comparisons
Event Cameras vs Frame Cameras
A frame camera blinks 30 times a second; an event camera reports light changes in microseconds. Here is when that speed earns its cost in robot capture.
6 min de lecture
JOURNAL
Notes sur Physical AI.
Comment les robots humanoïdes apprennent, d’où proviennent leurs données d’entraînement, et pourquoi la couche de données devient le véritable goulot d’étranglement. Un contenu clair et sourcé, pour les ingénieurs, les opérateurs et les investisseurs.
comparisons
Onboard vs Cloud Robot Inference
Onboard robot inference caps the control rate you can carry; cloud inference trades latency for scale. How that choice quietly shapes what you must capture.
5 min de lecture
comparisons
Single-Arm vs Bimanual Manipulation Data
Why bimanual manipulation data costs far more than twice single-arm data, the coordination tax, and what two coordinated hands demand of capture.
5 min de lecture
comparisons
Motion Capture Suit vs Vision-Only Capture
A motion capture suit nails fingertip accuracy, markerless vision scales in the wild. Here is the real cost and fidelity tradeoff for human capture.
5 min de lecture
comparisons
Wrist Camera vs Third-Person View
A wrist camera sees the fingertips, a third-person view sees the room. Here is what each teaches a manipulation policy, and why you capture both.
5 min de lecture
comparisons
RGB vs Depth Cameras for Robots
When a depth camera earns its bandwidth and when plain RGB is enough for robot manipulation, and what to capture so you never lose the geometry.
6 min de lecture
foundations
Self-Supervised Learning for Robotics
Self-supervised learning lets robots learn from unlabeled interaction instead of costly labels, and why first-person egocentric video is the natural fit.
5 min de lecture
foundations
Offline Reinforcement Learning for Robots
Offline reinforcement learning turns logged robot data into a policy without a simulator. Its real promise, its one hard failure mode, and its data appetite.
5 min de lecture
foundations
Representation Learning for Manipulation
Two policies, same demos, different features, opposite results. How representation learning quietly decides whether a manipulation policy generalizes.
5 min de lecture
foundations
Task Horizon: Why Long Tasks Get Exponentially Harder
Chain thirty reliable steps and the task fails four times in five. The task horizon problem, why long-horizon errors compound, and the data that fixes it.
5 min de lecture
foundations
What Counts as a Good Demonstration?
Not every demonstration teaches a robot. The quality dimensions of a single demo, why bad ones poison imitation learning, and how they compound.
5 min de lecture
foundations
Données épisodiques contre trajectoires robotiques en flux continu
Données épisodiques ou flux continu ? Le choix de cadrage qui sous-tend chaque jeu de données de trajectoires robotiques, et qui détermine ce qu’une policy peut réellement apprendre.
7 min de lecture
foundations
Politiques conditionnées par l’objectif : un modèle, de nombreux objectifs
Une politique conditionnée par l’objectif prend l’objectif en entrée, de sorte qu’un seul modèle peut poursuivre de nombreux objectifs. Voici les données appariées, et l’astuce de la rétrospection (hindsight), qui rendent cela possible.
8 min de lecture
foundations
Les modèles de récompense pour l’apprentissage robotique, et pourquoi les récompenses échouent
Les récompenses conçues à la main se brisent dans la manipulation en conditions réelles. Voici pourquoi, et comment une approche par modèle de récompense appris, à partir de préférences, de démonstrations et de vidéo, les remplace.
8 min de lecture
foundations
La proprioception : le sens que les robots ne peuvent pas voir
La proprioception, le sens qu’a un robot de ses propres articulations et efforts, est ce sur quoi s’appuie la manipulation lorsque la vision est bloquée, et la raison pour laquelle la vidéo passive ne peut pas la fournir.
7 min de lecture
foundations
Espaces d’observation et d’action : les décisions silencieuses
L’espace d’action et l’espace d’observation que vous choisissez déterminent ce qu’un jeu de données pourra un jour enseigner. Un guide de terrain sur les choix silencieux qui survivent au robot.
