Pourquoi la dextérité est le véritable goulot d’étranglement de l’IA physique

Nicolas Sauvage, fondateur et président de TDK Ventures, avec le robot quadrupède d'ANYbotics. | Source : TDK Ventures

Un robot ramasse un objet, le déplace et le pose avec succès. Est-ce adroit ? Peut-être. Mais maintenant, demandez-lui de le faire avec succès des centaines de fois, tandis que les objets bougent légèrement, son adhérence change, les composants s'usent et des pannes inattendues se produisent. Il s’agit d’un test de dextérité beaucoup plus difficile et d’une bien meilleure mesure pour savoir si un robot est suffisamment adroit pour le monde réel.

Nous faisons des progrès rapides dans ce que les robots peuvent manipuler. Cependant, la dextérité utile ne se limite pas à la capacité d’accomplir une action individuelle une seule fois. Il s’agit de la capacité de détecter, saisir, déplacer, ajuster et récupérer de manière suffisamment fiable pour mener à bien un flux de travail complet sans assistance humaine constante.

Un robot qui réussit 99 % du temps semble prêt à travailler, mais un travail consiste rarement en une seule action. Prenons un flux de travail qui nécessite 100 actions physiques dans une séquence. Avec un taux de réussite de 99 % pour chaque action, la probabilité que les 100 actions réussissent dès la première tentative n'est que de 36,6 %. Augmentez le taux de réussite à 99,9 % et la probabilité de terminer le flux de travail s'élève à 90,5 %. A 99,99%, il atteint 99,0%.

Il s’agit bien entendu d’un exemple simplifié qui suppose des taux de réussite égaux et indépendants, mais il illustre un point important. Un robot avec un taux de réussite de 99 % n’est pas forcément automatisé à 99 %.

Les petits écarts de fiabilité deviennent beaucoup plus importants lorsqu'ils sont répétés sur l'ensemble d'un flux de travail. Cela signifie qu’un robot qui semble presque parfait lors d’une démonstration peut encore être loin d’être prêt pour un déploiement autonome. La différence entre deux neuf et quatre neuf peut finalement décider si un robot est prêt à travailler seul.

Le prochain défi majeur en matière de dextérité robotique ne consiste pas simplement à apprendre aux robots à faire plus, mais à rendre l’ensemble du système suffisamment fiable pour transformer ces capacités en travail utile.

La dextérité est un système, pas une main

La dextérité robotique est souvent évoquée comme une course au matériel : plus de doigts, plus d’articulations et plus de liberté de mouvement. Même si ces capacités sont évidemment importantes, le client n’achète pas de degrés de liberté. Le client achète un travail utile.

Réaliser ce travail nécessite une boucle fermée entre la vision, la position, le contact, la force, la pression, la préhension, le mouvement et l'ajustement. La puissance, la sécurité, la flexibilité et la récupération comptent également.

Tous les flux de travail n'ont pas besoin d'être tactiles, car dans certains cas, les données de vision et de mouvement peuvent fournir suffisamment d'informations. Mais le toucher peut également être utile pour indiquer à un robot qu'un objet glisse, que le contact est instable, qu'une pression trop forte est appliquée ou qu'un composant est correctement en place.

L’objectif n’est donc pas d’empiler tous les sens sur chaque robot, mais de fournir au système suffisamment d’informations adéquates pour agir et récupérer de manière fiable.

TDK Ventures aide les startups en démarrage dans les domaines des matériaux, de l'énergie, des technologies propres, de l'industrie 5.0, de la mobilité et des technologies de la santé à se développer. | Source : TDK Ventures

Plus de neuf viennent de l'apprentissage

La récupération est une partie importante de la dextérité. Si un robot commence à perdre son emprise sur un objet, la mesure utile n’est pas de savoir si la prise initiale était parfaite ; il s'agit de savoir si le système peut détecter le dérapage suffisamment tôt pour le corriger avant qu'une petite erreur ne provoque l'échec de l'ensemble de la tâche.

Une panne découverte lors du déploiement peut révéler un problème de logiciel, de détection ou de contrôle, ou révéler que le matériel lui-même doit être repensé. Changer la main modifie le mouvement, la détection et l'étalonnage, de sorte que les données collectées avec une conception physique peuvent ne pas être transférées directement à une autre. Le déploiement dans le monde réel est donc une partie essentielle du processus de développement.

Le déploiement révèle des glissades, des mauvaises prises, des usures et des récupérations ratées. Ces expériences deviennent des données qui peuvent améliorer les logiciels, la simulation, la détection, le contrôle et le matériel. Chaque cycle peut rendre le prochain déploiement plus fiable et moins coûteux.

Une percée technologique peut amorcer le voyage, mais c’est le système d’apprentissage qui l’entoure qui multiplie son impact. La dextérité robotique doit être considérée à peu près de la même manière. Des neuf autres émergent du déploiement, de l'apprentissage et de l'amélioration répétés.

Note de l'éditeur : l'IA physique, les technologies habilitantes et les humanoïdes font partie des sujets abordés lors de la session RoboBusiness 2026, qui aura lieu les 20 et 21 octobre à Santa Clara, en Californie. Inscrivez-vous maintenant pour y assister.

Inscrivez-vous maintenant et aidez-nous à célébrer les 20 ans de RoboBusiness !

Le bon corps dépend du travail

La fiabilité nous oblige également à résister à la tentation d’assimiler des robots plus humains à de meilleurs robots. Le point de départ devrait être le travail. À partir de là, travaillez en arrière pour déterminer l’environnement, la forme physique et le système requis pour l’exécuter.

La dextérité doit suivre la même logique. La main la plus humaine n’est peut-être pas la meilleure pour un flux de travail particulier. Le but n’est pas une dextérité maximale. Il s’agit de la dextérité minimale requise pour accomplir un travail précieux de manière fiable, et nous commençons déjà à voir ce principe être déployé avec succès.

Agility's Digit est un robot bipède conçu pour les travaux logistiques et industriels. Digit peut se connecter directement à des outils spécialisés adaptés au travail, plutôt que de nécessiter une main à cinq doigts ou d'être aussi humain que possible. Il a la forme et la dextérité que le travail requiert réellement.

ANYbotics applique le même principe à un environnement différent. Ses robots à quatre pattes peuvent naviguer dans les escaliers et les surfaces inégales des sites industriels, tandis que l'inspection des zones dangereuses réduit le besoin d'exposition humaine. Lors d'un déploiement, sa technologie aurait effectué plus de 33 000 inspections sur 450 points d'inspection.

Starship Technologies adopte une approche différente. Ses robots de livraison doivent se déplacer sur les trottoirs, donc une petite forme à roues est mieux adaptée au travail que les jambes. Cette approche spécialement conçue a aidé Starship à signaler plus de 10 millions de livraisons autonomes.

Ces robots ont une apparence et un fonctionnement très différents car ils effectuent des tâches très différentes. Pourtant, ils démontrent le…

Article traduit automatiquement depuis la couverture d’origine d’un média international ; des imprécisions sont possibles. Consultez « Lire l’original » pour la source.

Les actualités sont collectées automatiquement depuis des flux publics robotique & IA.