots humanoïdes, aux véhicules autonomes et à l'automatisation industrielle. Le cœur de l'annonce est Cosmos 3, un omnimodèle fondational open-source construit sur une architecture mixture-of-transformers, capable de traiter simultanément texte, images, vidéo, son et commandes d'action dans un seul système. Il se décline en Cosmos 3 Super, orienté haute précision pour la robotique et les véhicules autonomes, et Cosmos 3 Nano, optimisé pour l'inférence rapide. NVIDIA lance également l'Isaac GR00T Reference Humanoid Robot, un design de référence intégrant le robot Unitree H2 Plus, les mains articulées Sharpa, le calculateur embarqué Jetson Thor et la pile logicielle GR00T, adopté par Ai2, ETH Zurich, Stanford Robotics Center et UC San Diego. La collaboration avec TSMC porte les bibliothèques CUDA-X dans la fab pour la lithographie computationnelle, la simulation de transistors et l'inspection de plaquettes à l'échelle nanométrique. Alpamayo 2 Super, un modèle de raisonnement à 32 milliards de paramètres, cible quant à lui les applications robotaxi. La cohérence verticale de la plateforme est sa principale valeur ajoutée : NVIDIA prétend désormais couvrir l'intégralité de la chaîne de valeur de l'IA physique, de la génération de données synthétiques à la simulation, jusqu'au déploiement en production. Pour les équipes R&D en robotique humanoïde, GR00T Reference Robot réduit potentiellement plusieurs mois d'intégration hardware/software. Cosmos 3 s'attaque par ailleurs au sim-to-real gap en proposant un world model capable de générer des environnements d'entraînement réalistes, l'un des verrous structurels du secteur. Cela dit, les benchmarks avancés ("meilleur modèle ouvert" sur plusieurs évaluations) émanent de NVIDIA lui-même sans validation tierce, ce qui invite à une lecture prudente. L'intégration dans la fab TSMC est plus tangible : des gains d'efficacité mesurables dans la détection de défauts nanométriques signalent une adoption industrielle réelle, pas seulement un proof-of-concept. NVIDIA construit ce positionnement depuis plusieurs années via Isaac Sim, Omniverse et la famille GR00T N2 présentée en 2025. Sur le marché des humanoïdes, les concurrents directs incluent Figure (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0), Boston Dynamics (Atlas) et Agility Robotics (Digit). Le choix du robot Unitree H2 Plus, acteur chinois concurrent sur le segment humanoïde, comme base matérielle du design de référence NVIDIA est notable. En Europe, Enchanted Tools (Miroki, France) et Wandercraft pourraient tirer parti de Cosmos 3 pour la génération de données d'entraînement, même si aucun partenariat public n'a été annoncé. Les prochaines étapes incluent l'accès des institutions de recherche à GR00T Reference Robot et la disponibilité de Cosmos 3 via NVIDIA NGC ; aucune tarification ni date de commercialisation n'a été communiquée pour l'ensemble de la plateforme.

💬 NVIDIA ne vend plus du silicium, il vend une plateforme verticale, de la simulation jusqu'au robot en prod. Le détail qui m'a accroché : le choix d'Unitree, concurrent chinois direct, comme base matérielle du robot de référence GR00T. C'est soit du pragmatisme pur, soit une façon de dire que l'avantage NVIDIA est dans le software, pas le hardware.

