Comment apprendre à un robot à déplacer des objets, à éviter les obstacles et à effectuer des tâches sans avoir à l'entraîner d'innombrables fois dans une pièce réelle ? Une solution consiste à lui proposer d’abord un environnement numérique pour s’entraîner.
L’approche différente de DexForce
La société chinoise DexForce, basée à Shenzhen, utilise des données synthétiques et des simulations pour former ses robots dans des environnements virtuels. Selon un reportage de Reuters du 15 octobre 2026, cette approche vise à réduire les coûts et le temps nécessaires à la collecte de données d’entraînement réelles.
Au lieu de demander à un humain de répéter le même mouvement des milliers de fois devant des capteurs, l’entreprise peut générer de nombreuses variantes virtuelles d’une tâche.
Qu’est-ce que le « sim-to-real » ?
Le problème fondamental réside dans le transfert des connaissances de la simulation vers le monde réel, ce que l’on appelle le « simulation-to-reality ». Sur ordinateur, tout semble mesurable, mais dans la pratique, il existe des frottements imprévisibles, des variations d’éclairage, des objets et des mouvements de personnes.
Le défi consiste à faire en sorte que le robot mette à profit ce qu’il a appris numériquement sans échouer dès que son environnement change.
Pourquoi cela intéresse-t-il l'industrie ?
La robotique nécessite un volume important de données et de nombreuses heures de formation. Si la formation devient plus efficace grâce à des simulations, cela pourrait accélérer le développement de robots destinés à la production, aux entrepôts et à d’autres environnements. Cela ne signifie pas pour autant qu’un robot humanoïde soit déjà capable d’effectuer n’importe quelle tâche humaine.
Quand les verrons-nous chez nous ?
L'utilisation domestique exige une grande fiabilité, une sécurité optimale en présence d'êtres humains, une capacité d'adaptation à des objets en constante évolution et un coût abordable. Il n’y a aujourd’hui aucune garantie que cette technologie ait surmonté tous ces obstacles.
Ce qui est intéressant, c’est la méthode d’apprentissage : les robots du futur auront peut-être effectué des millions d’« essais » avant de toucher leur premier objet réel.
Source : Reuters, 15/10/2026. Photo illustrative : Gabriele Malaspina / Unsplash.