Innodata ouvre un laboratoire de capture de mouvement, la course aux données pour robots s'accélère

Le laboratoire a été annoncé mercredi par l'entreprise d'ingénierie de données de Ridgefield Park, dans le New Jersey. Il est équipé de caméras de suivi optique infrarouges de Vicon qui, selon Innodata, mesurent le mouvement jusqu'au niveau submillimétrique. La société présente l'installation comme une réponse à un goulot d'étranglement que rencontre, dit-elle, chaque équipe de robotique : pas assez de données d'interaction réelles, et ce qui existe coûte cher et se produit lentement.

« L'IA physique croît plus vite que tout autre segment de l'IA, mais chaque équipe de robotique se heurte au même mur », a déclaré Rahul Singhal, PDG d'Innodata, dans un communiqué repris par The Robot Report. « Cette installation abat ce mur. »

L'annonce tombe dans une semaine chargée en actualités sur les données pour la robotique. Le même jour, TechCrunch a rapporté que Destro AI, une start-up de robotique logistique, sortait de la discrétion avec un tour d'amorçage de 8 000 000 de dollars. Ce tour repose sur une couche d'intelligence qui indique aussi aux travailleurs humains quoi faire. Le 30 septembre également, MindOn a publié les détails de Mind-1, un modèle d'IA physique qui, selon l'entreprise, fait passer la latence d'inférence des robots de 82 ms à 32 ms. Et Fig Inc. a publié un rapport technique montrant que des modèles de pointe, dont Astra et Opus 5.5, obtiennent des résultats inégaux selon les tâches robotiques et web.

Pourquoi la capture directe

L'argument d'Innodata est technique. La plupart des fournisseurs de données, affirme la société, déduisent le mouvement 3D en analysant de la vidéo 2D. Innodata capture les données 3D directement sur les corps, humains ou mécaniques.

« Il n'existe tout simplement pas de substitut à la capture de mouvement 3D directe », a déclaré Franklin Tanner, vice-président chargé de la robotique et de l'IA physique chez Innodata, à The Robot Report. « Quand un modèle de vision par ordinateur tente de donner un sens à une grille 2D de pixels, des erreurs s'y glissent inévitablement. »

Tanner a donné l'exemple d'un robot qui ramasse une tasse. La plupart des gens l'attrapent par l'anse, mais la base fonctionne aussi. Si la tasse contient un liquide chaud, la différence compte. « Le contexte compte, et il n'est pas toujours encodé, même dans les jeux de données qui existent aujourd'hui », a-t-il dit.

Innodata indique que le laboratoire capturera des données sur des humanoïdes, du matériel téléopéré, des systèmes portables, des bancs de capteurs, des pinces Universal Manipulator Interface et d'autres configurations multimodales. Les données pourront ensuite alimenter des jumeaux numériques pour générer des cas limites. La société précise aussi que l'installation validera de façon indépendante les données de performance que les robots produisent en interne. Elle présente ce service comme complet, de la collecte à l'évaluation du modèle.

Le problème d'échelle est réel. Tanner a noté qu'un humanoïde pesant près de 200 lb a besoin de mesures précises, pas « approximatives ». Il a aussi signalé une lacune : « Nous n'avons pas aujourd'hui de données d'entraînement où humains et robots interagissent. C'est un domaine sur lequel nous travaillons au laboratoire. »

La concurrence construit aussi des couches de données

Destro AI, sortie de la discrétion mardi, adopte un angle différent. Plutôt que de construire des robots, elle a bâti une couche d'intelligence qui coordonne robots et humains dans des environnements logistiques. Son fondateur, Manthan Pawar, a déclaré à TechCrunch que l'entreprise gagne contre les sociétés de robotique « parce que nous ne sommes pas une société de robotique ».

Destro a commencé par un pilote dans une installation de Yusen Logistics dans le nord-ouest Pacifique. Trois robots de déplacement de chariots, construits par Miva Robotics, y sont exploités par le système d'exploitation Vision de Destro, fondé sur des modèles vision-langage-action à poids ouverts. Des travailleurs humains déchargent les marchandises d'un camion dans des chariots ; les robots repèrent les charges pleines et les déplacent. Richard Brunelle, directeur de l'automatisation chez Yusen pour le groupe logistique américain, a déclaré à TechCrunch que deux autres start-up de robotique de premier plan n'avaient pas pu s'adapter au flux de travail. L'une proposait un déplacement de chariot point à point, mais ni chargement ni déchargement. L'autre exigeait qu'une personne gère l'orchestration.

Destro étend désormais ce pilote à 26 robots et en lance un autre avec 17 robots dans une installation de Yusen dans le sud de la Californie. Base10 Partners et Bonfire Ventures ont mené le tour d'amorçage, avec la participation de CoFound Partners.

Mind-1 de MindOn s'attaque à une contrainte connexe : la vitesse. Dans un billet de blog publié le 30 septembre, l'entreprise indique que son modèle permet aux robots d'atteindre des temps de cycle comparables à ceux des humains sur certaines tâches, et même d'accomplir le travail plus vite qu'eux. Elle identifie quatre obstacles à la manipulation à grande vitesse : les données d'entraînement capturées par téléopération sont plus lentes que le mouvement humain naturel ; la latence d'inférence s'accumule à grande vitesse ; des étapes d'inférence consécutives peuvent produire des intentions de trajectoire incohérentes ; et les exigences de synchronisation entre contrôle et capteurs augmentent.