Les 10 actualités robotique incontournables de mai 2026

Mai 2026 a concentré plusieurs avancées concrètes dans la robotique, mises en lumière lors du Robotics Summit & Expo de Boston qui a réuni des milliers de professionnels du secteur. Genesis AI a dévoilé GENE-26.5, un modèle d'IA qu'elle présente comme atteignant des "capacités de manipulation physique au niveau humain", une affirmation à relativiser en l'absence de benchmarks indépendants publiés. Dans le domaine des humanoïdes, 1X Technologies a lancé la production en série de son robot NEO dans une nouvelle usine à Hayward, en Californie, conçu pour fonctionner en dessous du niveau sonore d'un réfrigérateur moderne dans des espaces domestiques. La startup londonienne Humanoid a formalisé un partenariat avec Bosch et Schaeffler pour industrialiser sa production, après un proof of concept conjoint validé en mars 2026. Du côté des capteurs, Ouster a annoncé la famille REV8, basée sur sa puce L4 Ouster Silicon, avec une portée et une résolution doublées par rapport à la génération précédente, et un lidar couleur natif breveté. Automated Tire est sortie de la discrétion avec SmartBay, une plateforme robotique autonome pour le changement de pneus et l'inspection de véhicules, promettant de réduire le temps de service de moitié, soit environ 30 minutes par intervention. Ces actualités illustrent une bifurcation nette dans le secteur: d'un côté, des acteurs humanoïdes comme 1X passent de la démonstration à la production réelle, signal que le "reality gap" se réduit pour certains challengers; de l'autre, des verticaux industriels précis comme la maintenance automobile ou la manipulation dextère cherchent à démontrer un ROI mesurable à court terme. Le partenariat Humanoid-Bosch-Schaeffler est particulièrement notable car il intègre deux équipementiers automobiles de premier plan dans la chaîne d'approvisionnement des humanoïdes, anticipant un marché commercial proche. Hugging Face a également lancé une boîte à outils agentique pour son robot desktop open-source Reachy Mini, permettant de créer des applications fonctionnelles en moins d'une heure sans écrire de code, ce qui signale une démocratisation de la programmation robotique au-delà des équipes d'ingénieurs spécialisés. Le contexte est celui d'une course à la commercialisation qui s'accélère, avec Figure (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (pi0), Boston Dynamics et NVIDIA (GR00T N2) en embuscade sur le même marché des humanoïdes polyvalents. Pour structurer les comparaisons, le Fraunhofer IPA a publié un benchmark standardisé pour évaluer objectivement ces plateformes, une initiative qui faisait défaut jusqu'ici. Les RBR50 Innovation Awards 2026, qui fêtent leur 15e édition, ont dressé un panorama des leaders actuels, reflétant la diversité des approches: AMR, cobots, architectures VLA (Vision-Language-Action). Les prochains trimestres seront déterminants: les premiers bilans chiffrés des déploiements chez 1X et Humanoid constitueront des tests de réalité cruciaux avant d'éventuels nouveaux tours de financement.

Le robot humanoïde de NVIDIA embarque 2 070 téraflops de puissance « cérébrale » pour apprendre dans le monde réel

NVIDIA a dévoilé le 1er juin 2026, au GTC Taipei, l'Isaac GR00T Reference Humanoid Robot, un design de référence humanoïde open source associant le corps du Unitree H2 (1,80 m, 68 kg, 31 degrés de liberté) aux mains tactiles cinq doigts Sharpa Wave (44 DOF supplémentaires), soit 75 DOF au total. L'intelligence embarquée repose sur le module Jetson AGX Thor T5000, équipé d'un GPU Blackwell délivrant 2 070 téraflops en précision FP4, d'un CPU Arm 14 cœurs et de 128 Go de mémoire unifiée pour le traitement sensoriel en temps réel. Le robot supporte 120 N.m de couple aux bras, 360 N.m aux jambes et une charge utile de 15 kg, avec perception stéréo en tête, caméras montées aux poignets et centrale inertielle. La pile logicielle Isaac GR00T couvre tout le cycle de développement: Isaac Teleop pour la collecte de démonstrations humaines, Isaac Sim et Isaac Lab pour la simulation et l'entraînement, Isaac ROS pour le déploiement sur robot physique. Quatre institutions ont déjà rejoint l'initiative: Ai2, l'ETH Zurich, le Stanford Robotics Center et le laboratoire Advanced Robotics and Controls de l'UC San Diego. La compatibilité avec l'Unitree G1, très répandu en recherche, est également confirmée. La fragmentation du développement humanoïde constitue aujourd'hui l'un des freins majeurs à la recherche: hardware, environnements de simulation, modèles de fondation et middleware proviennent de sources hétérogènes, multipliant les frictions d'intégration. En proposant une pile unifiée et documentée, NVIDIA cherche à compresser le délai entre une nouvelle politique de contrôle et son test sur robot physique. Les 2 070 téraflops FP4 embarqués ne visent pas uniquement l'inférence: la puissance disponible cible l'apprentissage par renforcement en ligne et la collecte de données en situation réelle, deux leviers critiques pour combler le sim-to-real gap qui limite encore la majorité des VLA (Vision-Language-Action models). Steve Cousins, directeur exécutif du Stanford Robotics Center, a résumé la logique: "La robotique avance plus vite quand les chercheurs peuvent construire sur des plateformes ouvertes, partager du code et tester sur de vraies machines." NVIDIA avait posé les premières briques d'Isaac GR00T au GTC 2024 avec des modèles de fondation pour l'imitation et le transfert sim-to-real; l'annonce de Taipei franchit une étape différente avec un design de référence hardware-software complet. NVIDIA ne fabrique pas de robots mais joue explicitement la carte du fournisseur de plateforme, fournissant calcul, modèles et outils à l'ensemble de l'écosystème humanoïde: Figure (02), Tesla (Optimus Gen 3), Physical Intelligence (pi0), Boston Dynamics (Atlas Electric), et les acteurs européens comme Wandercraft ou Enchanted Tools, qui pourraient bénéficier de cette pile ouverte pour accélérer leur R&D. Le risque principal de cette stratégie est que les grands constructeurs, Tesla et Figure en tête, développent des piles entièrement propriétaires, réduisant la surface d'adoption. Les prochaines étapes documentées se limitent aux déploiements dans les quatre institutions partenaires, sans calendrier de commercialisation industrielle annoncé à ce stade.

