Physicl lève 10 M$ et ouvre 10 000 environnements virtuels aux robots

Un robot a appris à saisir une tasse sur une table vide. Placez des assiettes à côté, baissez la lumière ou recouvrez partiellement l'anse avec un torchon, et la prise peut échouer. Pour corriger une telle erreur, l'équipe doit collecter de nouveaux enregistrements de caméras et de lidars, piloter le robot manuellement, annoter les données et relancer l'entraînement. C'est coûteux, lent et difficilement extensible à des milliers de situations rares.

La start-up Physicl propose de recueillir ces cas non seulement en laboratoire, mais aussi dans des mondes 3D contrôlés. L'entreprise a levé 10 M$ en amorçage auprès d'Inovia Capital et présenté Studio : une bibliothèque de 10 000 environnements virtuels et de 100 000 objets pour générer des données d'entraînement synthétiques.

Des vitrines de e-commerce aux robots

Le fondateur de Physicl, Alex de Vigan, dirigeait auparavant nfinite, une plateforme de création de modèles 3D de produits et d'images publicitaires. Les modèles génératifs ont commencé à grignoter une partie de cette activité, mais la technologie accumulée pour construire des scènes 3D précises a trouvé un autre usage.

Pour un robot, une belle image ne suffit pas. Il doit comprendre la taille d'un objet, la distance qui l'en sépare, le matériau de sa surface, l'éclairage, les collisions et la façon dont l'objet se comportera lors de la saisie. Physicl entend transformer des images éparses et des enregistrements lidar en scènes dotées d'une géométrie, de matériaux et de propriétés physiques définis. Une même scène peut ensuite être modifiée à volonté : déplacer la tasse, ajouter du désordre, bouger la source de lumière ou masquer une partie de l'objet.

Le développeur n'obtient ainsi pas un énième jeu de données générique, mais un outil pour traiter une erreur précise. Si le modèle ne repère pas une tasse sombre sur un plan de travail encombré, l'équipe crée des centaines de variantes de cette situation exacte et les utilise pour un entraînement complémentaire.

Générer des données à la demande du modèle

L'idée la plus intéressante de Physicl est d'intégrer le générateur de scènes directement dans la boucle d'entraînement. Le modèle ou un agent d'évaluation détecte un point faible, formule les exemples manquants, puis la plateforme crée un nouveau lot de données. Un des premiers clients de Physicl, SpAItial, développeur de modèles spatiaux, a utilisé ces données synthétiques pour améliorer la précision de ses systèmes 3D.

En pratique, cela ressemble à des tests automatisés pour le monde physique. L'erreur cesse d'être un épisode isolé : le système déploie autour d'elle une batterie de vérifications avec différentes lumières, positions de caméra et environnements. Pour les équipes de robotique, cela peut raccourcir le chemin entre une défaillance détectée et la version suivante du modèle.

Mais l'échelle annoncée reste pour l'instant un projet. Physicl évoque l'ingestion de milliers de milliards d'images, de millions d'heures d'enregistrements lidar et de milliards de variantes de scènes, sans révéler le coût de ce traitement, la vitesse de génération ni de résultats de comparaisons indépendantes. On ignore aussi dans quelle mesure la physique virtuelle reproduit fidèlement le frottement, la déformation, les matériaux transparents et d'autres propriétés des objets réels.

Ce que les développeurs doivent vérifier

Les données synthétiques ne sont utiles que si la compétence se transfère du simulateur au robot réel. Il ne suffit donc pas à l'équipe de montrer une amélioration sur un test virtuel. Il faut un ensemble distinct d'essais physiques : les mêmes objets, de nouveaux espaces, d'autres caméras et des conditions absentes lors de la génération.

Physicl doit être vu comme une infrastructure de collecte de données ciblée, et non comme un substitut aux expériences réelles. Le scénario pratique est le suivant : isoler une erreur reproductible du robot, construire autour d'elle une famille de scènes synthétiques, entraîner davantage le modèle et comparer le résultat sur un jeu d'essais réels inchangé. Si le gain se maintient, la boucle peut être automatisée. Sinon, le problème tient probablement à la qualité de la simulation, aux capteurs ou à l'architecture du modèle elle-même.

Pour les équipes produit, le signal principal dépasse une seule start-up : le marché de la robotique passe de l'achat de jeux de données statiques à des systèmes qui créent des exemples adaptés aux faiblesses actuelles du modèle. Physicl a levé 10 M$ pour prendre place dans cette boucle. Elle devra prouver sa valeur non par la taille de sa bibliothèque, mais par la rapidité avec laquelle ses clients corrigent les erreurs réelles de leurs robots.