7 min de lecture
foundations
Qu’est-ce qu’une politique de robot ? De l’observation à l’action
Une politique de robot associe l’observation à l’action. Découvrez comment la fréquence de sortie, le format d’action, la mémoire et le déterminisme décident exactement des données que vous devez capturer.
7 min de lecture
foundations
Le clonage comportemental expliqué : la méthode par défaut, et ses limites
Le clonage comportemental est le cheval de bataille de l’apprentissage robotique. Pourquoi il est devenu la méthode par défaut, l’erreur cumulative qui le fait échouer, et ce que de meilleures données corrigent.
7 min de lecture
policy
Pourquoi la résidence des données et la souveraineté des données ne sont pas la même chose
Découvrez pourquoi la distinction juridique précise entre résidence et souveraineté modifie la façon dont les acheteurs de l’UE acquièrent des données de robots issues de démonstrations humaines.
9 min de lecture
deep-dives
Pourquoi la randomisation de domaine est le pilier du sim-to-real
Découvrez comment la randomisation de domaine comble le fossé entre simulation et réalité en robotique, où elle échoue, et pourquoi les données du monde réel restent le goulot d’étranglement ultime.
9 min de lecture
foundations
Primitives de compétence : construire des tâches complexes à partir de composants réutilisables
Comment les policies modulaires et les primitives de compétence résolvent le problème des tâches à long horizon en robotique, et pourquoi notre stratégie de données doit évoluer pour les prendre en charge.
7 min de lecture
deep-dives
Pourquoi le retour d’effort est le signal manquant de la téléopération
L’apprentissage par imitation fondé sur la seule vision échoue à la frontière de contact. Nous explorons comment le retour d’effort actif transforme à la fois les performances de l’opérateur et les données pour la Physical AI.
6 min de lecture
foundations
Estimation de la pose de la main : lire les doigts à partir d’une vidéo à la première personne
Comment l’extraction des coordonnées de 21 points clés à partir d’une vidéo égocentrique résout le problème de reciblage de la main, de l’humain vers le robot, pour la manipulation dextre.
7 min de lecture
trends
La Physical AI en Europe : la carte, et la couche manquante
Le pari européen sur la Physical AI est réel et bien financé. Mais le matériel et le calcul circulent librement ; l’intrant qui, lui, ne bouge pas, ce sont les données de démonstration de juridiction UE.
8 min de lecture
policy
Données robotiques souveraines : pourquoi le stockage dans l’UE ne suffit pas
Stocker un jeu de données robotiques sur des serveurs de l’UE relève de la résidence des données, pas de la souveraineté des données. Pourquoi le CLOUD Act américain atteint les données hébergées dans l’UE, et ce qu’exige un contrôle réel.
9 min de lecture
trends
Pourquoi les modèles du monde sont entrés dans la course aux humanoïdes
Les modèles du monde permettent aux humanoïdes d’apprendre la dynamique à partir de vidéo brute, sans robot dans la boucle. Pourquoi chaque laboratoire en construit un, et où l’apprentissage à partir de vidéo atteint ses limites.
9 min de lecture
policy
Les données égocentriques en Europe : la capture est désormais une spécification
Pourquoi la robotique a convergé vers les données égocentriques, et pourquoi les capturer en Europe transforme le consentement, la provenance et le GDPR en une spécification de jeu de données que les acheteurs réclament désormais.
9 min de lecture
trends
Enseigner aux robots à partir de vidéos internet : promesses et limites
Internet héberge des milliards d’heures de personnes en train d’agir. Ce que la vidéo web enseigne réellement à un robot, le mur auquel elle se heurte, et les données qu’il reste encore à capturer.
10 min de lecture
policy
La provenance est désormais une spécification : l’EU AI Act et les données des robots
Sous l’EU AI Act, la provenance est une spécification d’ingénierie que vous intégrez au pipeline de capture, non des formalités greffées après coup. C’est la journalisation dès la capture qui l’emporte.