Wall-OSS-0.5 : rapport technique

Une équipe de chercheurs a publié sur arXiv (2605.30877) le rapport technique de Wall-OSS-0.5, un modèle Vision-Language-Action (VLA) open source de 4 milliards de paramètres, construit sur un backbone VLM de 3B paramètres auquel sont greffés des composants de génération d'actions. Le modèle a été pré-entraîné sur plus de 20 morphologies robotiques différentes, en ingérant plus d'un million de trajectoires robot par époque, couplées à un corpus multimodal ancré. La recette d'entraînement repose sur un co-entraînement à gradient bridgé combinant trois objectifs complémentaires : prédiction d'actions discrètes pour faire circuler des gradients VLM forts dans le backbone, prédiction multimodale pour préserver la compréhension vision-langage, et flow matching continu comme interface d'action au moment du déploiement. Avant tout fine-tuning spécifique, le checkpoint pré-entraîné atteint des comportements zero-shot non triviaux sur un banc de 17 tâches réelles, y compris une tâche de manipulation d'objets déformables hors distribution. Après fine-tuning, il affiche 60,5% de progression moyenne sur 15 tâches réelles et surpasse Pi-0.5 de 17,5 points de pourcentage. Ce résultat repose la question fondamentale du pré-entraînement VLA : jusqu'ici, la quasi-totalité des preuves de performance étaient mesurées après fine-tuning, rendant impossible la distinction entre "le pré-entraînement forme une politique utilisable" et "le pré-entraînement fournit juste une meilleure initialisation". Wall-OSS-0.5 démontre que le checkpoint brut produit des comportements exécutables sur matériel physique, y compris sur des tâches jamais vues. Le fait que l'entraînement sur données d'action ne dégrade pas les capacités vision-langage générales est également significatif pour les intégrateurs : cela suggère qu'un seul modèle fondation peut couvrir perception, raisonnement et contrôle sans compromis majeur, ce qui simplifie l'architecture système. Wall-OSS-0.5 s'inscrit dans la dynamique des VLA fondationnels initiée par des modèles comme Pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) et OpenVLA. Sa publication open source le distingue dans un secteur dominé par des checkpoints propriétaires, et permet des comparaisons reproductibles. La performance zero-shot sur manipulation déformable est notable car ce type de tâche est réputé difficile à généraliser : c'est précisément le type de gap sim-to-real que les approches purement simulées peinent à combler. Les prochaines étapes probables incluent un scaling du corpus et des évaluations sur des plateformes humanoïdes commerciales, où la generalisation cross-embodiment du modèle pourra être testée en conditions industrielles.

💬 Le vrai truc ici, c'est pas les 60,5% sur le benchmark. C'est que le checkpoint pré-entraîné produit des comportements exécutables sur du vrai matériel, sans fine-tuning, y compris sur des tâches jamais vues. Et open source par-dessus le marché, dans un secteur où tout le monde garde jalousement ses poids pour soi.

Déploiement de pipelines VLA en atelier d'emballage industriel : étude de cas, flux de travail, échecs et enseignements