« À une vitesse d'effecteur terminal de 3 m/s, 10 ms de latence correspondent à environ 3 cm de déplacement », a écrit l'entreprise, de quoi affecter une préhension ou une insertion précises. MindOn affirme que Mind-1 est entraîné sur des données de manipulation centrées sur l'humain, capturées directement sur des personnes exécutant des tâches à vitesse naturelle, et que le modèle a réduit la latence d'inférence de 82 ms à 32 ms.

Les benchmarks masquent l'irrégularité

Fig Inc., un groupe de recherche, a publié le 30 septembre un rapport technique. Les auteurs y soutiennent que les scores de référence mis en avant masquent l'irrégularité des performances des modèles de pointe. L'équipe a évalué sept modèles sur VisualWebArena, un benchmark de tâches web en boucle fermée comptant 177 tâches, et trois modèles sur quatre domaines physiques hors ligne : VLABench, Assembly101, IndEgo et Bench2Drive.

Leur constat : pour chaque paire de modèles, le plus faible résout au moins une tâche que le plus fort rate. Une mise à jour de modèle peut laisser la moyenne presque inchangée alors que de nombreuses tâches individuelles basculent. La même irrégularité apparaît dans les domaines physiques. Des modèles qui battent Gemini 3.5-Flash sur chaque moyenne de domaine font encore moins bien sur certaines catégories de tâches. Les auteurs ont publié RIDGE, un jeu de données de résultats au niveau des items et de traces de modèles.

Cela compte pour quiconque achète des données ou des modèles pour robots. Un chiffre de benchmark unique dit peu à une équipe de déploiement sur la question de savoir si un modèle fonctionnera sur son mélange de tâches précis.

Le marché des données rencontre le cycle d'engouement

L'ouverture du laboratoire d'Innodata est un pari : la contrainte déterminante, ce sont les données, pas le matériel. L'entreprise a été fondée en 1988 et se présente comme fournisseur de données, de cadres d'évaluation et d'expertise humaine pour les systèmes d'IA. Son virage vers la robotique suit un schéma plus large : à mesure que les sociétés de robots humanoïdes et logistiques lèvent des tours importants, les fournisseurs qui leur vendent des données d'entraînement, de la simulation et des outils d'évaluation se positionnent comme des acteurs qui vendent les pelles et les pioches.

Reste à savoir si ce marché croîtra aussi vite que les fabricants de robots l'espèrent. Tanner cite la simulation comme levier. « Les simulateurs deviennent assez bons pour prendre des données du monde réel, faire la traduction réel-vers-simulation, puis permuter l'environnement », a-t-il dit, citant l'environnement Cosmos de Nvidia comme « vraiment en train de devenir très bon à cela ». Mais il ajoute que les données du monde réel restent l'étalon de référence, et qu'elles coûtent cher.

Il y a aussi une question de talents et d'attention. Rongzhong Li, le créateur d'OpenCat, Nybble et Bittle, a écrit le 30 septembre sur Hackster.io que son entreprise a livré plus de 30 000 quadrupèdes depuis 2018. Son inquiétude ne porte pas sur le volume de données mais sur la livraison de produits. « Les gens ont commencé à se plaindre que les robots ne font que danser ou courir vite et ne font pas leur travail », a-t-il écrit. Il soutient que les robots à haut degré de liberté créent un lien émotionnel mais relèvent aussi la barre pour le créateur suivant, ce qui réduit les chances qu'un produit fiable soit livré.

Le signal qu'il propose pour les robots commerciaux est plus discret : comparer le prix de l'occasion d'un robot impressionnant à son coût de nomenclature quelques mois après la livraison. Aucun des deux chiffres ne capture la valeur totale, mais leur relation, écrit-il, peut révéler la valeur pratique que le marché voit encore une fois la nouveauté passée. Quaddle, son troisième produit, est sur Kickstarter à partir de 99 dollars.

Pour Innodata, le test immédiat est de savoir si les fabricants de robots paieront pour des données de mouvement capturées et validées à l'extérieur plutôt que de construire la capture en interne. La société affirme que ses capteurs enregistrent le moindre mouvement de chaque articulation, ce qui rend l'entraînement plus précis et plus efficace. L'exemple de la tasse de Tanner résume le discours : un robot qui saisit la base au lieu de l'anse peut accomplir la tâche, mais il peut aussi brûler la main qui tient la tasse. Encoder ce type de contexte, voilà ce que vend le laboratoire.

Arrowfly, la société mère de The Robot Report, a également profité du 30 septembre pour lancer AI for Engineers. Cette plateforme réunit une rédaction, une conférence annuelle prévue du 20 au 22 septembre 2027 à Henderson, dans le Nevada, de la recherche originale et un conseil consultatif. Arrowfly affirme que ses marques d'ingénierie touchent 2 100 000 lecteurs professionnels vérifiés. Ce lancement est un signe de plus que le marché de l'information sur l'IA pour la robotique s'étend au rythme du matériel.

Les annonces de la semaine partagent une prémisse : les robots progressent assez vite pour que la contrainte se soit déplacée vers les données, l'orchestration et la vitesse. Innodata parie sur la capture. Destro parie sur la coordination. MindOn parie sur la latence. Fig parie que les acheteurs doivent regarder au-delà de la moyenne. Aucun n'a publié de vérification indépendante de ses affirmations, et les déploiements de robots qui prouveraient ce marché se comptent encore en dizaines d'unités, pas en milliers.