10 min de lecture
trends
Le volant d’inertie des données en robotique : pourquoi la boucle est cumulative
Déployer, collecter, réentraîner : la boucle de données du robot existe bel et bien, mais elle ne devient cumulative que lorsque vous exploitez les échecs, pas les heures. Un regard de terrain sur ce qui fait tourner la roue.
8 min de lecture
policy
Pourquoi capturer les données d’entraînement des robots en Europe
Capturer les données d’entraînement des robots en Europe détermine qui contrôle le jeu de données, ce que vous pouvez légalement en faire, et s’il est livré sous le régime du droit de l’UE.
9 min de lecture
trends
Les lois d’échelle en robotique : plus de données l’emportent-elles ?
Davantage de données signifie-t-il de meilleures politiques robotiques ? Où l’analogie des lois d’échelle des LLM tient pour les modèles VLA, et les trois points d’articulation où elle se brise.
8 min de lecture
trends
Le paysage européen de la Physical AI, cartographié par les données
Une carte de terrain de la Physical AI européenne, classée non par le matériel mais par l’endroit où chaque acteur, de NEURA aux pilotes en usine, obtient réellement ses données d’entraînement.
9 min de lecture
policy
Le consentement dès la conception : le GDPR pour les données de démonstration robotique
Les données de démonstration robotique à la première personne enregistrent une personne réelle : le GDPR s’applique donc pleinement, et le consentement, la minimisation et l’effacement deviennent des exigences d’ingénierie dès la capture.
10 min de lecture
trends
Le paysage des robots humanoïdes en 2026, cartographié par les données
Un guide de terrain des entreprises de robots humanoïdes de 2026, cartographiées non par le matériel mais par leur stratégie de données : téléopération, simulation, vidéo humaine, corpus partagés.
8 min de lecture
trends
Où les humanoïdes travaillent réellement dans les usines en 2026
Les humanoïdes sont présents dans les usines en 2026, mais sous forme de pilotes restreints et supervisés. Où ils travaillent vraiment, ce qu’ils font, et pourquoi chaque pilote est aussi un programme de données.
9 min de lecture
policy
À qui appartiennent les données des robots ? Le EU Data Act, expliqué
Un robot, un rig de capture et un réseau de capteurs émettent tous des données générées par les machines. Comment le EU Data Act redéfinit qui peut y accéder, les partager et les concéder sous licence.
10 min de lecture
trends
L’entreprise de données humanoïdes : pourquoi les données propriétaires l’emportent
Le matériel converge, la douve des humanoïdes s’est donc déplacée vers les données robotiques propriétaires. Pourquoi les données de démonstration à la première personne sont l’actif qui s’accumule dans le temps.
9 min de lecture
policy
C2PA et provenance de contenu pour les données d’entraînement d’IA
C2PA a été conçu pour étiqueter les médias générés par IA. Le même manifeste signé et infalsifiable s’applique aux données d’entraînement de robots, et les acheteurs soumis à l’EU AI Act le réclameront.
9 min de lecture
trends
Le goulot d’étranglement des données dans l’IA incarnée
La puissance de calcul et les architectures de modèles sont prêtes. Les données robotiques du monde réel ne le sont pas. Plongée dans le goulot d’étranglement des données qui freine l’IA incarnée, et dans la pyramide qui le sous-tend.
7 min de lecture
trends
Pourquoi 2026 est l’année des données pour les humanoïdes
Le matériel est livré et la puissance de calcul s’achète. En 2026, la contrainte déterminante des robots humanoïdes, ce sont les données d’entraînement. Pourquoi le mur s’est déplacé vers la couche de données.
8 min de lecture
comparisons
Données synthétiques ou réelles pour robots : le mélange qui fonctionne
Les données synthétiques dépassent aujourd’hui les trajectoires réelles de robots de plusieurs ordres de grandeur, mais les systèmes qui généralisent le mieux continuent de mélanger les deux. Comment définir ce ratio.
8 min de lecture
comparisons
Open X-Embodiment contre DROID et RH20T : en quoi ils diffèrent
Open X-Embodiment, DROID et RH20T comparés sur l’échelle, les capteurs et la provenance, et pourquoi le nombre brut de trajectoires trompe plus qu’il n’éclaire.
