Comprendre
Glossaire de l'IA physique
Les termes essentiels, définis en français et en anglais.
Actionneur Actuator hardware
Composant qui convertit une énergie en mouvement : moteur électrique et réducteur dans les robots modernes, parfois hydraulique ou pneumatique dans les systèmes anciens ou à très forte puissance. Les caractéristiques des actionneurs, densité de couple, réversibilité, bande passante, rendement, définissent les capacités physiques du robot. L'économie des humanoïdes se joue sur les actionneurs, part majeure de la nomenclature.
AGV (véhicule à guidage automatique) Automated Guided Vehicle (AGV) fundamentals
Véhicule de transport sans conducteur qui suit une infrastructure de guidage fixe : fils enterrés, bande magnétique, réflecteurs ou QR codes au sol. Fiable et prévisible, l'AGV s'arrête si sa trajectoire est bloquée et tout changement d'itinéraire exige de modifier l'infrastructure. Très répandu dans les installations intralogistiques matures, il est progressivement complété ou remplacé par des AMR plus flexibles.
AI Act (règlement européen sur l'IA) AI Act regulation
Règlement UE 2024/1689, première loi complète encadrant l'intelligence artificielle, selon une approche par les risques : pratiques interdites, systèmes à haut risque soumis à des obligations strictes, règles de transparence allégées ailleurs. L'IA utilisée comme composant de sécurité d'une machine est classée à haut risque. Les obligations s'échelonnent jusqu'en 2026-2027, en articulation avec le marquage CE et le règlement Machines pour les robots.
AMDEC FMEA (Failure Mode and Effects Analysis) industry
Méthode systématique d'identification des modes de défaillance d'un produit ou d'un process, notés selon leur gravité, leur occurrence et leur détectabilité, afin de prioriser les actions correctives. L'AMDEC (analyse des modes de défaillance, de leurs effets et de leur criticité) est obligatoire dans l'automobile et standard en conception de cellules robotisées. Les systèmes à base d'IA la compliquent : les défaillances d'une politique apprise s'énumèrent moins bien que celles d'un mécanisme déterministe.
Apprentissage par imitation Imitation learning models
Entraînement d'une politique robot à partir de démonstrations humaines, collectées le plus souvent par téléopération ou guidage kinesthésique, plutôt qu'en codant les comportements ou en définissant des récompenses. C'est aujourd'hui la recette dominante pour la manipulation, car les démonstrations capturent des stratégies de contact difficiles à spécifier. Ses limites : le coût des données et l'accumulation d'erreurs quand le robot s'écarte des états démontrés.
Apprentissage par renforcement (RL) Reinforcement learning (RL) models
Paradigme d'apprentissage où un agent améliore sa politique par essais et erreurs, guidé par un signal de récompense plutôt que par des exemples étiquetés. En robotique, le RL s'exécute massivement en simulation avant transfert sur le matériel. Il excelle dans les compétences dynamiques comme la locomotion à pattes et les réflexes de rattrapage, où des contrôleurs robustes émergent de millions de chutes simulées.
Automate de sécurité (safety PLC) Safety PLC regulation
Automate programmable à architecture redondante et autodiagnostiquée, certifié pour exécuter des fonctions de sécurité : arrêts d'urgence, surveillance de barrières immatérielles, limitation sûre de vitesse, contrôle de zones. La logique de sécurité tourne sur ce canal certifié, volontairement séparé de l'automatisme standard et de toute IA. Dans une cellule pilotée par IA, l'automate de sécurité est la couche déterministe qui borne physiquement ce que les politiques apprises peuvent faire.
Autonomie Autonomy fundamentals
Degré auquel un robot accomplit ses tâches sans intervention humaine, de la téléopération au contrôle partagé, puis à l'autonomie supervisée et à l'autonomie complète. En déploiement industriel, l'autonomie est toujours bornée : un domaine de conception opérationnelle définit les environnements et tâches pour lesquels le système est validé, avec reprise humaine ou arrêt sûr en dehors de ces limites.
Behavior cloning (clonage de comportement) Behavior cloning models
Forme la plus simple d'apprentissage par imitation : entraînement supervisé d'une politique à reproduire l'action du démonstrateur dans chaque état observé, les démonstrations servant de jeu de données étiqueté. Facile à implémenter et scalable avec les données, la méthode souffre du décalage de distribution : de petites erreurs amènent le robot dans des états absents de l'entraînement, où les prédictions se dégradent encore.
Benchmark simulation
Ensemble standardisé de tâches et de métriques pour comparer équitablement les méthodes d'apprentissage robotique : suites de simulation comme RLBench, LIBERO ou ManiSkill, et protocoles physiques à objets et critères de réussite fixés. Les benchmarks robotiques sont plus difficiles à standardiser que ceux du langage, car matériels, remises en position et environnements varient ; les taux de réussite publiés méritent donc un examen critique.