Des chercheurs associés à Siemens ont publié le 28 mai 2026 sur arXiv (2605.27461) une étude de déploiement industriel d'une politique VLA (Vision-Language-Action) dans l'usine Siemens GWE d'Erlangen, en Allemagne. La tâche ciblée est précisément définie : un bras robotique doit saisir un sachet d'accessoires transparent au sein d'un tas encombré, l'insérer dans la cavité restante d'un emballage carton, puis vérifier que le sachet et son contenu restent en dessous du plan de fermeture du carton. Le modèle de base utilisé est Pi0.5, la politique VLA de Physical Intelligence, affinée de manière itérative sur données terrain. L'équipe a accumulé 2535 épisodes d'entraînement, soit environ 10 heures de données collectées directement en conditions d'usine, via un pipeline cyclique comprenant collecte, curation, fine-tuning, évaluation et collecte de données de récupération ciblées. Ce qui rend cette publication notable, c'est son positionnement éditorial délibérément empirique : les auteurs ne communiquent pas sur un taux de succès global, mais documentent les modes de défaillances récurrents et les ajustements nécessaires à chaque cycle. C'est précisément ce type de retour d'expérience qui manque dans la littérature robotique, où les démonstrations sélectionnées occultent souvent le coût réel d'adaptation d'un modèle généraliste à une tâche industrielle spécifique. La gestion d'objets transparents, notoire pour tromper les systèmes de vision par profondeur, illustre ici les limites concrètes du sim-to-real et du transfert zero-shot. L'étude confirme que le fine-tuning dirigé par les échecs terrain, plutôt que la montée en données brutes, reste le levier dominant pour atteindre la fiabilité industrielle. Pi0.5 est le successeur de π0, lancé par Physical Intelligence (San Francisco) fin 2024, conçu comme politique généraliste pour la manipulation dextère. Son déploiement chez Siemens marque une étape significative dans la commercialisation B2B des VLA, un segment que se disputent actuellement Figure AI avec sa pile Helix, 1X Technologies avec NEO, et des initiatives internes comme GR00T N2 de NVIDIA ou les travaux de Boston Dynamics sur Atlas. Aucun acteur européen n'est directement impliqué dans ce déploiement, bien que Wandercraft et Enchanted Tools positionnent des produits complémentaires sur le segment français. La prochaine étape logique de ce type d'étude serait une généralisation multi-tâches ou multi-sites, mais les auteurs restent prudents : l'article conclut sur des leçons méthodologiques, non sur un déploiement à l'échelle.

L'open source commence à aider les robots à raisonner

Depuis deux ans, Hugging Face, Nvidia et Alibaba ont multiplié les publications open source dans la robotique cognitive, cherchant à résoudre ce qui était jusque-là le goulot d'étranglement du secteur : faire raisonner, décider et agir un robot. Nvidia a constitué une pile complète articulée autour de trois couches : Cosmos, des world models qui génèrent des données d'entraînement synthétiques et simulent des environnements physiques ; GR00T, des modèles permettant l'exécution de tâches complexes ; et Isaac, un ensemble de frameworks d'orchestration reliant entraînement, simulation et déploiement. Ces modèles sont hébergés sur Hugging Face. Ce mouvement s'inscrit dans une longue tradition : le Robot Operating System (ROS), lancé en 2007, a unifié le secteur en fournissant un framework standardisé au-dessus de Linux pour les fonctions fondamentales de la robotique, communication inter-composants, gestion du hardware, cartographie, planification de trajectoires. Avant ROS, chaque équipe réécrivait cette infrastructure de zéro, absorbant souvent une à deux années de travail avant de pouvoir conduire les recherches réelles. L'enjeu est structurant : si l'open source peut faire pour la cognition robotique ce qu'il a fait pour les LLMs, la barrière à l'entrée pour construire un robot capable pourrait chuter aussi vite qu'elle l'a fait pour les applications d'IA générative. Spencer Huang, directeur produit robotique chez Nvidia, note que la vision par ordinateur, autrefois coûteuse en expertise, se code aujourd'hui en quelques lignes. "Pour entrer dans la robotique, il ne faut plus nécessairement un doctorat", dit-il. La logique économique est explicite : fournir un modèle pré-entraîné de haute qualité que chaque acteur peut fine-tuner, plutôt que de demander à chacun de reprendre le pré-entraînement from scratch. Pour les intégrateurs et les décideurs industriels, cela se traduit concrètement par des cycles de développement raccourcis et une moindre dépendance aux profils rares. Le parallèle avec l'histoire de l'IA est tracé explicitement par Brian Gerkey, co-créateur de ROS, aujourd'hui Board Chair d'Open Robotics et CTO d'Intrinsic, l'unité robotique et IA de Google. La communauté IA a, dès ses débuts, partagé recherches, modèles et données en open source, et le domaine a progressé bien plus vite que presque tous les observateurs ne l'anticipaient. Les premières briques d'infrastructure open source pour la robotique remontent au milieu des années 1990, avec des projets comme le package Inter-Process Communication de Carnegie Mellon et le projet Player au début des années 2000, mais ces initiatives restaient fragmentées et liées à des groupes isolés. ROS a unifié la couche basse du secteur ; Nvidia, Hugging Face et Alibaba tentent aujourd'hui de reproduire cette unification pour la couche cognitive. Les outils de simulation sont désormais suffisamment précis pour être utiles à l'entraînement et accessibles hors des laboratoires spécialisés. La question qui demeure ouverte : ces modèles pré-entraînés tiendront-ils leurs promesses dans des déploiements industriels réels, au-delà des démonstrations contrôlées ?

