Dextérité des robots : The Robot Report désigne la fiabilité du système comme principal obstacle

Dans un article consacré à l'IA physique, la rédaction de The Robot Report affirme que le prochain grand problème de la dextérité robotique est de rendre fiable l'ensemble du système. Faute de quoi les capacités ne se transformeront pas en travail utile. La version d'annonce accessible de la publication ne cite ni produit précis ni benchmark. Nous analysons donc ici la thèse elle-même et le contexte dans lequel il convient de la lire.

Quelques chiffres connus donnent l'échelle. La main humaine compte environ 27 degrés de liberté et des milliers de récepteurs tactiles dans la peau de la paume. La Shadow Dexterous Hand, l'une des mains de recherche les plus célèbres, a 24 articulations et 20 actionneurs. En 2019, OpenAI a montré sur cette main la résolution d'un Rubik's Cube : environ 60% de réussite sur les configurations simples et autour de 20% sur les plus complexes. La main y parvenait physiquement, mais sans stabilité sur une quinzaine à une vingtaine de tentatives d'affilée.

Où la fiabilité se perd

La dextérité est la propriété d'un empilement de plusieurs couches. Si la probabilité de panne est notable dans l'une d'elles, le résultat final chute vite. Si chacune des cinq couches fonctionne dans 95% des cas, le système complet n'atteint qu'environ 77%. Cela suffit pour une vidéo de laboratoire, pas pour un entrepôt ou une chaîne d'assemblage.

Voici les principales couches :

• mécanique : usure des tendons et des réducteurs, jeux mécaniques, surchauffe des actionneurs ;
• capteurs : les capteurs tactiles dérivent, la main elle-même masque les caméras ;
• perception : la pose et le matériau de l'objet sont estimés avec une erreur, surtout pour les objets brillants, transparents et souples ;
• politique de contrôle : un modèle entraîné en simulation ou sur des démonstrations se transfère mal à de nouveaux objets ;
• gestion des défaillances : le système doit détecter que l'objet a glissé et retenter la saisie, au lieu de terminer son scénario.

Le dernier point est souvent négligé. La différence entre « sait saisir » et « sait tenir un poste de travail » tient en grande partie à la façon dont le robot se comporte après une erreur.

Quelles métriques comptent

Un seul chiffre de réussite en démonstration dit peu de chose. Pour comparer des systèmes, il faut un ensemble d'indicateurs que l'on publie rarement en entier :

• part de cycles réussis sur une longue série, et non sur les meilleures tentatives ;
• temps moyen entre pannes et entre interventions de l'opérateur ;
• temps de cycle comparé à celui d'un humain sur la même opération ;
• dispersion des résultats sur de nouveaux objets absents de l'entraînement ;
• coût de maintenance de la main : durée de vie en heures de fonctionnement et temps de remplacement d'un module.

C'est bien la combinaison qui importe. Une main rapide qui s'arrête toutes les heures à cause d'une erreur de saisie perd tout son avantage de vitesse dans les temps d'arrêt et les redémarrages manuels.

Comment utiliser cette thèse

Si vous évaluez un fournisseur de humanoïdes ou de manipulateurs pour un pilote, demandez des données sur de longues séries : des milliers de cycles, pas des dizaines. Précisez combien de fois un humain est intervenu au cours de la série et ce qui comptait comme un succès. Distinguez la démonstration dans une cellule contrôlée du travail sur une ligne réelle, avec la variabilité des pièces, de l'éclairage et des emballages.

Pour les investisseurs et les développeurs, la conclusion est plus pratique : la croissance du marché de l'IA physique ne dépendra pas des records de degrés de liberté, mais d'un travail d'ingénierie sans éclat — diagnostic, récupération automatique après erreur, durée de vie des composants et reproductibilité des résultats. Le premier à publier des statistiques de pannes honnêtes sur un mois d'exploitation gagnera plus de confiance que l'auteur de la vidéo la plus spectaculaire.

L'article de The Robot Report ne présente pour l'instant que les grandes lignes de l'argument. Le texte complet est nécessaire pour voir sur quels exemples le média l'appuie.