Boucle perception-action Perception-action loop fundamentals
Cycle continu par lequel un robot perçoit son environnement, interprète les données, décide d'une action, l'exécute et observe le résultat, qui alimente le cycle suivant. La fréquence compte : les contrôleurs de locomotion tournent à plusieurs centaines de hertz quand le raisonnement de haut niveau se contente de quelques hertz. Fermer cette boucle de façon robuste est le défi fondateur de l'IA physique.
Brownfield / greenfield industry
Deux contextes de déploiement : greenfield désigne un site neuf conçu de zéro, où l'automatisation peut modeler l'implantation ; brownfield désigne une usine existante avec équipements hérités, espaces contraints et production en cours qu'il ne faut pas arrêter. L'essentiel des projets réels est brownfield, ce qui favorise les robots flexibles, AMR, cobots, humanoïdes, capables de s'adapter à l'environnement plutôt que d'exiger sa refonte.
Caméra de profondeur Depth camera hardware
Caméra qui capture, en plus de la couleur, la distance pour chaque pixel, par stéréovision, lumière structurée ou mesure de temps de vol. Les caméras de profondeur comme les Intel RealSense ou la gamme ZED sont le capteur 3D de référence en manipulation : elles alimentent la planification de prise, l'évitement d'obstacles et l'espace d'observation des politiques apprises, pour une fraction du coût d'un LiDAR.
Capteur force-couple Force-torque sensor hardware
Capteur, monté le plus souvent au poignet du robot, qui mesure forces et couples selon les six axes. Il rend possibles les opérations contrôlées en effort comme le polissage, l'assemblage à tolérances serrées et la détection sûre de contact. Beaucoup de cobots récents obtiennent une capacité proche en estimant les efforts à partir des courants moteurs de chaque articulation, avec une précision moindre mais un coût réduit.
Capteur tactile Tactile sensor hardware
Capteur qui mesure le contact : répartition de pression, forces de cisaillement, glissement, vibration ou texture au bout des doigts ou sur la peau du robot. Les technologies vont des matrices capacitives et piézorésistives aux peaux à base de vision comme GelSight, qui filment la déformation d'une membrane souple. Le retour tactile est vu comme l'ingrédient manquant pour manipuler fiablement les objets fragiles, déformables ou masqués.
Centrale inertielle (IMU) IMU (Inertial Measurement Unit) hardware
Ensemble de capteurs combinant accéléromètres et gyroscopes, parfois magnétomètres, qui mesure à haute fréquence les accélérations linéaires et vitesses angulaires. La centrale inertielle est essentielle au contrôle d'équilibre des robots à pattes et à l'odométrie des plateformes mobiles, où elle comble les intervalles entre les mises à jour plus lentes de la vision ou du LiDAR. Sa dérive impose une fusion avec d'autres capteurs.
Cross-embodiment models
Entraînement d'un modèle unique sur des données issues de nombreux corps robotiques différents, bras, manipulateurs mobiles, humanoïdes, afin que les compétences se transfèrent entre matériels au lieu de rester liées à une plateforme. Le jeu de données Open X-Embodiment, agrégeant les démonstrations de dizaines de laboratoires et de types de robots, a montré que cet entraînement améliore les performances même sur des robots peu représentés.
Degrés de liberté (DoF) Degrees of freedom (DoF) fundamentals
Nombre de mouvements indépendants qu'un mécanisme peut effectuer, en général un par articulation motorisée. Un bras industriel standard compte six degrés de liberté, de quoi placer un outil à n'importe quelle position et orientation dans son espace de travail. Les humanoïdes en dépassent couramment trente, et une main dextre en ajoute vingt ou plus, ce qui multiplie complexité de commande et coût.
Diffusion policy models
Politique de manipulation qui génère des séquences d'actions avec un modèle de diffusion, en débruitant progressivement un bruit aléatoire vers une trajectoire cohérente conditionnée par les observations. Popularisée en 2023, l'approche gère élégamment les solutions multimodales : quand plusieurs prises valides existent, elle en choisit une au lieu de les moyenner. Les têtes de diffusion sont désormais courantes dans les architectures VLA.
Domain randomization simulation
Technique sim2real consistant à randomiser les paramètres de simulation pendant l'entraînement, frottements, masses, puissance moteur, textures, éclairage, pose caméra, pour rendre la politique robuste aux variations. Si elle réussit dans des milliers de mondes randomisés, le monde réel n'est plus qu'un échantillon parmi d'autres. C'est l'ingrédient clé de la plupart des contrôleurs de locomotion et de manipulation entraînés en simulation.
Données synthétiques Synthetic data simulation
Données d'entraînement générées par simulation ou par modèles génératifs plutôt que collectées dans le monde réel : images rendues avec annotations parfaites, trajectoires simulées, vidéos produites par des world models. Les données synthétiques attaquent le goulot central de la robotique, la rareté des démonstrations, et fournissent à la demande des scénarios rares ou dangereux. Leur valeur dépend de leur fidélité aux distributions réelles.
Edge computing hardware
Exécution des calculs au plus près de la production des données, sur le robot ou sur un PC industriel voisin, plutôt que dans un cloud distant. Pour l'IA physique, l'edge est en général obligatoire : les boucles de contrôle ne tolèrent ni latence réseau ni coupures, et les données d'usine ne peuvent souvent pas quitter le site. Les plateformes comme NVIDIA Jetson incarnent cette approche.