Humanoid s'associe à Bosch et Schaeffler pour industrialiser la production de robots

La startup londonienne Humanoid, fondée en 2024 sous le nom SKL Robotics Ltd., a annoncé en mai 2026 deux partenariats industriels majeurs pour industrialiser son robot HMND 01 sur le marché européen. Le premier accord, conclu avec Robert Bosch GmbH (siège à Gerlingen, Allemagne), fait suite à un proof of concept réalisé en mars 2026 dans un entrepôt intralogistique Bosch à Bühl, en Allemagne : le HMND 01, un manipulateur mobile à roues doté d'un torse humanoïde, d'une tête et de deux bras, a transféré de manière autonome des cartons depuis un convoyeur vers des chariots, en gérant cinq formats de boîtes différents sur plusieurs hauteurs, empreintes au sol et masses. Le second accord, signé la semaine précédente avec Schaeffler Technologies AG, est décrit comme un contrat "contraignant et phasé" visant à intégrer les robots HMND dans des lignes de production réelles en Allemagne d'ici fin 2026. Humanoid qualifie ce déploiement de "l'un des plus importants rollouts de robots humanoïdes annoncés à ce jour", ce qui reste difficile à vérifier indépendamment faute de chiffres de volumes publiés. Ces deux partenariats signalent un changement de phase pour Humanoid : de la validation POC vers la fabrication en série et le déploiement industriel. Bosch endosse le rôle de sous-traitant industriel (contract manufacturer) et apportera son infrastructure de production mondiale, sa chaîne d'approvisionnement et son expertise en DfX (design for excellence), un cadre méthodologique couvrant la fabricabilité, la fiabilité, la maintenabilité et l'optimisation des coûts. L'orchestration des tâches repose sur KinetIQ, le framework IA propriétaire d'Humanoid. Pour un COO ou un directeur industriel, l'intérêt concret est double : un robot conçu pour les espaces humano-centriques (convoyeurs, chariots, manipulation multi-format) testé en conditions réelles, et un partenaire de fabrication capable de passer rapidement du prototype au volume. La mention d'une future intégration de composants Bosch (actionneurs, variateurs, capteurs) dans les prochaines versions du HMND ouvre aussi une trajectoire de co-développement hardware. Humanoid s'est constitué rapidement un réseau de partenaires industriels de premier rang : outre Bosch et Schaeffler, la société avait annoncé le mois précédent un accord avec Siemens. Ce positionnement agressif intervient dans un contexte de consolidation du marché humanoïde industriel, où Figure AI (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (pi0), NVIDIA (GR00T N2) et 1X Technologies se disputent les premiers déploiements à l'échelle. Humanoid mise sur une stratégie de distribution européenne différenciée, en s'appuyant sur l'écosystème industriel allemand plutôt que sur une intégration verticale américaine. La prochaine étape visible sera la mise en service effective des premiers systèmes chez Schaeffler avant la fin de l'année 2026, date qui permettra de valider si le saut du POC au déploiement réel est aussi rapide que le suggèrent les annonces.

FANUC et NVIDIA développent des robots au comportement identique en simulation et en réalité

FANUC, le géant japonais de la robotique industrielle, et NVIDIA ont annoncé en mai 2026 une extension significative de leur partenariat visant à éliminer l'écart entre simulation et déploiement réel en usine. L'intégration technique combine NVIDIA Isaac Sim avec le logiciel de simulation propriétaire de FANUC, ROBOGUIDE, pour créer des jumeaux numériques où les robots virtuels reproduisent exactement les mêmes trajectoires et temps de cycle que leurs homologues physiques, en s'appuyant sur des algorithmes de contrôle identiques. Deux modes de fonctionnement sont proposés : dans le premier, Isaac Sim orchestre l'environnement virtuel tandis que ROBOGUIDE synchronise les comportements en arrière-plan, avec support des pupitres de programmation physiques et virtuels. Dans le second, ROBOGUIDE prend la main pendant que le moteur physique PhysX de NVIDIA gère la simulation, notamment pour des tâches comme le bin picking, où le robot doit identifier et saisir des pièces empilées en vrac. En parallèle, FANUC a présenté un système bi-bras composé de deux robots collaboratifs CRX capables de plier des T-shirts en temps réel, entraînés par imitation learning via le modèle de fondation robotique Isaac GR00T N de NVIDIA. La plateforme Jetson Thor équipe désormais le robot d'évitement humain de FANUC, avec une puissance de calcul multipliée par 7,5 par rapport à l'ancienne génération Jetson AGX Orin. L'enjeu industriel est direct : le problème du sim-to-real gap coûte des semaines de recalibration sur site à chaque nouveau déploiement. Si FANUC et NVIDIA tiennent leur promesse d'une fidélité totale entre simulation et réalité, les intégrateurs pourraient valider des cellules complètes en virtuel avant même d'avoir commandé les équipements physiques, compressant drastiquement les timelines de mise en production. La démonstration du pliage de textile est également notable : les objets déformables restent l'un des angles morts historiques de la robotique industrielle, et un système capable de gérer le linge en temps réel avec retour visuel ouvre des perspectives concrètes pour la logistique e-commerce et le textile. Le chiffre de 7,5x de gain en calcul sur Jetson Thor est cohérent avec les besoins croissants des pipelines vision-action (VLA) embarqués. Il convient toutefois de noter que les démonstrations présentées, notamment le pliage de T-shirts, restent des prototypes de laboratoire : aucun déploiement en production à grande échelle n'est annoncé à ce stade. FANUC avait une première fois montré cette intégration Isaac Sim / ROBOGUIDE à l'International Robot Exhibition de Tokyo fin 2024, mais la version actuelle approfondit substantiellement la communication entre les deux systèmes. FANUC, avec plus de 700 000 robots installés dans le monde, est l'un des rares acteurs à pouvoir valider ce type d'approche à l'échelle industrielle réelle plutôt qu'en conditions de laboratoire. Sur le terrain concurrentiel, cette initiative s'inscrit dans une course directe avec ABB et son partenariat Isaac Sim, ainsi qu'avec KUKA et Universal Robots qui développent leurs propres pipelines de simulation physique. NVIDIA, de son côté, consolide Isaac comme couche d'abstraction standard pour la simulation robotique industrielle, une position stratégique face à des alternatives open-source comme Gazebo ou MuJoCo. Les technologies seront présentées en conditions réelles lors de l'Open House FANUC prévu en mai 2026, premier test public de la robustesse de l'intégration hors cadre contrôlé.

