UC Berkeley et NVIDIA proposent la robotique agentique pour contourner les limites de mise à l'échelle des données

UC Berkeley et NVIDIA ont conjointement annoncé une nouvelle approche appelée robotique agentique, qui utilise des agents de codage IA pour programmer des robots industriels par le biais de la simulation et de la génération de code plutôt que de s'appuyer sur des ensembles massifs de données de démonstrations humaines. Ce changement vise à résoudre le problème de mise à l'échelle des données qui freine actuellement le déploiement de robots à usage général dans les environnements industriels.

Ce qui s'est passé

Selon IEEE Spectrum, l'annonce a été faite lors de la Conférence sur l'apprentissage robotique de 2026. Cette technique exploite des grands modèles de langage (LLM) pour décomposer des tâches complexes, telles que la mise en sac de courses, en sous-tâches assignées à des agents de codage spécialisés. Ces agents gèrent la perception, la manipulation et le transport en écrivant du code lisible par l'homme qui utilise des outils robotiques existants comme l'estimation de pose et la génération de trajectoires.

Ken Goldberg, professeur de robotique à UC Berkeley et cofondateur d'Ambi Robotics, a déclaré que le paradigme de l'apprentissage par imitation a "atteint un plateau". Il a noté que si les approches axées sur les données fonctionnent pour les robots domestiques, elles ont du mal à répondre aux exigences de fiabilité des applications industrielles. Goldberg, qui a travaillé avec des entreprises telles que Siemens et Bosch, a observé que l'ajout de données entraîne souvent de nouvelles pannes sans garantir la convergence.

Spencer Huang, directeur des produits pour la robotique chez NVIDIA, a expliqué que la qualité du codage agentique s'est suffisamment améliorée au cours de la dernière année pour rendre cela viable. Les agents itèrent en exécutant du code dans des simulations, en ajustant les paramètres et même en faisant correspondre les environnements de simulation aux vidéos du monde réel. Cependant, Torsten Kroeger, directeur scientifique d'Intrinsic (filiale d'Alphabet), a averti qu'aucun moteur physique actuel ne peut modéliser avec précision le contact physique, ce qui signifie que l'écart entre la simulation et la réalité reste un défi non résolu. Pour atténuer les erreurs de code généré par l'IA, l'équipe utilise des configurations d'agents contradictoires où un agent conçoit le code et un autre tente de trouver des failles.

Pourquoi c'est important pour les petites équipes de fabrication et de logistique

Pour les petites entreprises opérant dans la fabrication ou la logistique, la norme actuelle pour déployer une automatisation flexible est souvent d'un coût prohibitif ou techniquement inaccessible. Le modèle dominant exige soit d'embaucher des roboticiens spécialisés pour écrire du code de bas niveau, soit d'acheter des ensembles de données coûteux, ce qui ne convient pas à une équipe de cinq personnes. La robotique agentique modifie la structure des coûts en transformant la programmation des robots en un problème de génie logiciel qui peut être géré par des outils d'IA à usage général.

C'est important car cela déplace la barrière à l'entrée de la "collecte de données" à la "configuration de simulation". Si une petite équipe peut utiliser le langage naturel pour définir une tâche et laisser les agents IA gérer la génération de code et le réglage de la simulation, le délai de déploiement d'un nouveau code article ou d'un changement de processus pourrait passer de quelques semaines à quelques jours. Cependant, le scepticisme est de mise. La dépendance à l'égard de la simulation signifie que si le moteur physique ne peut pas modéliser le contact avec précision, le robot échouera dans le monde réel. Pour une petite entreprise, un robot qui fonctionne en simulation mais se bloque sur la chaîne de production est un passif, et non un atout. La mention d'agents contradictoires est un bon signe pour la sécurité, mais tant que la conformité aux normes ISO 10218 ou ISO/TS 15066 n'est pas explicitement abordée pour ces comportements générés par l'IA, cela reste un projet pilote de recherche, et non un produit clé en main. Surveillez si cette approche réduit le besoin de surveillance humaine dans les boucles critiques pour la sécurité.

Ce qu'il faut faire cette semaine

1. Auditez vos tâches manuelles actuelles pour identifier un processus répétitif et non critique qui pourrait être candidat à des tests basés sur la simulation, comme une séquence d'emballage spécifique ou un contrôle qualité.
2. Examinez les capacités de simulation de votre fournisseur de robots actuel ou potentiel pour déterminer s'il propose des API permettant l'injection de code externe ou le réglage de paramètres, ce qui est une condition préalable aux flux de travail agentiques.
3. Documentez les modes de défaillance spécifiques de votre automatisation ou processus manuel actuel, en créant une liste de référence des cas limites que toute solution générée par un agent IA doit gérer pour être considérée comme viable pour votre atelier.

Sources

• Can Agentic Robotics Solve Robotics’ Data Scaling Problem? — IEEE Spectrum - Robotics