9 min de lecture
policy
La confidentialité dès la conception dans la capture de démonstrations humaines
Les données de démonstration égocentriques enregistrent un vrai visage, un vrai domicile et une vraie voix : ce sont des données personnelles par construction. Traitez la confidentialité comme une spécification de capture, pas comme une politique.
9 min de lecture
comparisons
Modèles de robots open source contre stacks de fondation fermés
Un guide pratique du débat sur les modèles de robots open source : comment l’écosystème LeRobot se compare aux stacks propriétaires comme Gemini Robotics, et qui en profite.
8 min de lecture
comparisons
Téléopération contre vidéo humaine : deux voies vers les données robotiques
La téléopération donne des démonstrations robotiques parfaitement alignées à un coût brutal ; la vidéo humaine donne une échelle bon marché qu’il faut recibler. Les compromis, mis en regard.
9 min de lecture
trends
Pourquoi le data flywheel de la robotique a besoin d’échecs, pas seulement de réussites
Les démonstrations composées uniquement de réussites flattent une policy robotique et masquent l’endroit où elle échoue. Pourquoi le data flywheel ne prend de l’ampleur que lorsque l’on capture les échecs et les quasi-échecs.
9 min de lecture
comparisons
GR00T vs pi0 vs LeRobot : trois stratégies de données
NVIDIA GR00T, Physical Intelligence pi0 et Hugging Face LeRobot résolvent chacun la pénurie de données robotiques d’une manière différente. Une comparaison d’architecture et de données.
7 min de lecture
policy
Pourquoi les données de démonstration humaine passent mieux à l’échelle que les données scriptées
Les trajectoires scriptées sont propres et bon marché, mais c’est la couverture qui généralise. Pourquoi les données de démonstration humaine constituent la base la plus extensible pour les policies de robots.
8 min de lecture
deep-dives
Manipulation mobile : des données pour des robots qui se déplacent et saisissent
La plupart des données robotiques supposent un bras boulonné à une table. Les robots qui marchent jusqu’à l’objet avant de le saisir ont besoin de données qui couplent la navigation à la manipulation.
9 min de lecture
deep-dives
La perception tactile : la modalité manquante des données robotiques
La vidéo RGB devient aveugle à l’instant où un préhenseur touche un objet. Voici ce que la perception tactile et les données de force apportent à la manipulation, et pourquoi elles restent rares.
8 min de lecture
deep-dives
Téléopération, les bases : comment les robots apprennent des mains humaines
La téléopération est à l’origine de la majeure partie des données de manipulation robotique. Au cœur du pipeline : les rigs, la latence, l’annotation, et le contrôle qualité qui transforme des enregistrements en signal.
10 min de lecture
deep-dives
Données robotiques multimodales : force, audio, profondeur au-delà du RGB
La force, l’audio de contact et la profondeur portent ce dont dépend la manipulation à contact riche, les signaux que le RGB n’enregistre jamais. Quoi capturer, et pourquoi la synchronisation temporelle est difficile.
9 min de lecture
deep-dives
Pourquoi les mains dextres exigent des données de manipulation plus riches
Une pince à deux doigts est un problème de données résolu. Une main dextre à cinq doigts qui fait de la manipulation dans la main ne l’est pas, et les données existent à peine.
10 min de lecture
deep-dives
LeRobot : une voie d’accès open source à l’apprentissage robotique
Comment LeRobot, la bibliothèque open source de Hugging Face, a abaissé la barrière d’entrée de l’apprentissage robotique : un format de données partagé, des bras à moins de 200 $, et des politiques ajustables comme ACT et π0.
8 min de lecture
deep-dives
Hz et fps : cadence de capture et fréquence de contrôle d’un robot
Pourquoi un rig robotique échantillonne à 240 Hz alors qu’une policy agit à 30 Hz, en quoi cadence de capture et fréquence de contrôle diffèrent, et ce que coûte la détection multi-cadence.