TAVIS : un benchmark pour la vision active égocentrique et le regard anticipateur en apprentissage par imitation

Une équipe de chercheurs a publié TAVIS, un environnement d'évaluation standardisé pour comparer les approches de vision active en apprentissage par imitation, soit la capacité d'une politique robotique à contrôler son propre regard pendant une tâche de manipulation. Le benchmark comprend deux suites : TAVIS-Head (5 tâches avec caméra sur cardan pan/tilt pour la recherche globale de scène) et TAVIS-Hands (3 tâches avec caméras de poignet pour gérer les occlusions locales). Il est construit sur IsaacLab et s'appuie sur deux embodiments de torse humanoïde : le GR1T2 de Fourier Intelligence et le Reachy2 de Pollen Robotics (Bordeaux). Environ 2 200 épisodes de démonstrations téléopérées sont publiés en format LeRobot v3.0 sur HuggingFace, avec Diffusion Policy et π₀ (Physical Intelligence) comme baselines. Trois résultats principaux ressortent : la vision active améliore les performances, mais de façon conditionnelle à la tâche ; les politiques multi-tâches se dégradent nettement sous distribution shift contrôlé ; et l'imitation seule produit un regard anticipatoire dont les temps de préemption médians, mesurés par la métrique GALT (Gaze-Action Lead Time), sont comparables à ceux du téléopérateur humain de référence. Jusqu'ici, plusieurs groupes avaient démontré indépendamment les bénéfices de la vision active en 2024-2025, sans base commune de comparaison. TAVIS comble ce vide avec trois primitives reproductibles : un protocole comparatif caméra mobile/caméra fixe sur des démonstrations identiques, la métrique GALT issue des sciences cognitives et de l'HRI (Human-Robot Interaction), et des splits procéduraux in-distribution/out-of-distribution. Le constat que les gains sont task-conditional invalide l'hypothèse naïve qu'ajouter des degrés de liberté à la caméra améliore systématiquement les performances, nuance décisive pour les intégrateurs industriels. La fragilité sous distribution shift constitue un signal d'alarme concret pour tout déploiement hors simulation. La vision active en manipulation connaît un regain d'intérêt depuis 2024, porté par les progrès des VLA (Vision-Language-Action models) et la disponibilisation de robots humanoïdes à têtes articulées. Le choix de Reachy2 comme plateforme de référence est notable : Pollen Robotics, startup bordelaise fondée en 2016, est l'un des rares acteurs européens dont le robot open-source figure dans des benchmarks académiques internationaux, face aux concurrents américains (Figure, Agility) et asiatiques (Fourier, Unitree). Les prochaines étapes naturelles incluent l'évaluation de politiques VLA récentes comme GR00T N2 ou OpenVLA sur TAVIS, ainsi que le transfert sim-to-real, que le papier ne couvre pas encore.

