Universal Robots et Scale AI lancent la plateforme UR AI Trainer pour entraîner des robots

Universal Robots, en partenariat avec Scale AI, a présenté UR AI Trainer — un ensemble de hardware et logiciel pour collecter des données d'entraînement directement sur des cobots industriels. L'annonce à GTC 2026 cible l'un des défis les plus pressants de l'AI physique : les modèles montrent de bonnes performances en laboratoire, mais ont souvent du mal à être déployés sur des lignes de production réelles, notamment en assemblage, emballage et autres tâches impliquant un contact physique.

Comment Fonctionne la Plateforme

UR AI Trainer repose sur un système maître-esclave. Un opérateur guide manuellement le robot « maître » à travers une tâche spécifique, par exemple l'emballage d'un smartphone, tandis qu'un deuxième robot reproduit simultanément les mouvements. Le système ne se contente pas d'enregistrer la trajectoire. Il collecte des données multimodales dans le même cycle que celui où le robot interagit réellement avec les objets et les surfaces. Ceci est crucial pour l'entraînement de modèles Vision-Language-Action, qui ont besoin de plus que de voir une image : ils doivent comprendre comment le mouvement se rapporte au contact, à la résistance et à la précision d'exécution de la tâche. Lors de la démonstration, le système enregistre simultanément quatre types de signaux :

• les trajectoires et la cinématique du mouvement
• la rétroaction de force et de couple
• les données visuelles de la caméra
• la synchronisation de toutes les modalités dans un seul ensemble de données

L'idée clé est que les données sont collectées sur les mêmes robots Universal Robots qui peuvent ensuite fonctionner sur le plancher de l'usine. Cela comble le fossé entre la cellule expérimentale et le déploiement industriel : si un modèle a été entraîné sur un UR3e ou UR7e dans un environnement contrôlé, il est plus facile de le transférer sur du matériel identique en production sans reconstruire entièrement le pipeline. De plus, cela réduit le risque que le comportement du modèle ne s'effondre lors du passage d'une configuration de recherche à une tâche de chaîne d'assemblage.

Pourquoi le Contact Est Important

La plupart des ensembles de données en robotique jusqu'à présent reposent principalement sur la vision. Pour des tâches comme « s'approcher et saisir », cela suffit parfois, mais en production, de nombreuses opérations exigent que le robot sente le moment du contact, la pression et la résistance du matériau. Vissage, insertion de pièces, pressage, emballage d'objets fragiles, assemblage précis — tout cela relève de la manipulation riche en contacts, et ces scénarios sont les plus difficiles à automatiser de manière fiable.

UR mise sur le contrôle direct du couple et la rétroaction de force. Simplement dit, le modèle obtient non seulement une réponse à ce que le robot a vu, mais aussi ce qu'il a « senti » lors d'une exécution correcte de l'action. Pour cette raison, l'entraînement se rapproche davantage de la physique réelle du processus qu'une démonstration abstraite de trajectoires en l'air. Pour les fabricants, c'est critique : une erreur de contact avec l'objet ne signifie pas seulement une mauvaise prédiction, mais des défauts, un arrêt de ligne ou une pièce endommagée.

« C'est la première solution de l'industrie qui transfère l'entraînement des modèles d'AI directement du laboratoire à la production », déclare

Anders Beck d'Universal Robots.

Données et Écosystème

Le partenariat avec Scale AI ajoute à ce système non seulement des annotations, mais une boucle complète de gestion des données. Le logiciel de Scale est intégré à la plateforme UR AI Trainer et aide à capturer, structurer et stocker les démonstrations collectées. La logique ici est similaire à un flywheel : les opérateurs enregistrent des exemples, les modèles s'entraînent sur ces données, les robots améliorent la qualité d'exécution des tâches, et les nouveaux épisodes de travail reviennent au cycle de réentraînement suivant. Cette boucle fermée transforme l'AI physique d'une expérience unique en un processus de production reproductible.

Les entreprises ont également promis de lancer un important ensemble de données industriel collecté sur des robots UR plus tard en 2026. Le stand GTC démontre ce concept dans deux formats simultanément. Dans la démo physique, les visiteurs contrôlent une paire de robots UR3e qui transmettent les mouvements à deux unités UR7e pour une tâche d'emballage de smartphone. En parallèle, NVIDIA Omniverse et Isaac Sim exécutent un scénario virtuel avec des contrôleurs tactiles Haply Inverse3, tandis que Generalist AI démontre comment deux UR7e exécutent déjà de manière autonome la même tâche.

Pour Universal Robots, c'est aussi un argument d'échelle : l'entreprise compte déjà plus de 100 000 cobots déployés dans le monde entier.

Ce Que Cela Signifie

Le marché de la robotique passe de scénarios rigidement programmés à des modèles qui peuvent être réentraînés sur des épisodes de production réels. Si Universal Robots et Scale AI font vraiment de la collecte de données en usine un outil standard, les entreprises industrielles auront un chemin plus court du pilote au déploiement, et les entreprises n'auront pas besoin de construire une infrastructure de recherche séparée à partir de zéro — en particulier pour les tâches où le contact, la précision et la répétabilité comptent.