8 min de lecture
deep-dives
Comment les données de téléopération sont collectées, de bout en bout
Un parcours complet du pipeline de données de téléopération, du rig meneur-suiveur jusqu’à une trajectoire synchronisée, filtrée et annotée, et de l’endroit où se gagne la qualité (QA).
9 min de lecture
comparisons
Comment mesurer vraiment une politique de robot
Une politique de robot peut afficher 90 % sur un benchmark et échouer malgré tout sur le terrain. Les pièges de l’évaluation des politiques, et comment en tester une honnêtement.
10 min de lecture
deep-dives
Combien de données faut-il à une compétence humanoïde : l’efficacité d’échantillonnage
De combien de démonstrations une compétence de robot humanoïde a-t-elle vraiment besoin ? Un ordre de grandeur honnête entre apprentissage par imitation, politiques préentraînées et vidéo humaine.
9 min de lecture
policy
L’EU AI Act et les données d’entraînement des robots : ce qu’il faut savoir
Ce que l’EU AI Act exige réellement des données d’entraînement incarnées : les règles de qualité de l’Article 10, les obligations de provenance des GPAI et le calendrier 2026-2027 pour les robots.
10 min de lecture
foundations
Étirer des démonstrations rares : l’augmentation de données pour les policies de robots
Les démonstrations réelles de robots sont rares, alors les équipes les étirent par augmentation de données. Ce que les recadrages, la diffusion et le replay ajoutent gratuitement, et ce qu’ils ne peuvent pas simuler.
10 min de lecture
policy
L’économie des données robotiques : le coût par heure de démonstration
La téléopération, la simulation et la vidéo égocentrique portent chacune un coût par heure de démonstration différent. Voici pourquoi ce chiffre gouverne la stratégie en matière de données robotiques.
9 min de lecture
deep-dives
De la démonstration au déploiement : le pipeline d’entraînement des robots
Le pré-entraînement, le post-entraînement, le sim2real et l’évaluation forment une seule boucle fermée par les données et des tests honnêtes, pas une liste de contrôle. Un guide de terrain du pipeline d’entraînement des robots.
8 min de lecture
deep-dives
Qualité contre quantité des données dans l’apprentissage robotique
Pourquoi la couverture l’emporte sur les heures brutes en apprentissage robotique : les conclusions de TRI sur la diversité, comment lire un jeu de données sous l’angle de la qualité, et les vrais arbitrages.
9 min de lecture
policy
L’apprentissage actif : collecter les bonnes données robotiques, pas simplement davantage
Les démonstrations robotiques coûtent cher : mieux vaut collecter celles dont une policy apprend le plus. L’apprentissage actif par incertitude, désaccord et échecs en déploiement.
10 min de lecture
policy
Pourquoi la juridiction des données a sa place dans votre pipeline d’entraînement d’IA
L’EU AI Act fait de la provenance des données d’entraînement un problème d’ingénierie, et non juridique, pour les jeux de données d’apprentissage robotique qui portent juridiction et consentement.
8 min de lecture
deep-dives
Ce que la manipulation riche en contacts exige des données
Ce sont les signaux de force et tactiles, non les pixels, qui décident de la manipulation riche en contacts. Pourquoi le RGB ne peut jamais les fournir, et pourquoi les données tactiles sont le véritable goulet d’étranglement.
8 min de lecture
policy
Pourquoi la vidéo humaine égocentrique compte parmi les données robotiques les moins chères
La vidéo égocentrique sort le robot de la boucle de capture, et les heures deviennent bon marché. Pourquoi elle passe à l’échelle, et le piège de l’écart d’incarnation qui la maintient honnête.
10 min de lecture
deep-dives
Retargeting : transposer une démonstration humaine sur le corps d’un robot
Une main humaine compte plus de vingt articulations ; une pince de robot n’en a que deux. Le retargeting réécrit une démonstration dans le corps du robot, et c’est là que la fuite se produit.