Genesis AI publie GENE-26.5 : un robot humanoïde réussit enfin à préparer des œufs brouillés à la tomate

La startup française Genesis AI a publié les premières démonstrations de GENE-26.5, son premier système de modèle de fondation pour robot humanoïde. Les vidéos montrent le robot casser des œufs d'une seule main, couper des tomates en mode bimanuel, préparer des smoothies, effectuer du pipetage, résoudre un Rubik's cube et saisir simultanément quatre objets de tailles différentes entre ses doigts. Le démo central est une tâche de cuisine de 4 minutes décomposée en plus de 20 sous-tâches : casser un œuf, trancher des tomates, manier un fouet, un couteau, une spatule et une poêle. Un détail révélateur : pour transférer les tomates coupées, le robot utilise le dos du couteau et la planche à découper comme appui, une coordination bimanuelles typiquement humaine. Genesis AI déclare des taux de réussite de 90 à 95 % sur la plupart des étapes, mais seulement 50-60 % pour les deux plus délicates (cassage d'œuf d'une main, transfert avec le dos du couteau) -- un niveau d'honnêteté inhabituel dans les communications de ce secteur. La vitesse d'exécution atteint 60-70 % de celle d'un humain. La main dextère est fournie par Dance Muscle (舞肌科技) ; les deux entreprises co-conçoivent une prochaine génération ciblant le format 1:1 main humaine avec 20 degrés de liberté actifs et back-drivables. La portée de GENE-26.5 dépasse les performances brutes des démos. Les tâches domestiques exigent une adaptation en temps réel à des objets imprévisibles et à des états de contact changeants, sans trajectoire pré-programmée, ce qui les rend parmi les problèmes de manipulation les plus difficiles à généraliser en robotique. La recette de données de Genesis combine trois sources : données de gant (mouvements fins et signaux tactiles haute fidélité), vidéo en première et troisième personne, pour un total annoncé de plus de 200 000 heures de données cross-modales collectées avec des partenaires. La simulation Genesis, moteur physique open-source développé en parallèle par l'entreprise, assure l'évaluation en boucle fermée et accélère les itérations. Ce pipeline (préentraînement massif sur données humaines, adaptation sur peu de données robot, évaluation en simulation) ressemble structurellement au paradigme qui a transformé le NLP vers les LLMs, et constitue un signal fort pour les intégrateurs et les décideurs industriels : le sim-to-real gap sur la manipulation dextère commence peut-être à se réduire sérieusement. Genesis AI a été fondée début 2025 et a levé 105 millions de dollars en seed round, l'un des plus importants jamais réalisés en France dans la robotique. Parmi les investisseurs figurent Eric Schmidt (ancien PDG de Google), Xavier Niel et Bpifrance. Le CEO Zhou Xian est titulaire d'un doctorat du Carnegie Mellon University Robotics Institute, ce qui ancre l'entreprise dans la tradition académique américaine malgré son origine française. Dans une course humanoïde particulièrement dense qui comprend Figure AI (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0) et NVIDIA (GR00T N2), Genesis se distingue par son pari sur la donnée humaine à grande échelle et la simulation comme levier de généralisation, en opposition aux approches centrées sur la téléopération robot. GENE-26.5 reste toutefois au stade de démo laboratoire : aucun pilote industriel ni calendrier de déploiement n'a été annoncé à ce stade.

Galbot lance LDA-1B, un modèle du monde-action en open source

Galbot a publié LDA-1B, un modèle fondation monde-action cross-embodiment de 1,6 milliard de paramètres, construit sur son architecture propriétaire WAM (World-Action Model). Ce modèle unifie modèles de monde et modèles d'action au niveau des données, permettant un apprentissage conjoint sur données de simulation et données réelles, données humaines et robotiques, ainsi que sur jeux de données d'action labellisés et non labellisés. LDA-1B peut s'adapter à différentes morphologies de robots après seulement une heure de post-entraînement, selon Galbot. À mesure que le volume de données d'entraînement est passé de 5 000 à 30 000 heures, l'erreur de prédiction d'action a diminué de façon continue, démontrant un comportement de scaling cohérent. La recherche a été acceptée à RSS 2026 et le code source est désormais public. Le modèle est intégré dans AstraBrain et AstraData, l'infrastructure de déploiement de Galbot, couvrant la logistique industrielle, les tâches domestiques et les scénarios retail. En avril 2026, la société est l'entreprise d'IA incarnée non cotée la mieux valorisée en Chine, avec une valorisation dépassant 20 milliards de yuans (2,8 milliards de dollars). Plusieurs points méritent attention. La capacité d'adaptation cross-embodiment en une heure de fine-tuning est une affirmation forte, mais elle reste à valider hors démonstrations contrôlées. Le comportement de scaling confirmé entre 5 000 et 30 000 heures de données est un signal positif pour les VLA (Vision-Language-Action models) à grande échelle, suggérant que les lois d'échelle s'appliquent à l'action robotique de façon analogue aux LLM textuels. L'open-source du codebase réduit la barrière d'entrée pour les intégrateurs souhaitant expérimenter sans infrastructure propriétaire, et positionne Galbot comme fournisseur d'infrastructure fondationale, pas seulement constructeur de robots. Galbot est une startup spécialisée dans les robots humanoïdes et l'IA incarnée. LDA-1B entre en compétition directe avec pi0 de Physical Intelligence, GR00T N2 de NVIDIA, et les approches internes de Figure AI et Agility Robotics côté américain. En Chine, la société rivalise avec Unitree et UBTECH sur le terrain humanoïde. L'acceptation à RSS 2026 lui confère une légitimité académique rare dans ce secteur encore dominé par les communiqués marketing. Les prochaines étapes probables incluent des pilotes industriels en logistique et retail, et une expansion internationale que la valorisation de 2,8 milliards de dollars rend plausible.