10 min de lecture
deep-dives
Le coût caché de l’annotation des données robotiques
Les étiquettes en langage naturel, la calibration et la synchronisation temporelle sont le vrai coût de l’annotation des données robotiques. Pourquoi les comptages de trajectoires mis en avant masquent la fiabilité réelle d’un jeu de données.
9 min de lecture
foundations
Que sont les données égocentriques, et pourquoi les robots apprennent avec elles
La capture à la première personne, par caméras montées sur la tête et le poignet, apprend aux robots à saisir mieux que n’importe quelle caméra murale. Ce que sont les données égocentriques, et le hic.
8 min de lecture
deep-dives
Exécuter un VLA en temps réel : le problème de la latence d’inférence
Une politique de contrôle doit agir plus vite que le monde ne change, or un grand VLA a besoin de plus de 100 ms par passe avant. Les techniques qui comblent l’écart en temps réel.
10 min de lecture
foundations
Qu’est-ce qu’un modèle de fondation robotique ? Les VLA expliqués
GR00T, pi0 et Gemini Robotics sont des modèles de fondation robotiques, pas des chatbots. Ce qu’est un VLA, en quoi il diffère d’un LLM, et pourquoi les données sont la vraie difficulté.
7 min de lecture
foundations
Les modèles vision-langage-action : une introduction accessible
Comment un modèle vision-langage-action transforme les pixels d’une caméra et une instruction orale en mouvement robotique, sans les mathématiques : les modèles, les jeux de données et les limites réelles.
9 min de lecture
foundations
L’écart sim-to-real, expliqué : là où les données réelles s’imposent
La simulation entraîne les robots à moindre coût, mais elle sous-ajuste discrètement le contact, les objets déformables et le contexte humain. Un guide de terrain pour savoir où les données réelles sont incontournables.
9 min de lecture
foundations
Post-training d’un VLA : de la policy généraliste à la policy spécialisée
Le fine-tuning transforme une policy robotique généraliste en une policy déployable. Un examen concret du post-training d’un VLA : méthodes, données, modes de défaillance et évaluation.
8 min de lecture
foundations
Le contrôle du corps entier : comment les humanoïdes coordonnent jambes et bras
Un humanoïde doit tenir en équilibre sur deux jambes tout en manipulant, si bien que chaque geste déplace son propre centre de masse. Pourquoi le contrôle du corps entier est difficile, et privé de données.
8 min de lecture
foundations
Apprentissage par imitation contre apprentissage par renforcement pour la manipulation
Pourquoi la plupart des piles logicielles de manipulation robotique apprennent d’abord par imitation et ne se tournent vers l’apprentissage par renforcement qu’en second lieu, quand chacune l’emporte, et comment les deux se combinent.
9 min de lecture
foundations
Gemini Robotics, expliqué : le raisonnement incarné dans un VLA
DeepMind a séparé Gemini Robotics en un cerveau qui raisonne et un corps qui agit. Comment le raisonnement incarné transforme un VLA d’un simple mémorisateur en planificateur.
8 min de lecture
deep-dives
Les capteurs tactiles qui donnent le sens du toucher aux mains robotiques
Les matrices capacitives, les MEMS barométriques et les gels de type GelSight donnent chacun le toucher aux mains robotiques d’une manière différente. Un guide de terrain du matériel de détection tactile.
9 min de lecture
foundations
La politique de diffusion, expliquée : le contrôle robotique génératif
Pourquoi les modèles génératifs, la diffusion et le flow matching, sont devenus la façon par défaut dont les modèles de fondation robotiques produisent une action multimodale, et ce que cela exige des données.
9 min de lecture
foundations
Cross-Embodiment Learning : une policy, plusieurs robots
Comment une seule policy apprend à piloter de nombreux robots différents, pourquoi leurs corps hétérogènes rendent la tâche difficile, et ce qu’Open X-Embodiment a réellement prouvé.
10 min de lecture
foundations
La tokenisation d’actions dans un VLA, expliquée
Comment les modèles vision-language-action convertissent le mouvement continu en tokens d’action discrets qu’un transformer peut prédire, et pourquoi ce choix plafonne la résolution.
9 min de lecture