💬 Le comportement de scaling sur les données robotiques, c'est le vrai signal ici, pas le chiffre de valorisation. Que les lois d'échelle s'appliquent à l'action physique comme au texte, ça dit quelque chose sur ce qu'on va voir dans 3 ans, et tu commences à comprendre pourquoi les gros acteurs américains s'agitent. L'open source est une bonne décision stratégique, mais une heure de fine-tuning pour changer de morphologie de robot, j'attends de voir ça hors démo contrôlée.

ROBOGATE : détection adaptative des défaillances pour un déploiement sûr des politiques de robots via un échantillonnage en deux étapes axé sur les limites

Des chercheurs ont publié ROBOGATE (arXiv:2603.22126), un framework open-source de validation pré-déploiement pour les politiques de manipulation robotique, conçu pour identifier les zones de défaillance avant mise en production industrielle. Le système repose sur un échantillonnage adaptatif en deux étapes dans un espace de paramètres à huit dimensions : une première phase par Latin Hypercube Sampling (LHS) couvre l'espace global, puis une seconde phase concentre l'effort sur la zone de transition critique entre 30 % et 70 % de taux de réussite, là où les échecs sont les plus révélateurs. Le tout est exécuté dans NVIDIA Isaac Sim avec le moteur physique Newton, sur quatre morphologies robotiques : Franka Panda (7-DOF), UR3e, UR5e et UR10e (tous 6-DOF). Au total, plus de 50 000 expériences ont été simulées, produisant un modèle de régression logistique avec une AUC de 0,780 et une équation analytique fermée de la frontière de défaillance. Le framework a également benchmarké huit politiques VLA, dont une version fine-tunée de NVIDIA GR00T N1.6 (3 milliards de paramètres), entraînée sur LIBERO-Spatial pendant 20 000 étapes. Le chiffre le plus frappant de l'étude est un écart de 97,65 points de pourcentage entre les environnements de simulation : le même checkpoint GR00T N1.6 atteint 97,65 % de réussite sur le benchmark LIBERO sous MuJoCo, mais tombe à 0 % sur les 68 scénarios industriels de ROBOGATE sous Isaac Sim. Ce résultat met en lumière un problème structurel du déploiement des VLA : les scores de benchmark en simulation ne prédisent pas le comportement dans un simulateur différent, a fortiori dans le monde réel. Pour les intégrateurs et les décideurs industriels, cela signifie qu'un modèle validé sur benchmark standard peut être totalement non opérationnel dans leur environnement cible. ROBOGATE propose une couche de validation intermédiaire, inspirée du paradigme que NVIDIA a formalisé pour le calcul quantique avec Ising, transposé ici à l'IA physique. Le gap sim-to-real reste l'un des verrous majeurs de la robotique manipulatrice apprise, et la plupart des acteurs du secteur, de Figure AI (Figure 03) à Physical Intelligence (Pi-0) en passant par Boston Dynamics ou les équipes internes de NVIDIA, travaillent à le réduire via des pipelines sim-to-real renforcés ou de la synthèse de données domain-randomisée. ROBOGATE ne prétend pas résoudre ce gap mais fournit un outil de diagnostic structuré : cartographier les frontières d'échec avant déploiement, ce qui est précisément ce qui manque dans les workflows industriels actuels. Le framework est publié en open-source, ce qui devrait faciliter son adoption par les équipes de validation, en particulier celles qui travaillent sur des cellules pick-and-place standardisées avec des bras industriels UR ou Franka. Les prochaines étapes naturelles seraient l'extension à des morphologies mobiles-manipulatrices et l'intégration dans des pipelines CI/CD robotiques, un domaine encore embryonnaire mais en progression rapide chez des acteurs comme Intrinsic (Alphabet) ou Covariant.