Effecteur terminal End effector fundamentals
Outil monté à l'extrémité d'un bras robotisé pour interagir avec la pièce : pince à deux doigts, préhenseur à ventouses, torche de soudage, visseuse ou main multi-doigts. Le choix de l'effecteur détermine souvent les tâches réalisables par la cellule et concentre une grande part de l'effort d'intégration. Des systèmes de changement rapide permettent au robot de changer d'outil automatiquement.
Fine-tuning models
Poursuite de l'entraînement d'un modèle pré-entraîné sur un jeu de données plus petit et spécifique, pour le spécialiser sans repartir de zéro. En IA physique, un VLA généraliste est typiquement affiné sur quelques centaines de démonstrations de la tâche, du robot et de la cellule cibles. C'est ainsi que les intégrateurs adaptent un modèle de fondation aux pièces, montages et conditions d'éclairage du client.
IA incarnée Embodied AI fundamentals
Champ de recherche qui étudie des agents apprenant à travers un corps, physique ou simulé, en interaction avec un environnement. Son hypothèse centrale : l'intelligence émerge de la boucle sensorimotrice entre perception et action, pas uniquement de données passives. L'IA incarnée fonde l'apprentissage robotique moderne, de la navigation autonome à la manipulation dextre, et recouvre largement la notion d'IA physique.
IA physique Physical AI fundamentals
Intelligence artificielle qui perçoit, raisonne et agit sur le monde physique réel à travers des machines : robots, véhicules, équipements industriels. Contrairement à l'IA purement numérique, elle doit composer avec le bruit des capteurs, la physique réelle, la latence et les contraintes de sécurité. Le terme s'est imposé en 2024-2025 quand les modèles de fondation ont commencé à piloter directement des robots.
Inférence Inference models
Exécution d'un modèle entraîné pour produire des sorties, par opposition à son entraînement. Pour un robot, l'inférence a des contraintes temps réel dures : une politique de manipulation doit produire des actions toutes les quelques dizaines de millisecondes, souvent sur du matériel embarqué à puissance limitée. Latence, empreinte mémoire et déterminisme dictent quantification, distillation et exécution de modèles réduits en périphérie.
Intralogistique Intralogistics industry
Ensemble des flux de matières, de marchandises et d'informations à l'intérieur d'un site : réception, stockage, préparation de commandes, transport entre postes et expédition. L'intralogistique est aujourd'hui le premier marché des robots mobiles, avec des flottes d'AMR, des systèmes de stockage automatisés et des bras de picking orchestrés par le logiciel d'entrepôt. C'est là que l'IA physique a d'abord atteint l'échelle industrielle.
Intégrateur System integrator industry
Entreprise qui transforme robots et composants en systèmes de production opérationnels : conception du process, ingénierie des préhenseurs et outillages, conformité sécurité, intégration automate, installation et support. Les fabricants de robots déploient rarement en direct ; les intégrateurs détiennent la relation client et portent le risque projet. Pour les acteurs de l'IA physique, ce canal détermine largement la vitesse d'adoption en usine.
ISO 10218 regulation
Norme internationale de sécurité des robots industriels, en deux parties : 10218-1 couvre le robot lui-même, 10218-2 le système robotisé intégré et la cellule. La révision 2025 intègre les exigences des applications collaboratives auparavant portées par l'ISO/TS 15066 et renforce les attentes de sécurité fonctionnelle. La conformité à ISO 10218 est l'ossature du marquage CE des installations robotisées.
ISO/TS 15066 regulation
Spécification technique qui a défini le partage sûr d'un espace de travail entre humains et robots, en détaillant les quatre modes collaboratifs et surtout des seuils quantifiés de douleur, force et pression admissibles par zone du corps, pour la limitation de puissance et de force. Son contenu est largement absorbé par la révision 2025 d'ISO 10218, mais le document structure encore la conception des applications cobotiques.
JEPA (architecture prédictive à plongement joint) JEPA (Joint Embedding Predictive Architecture) models
Architecture auto-supervisée, introduite par Yann LeCun en 2022, qui prédit une observation future ou masquée dans un espace de représentation abstrait plutôt que de reconstruire des pixels ou des tokens bruts, via un modèle à base d'énergie à encodeurs séparés. Déclinée en I-JEPA (images, 2023), V-JEPA et V-JEPA 2 (vidéo, 2024-2025), elle fonde les world models d'AMI Labs et se positionne comme une alternative aux LLM autorégressifs pour la planification et le raisonnement sur le monde physique.
Jumeau numérique Digital twin simulation
Réplique virtuelle d'un équipement, d'une cellule ou d'une usine entière, maintenue synchronisée avec son homologue réel par les données capteurs et process. Le jumeau numérique permet de valider les programmes robots, simuler les cadences, entraîner des politiques d'IA et répéter les modifications d'implantation avant d'intervenir dans l'atelier. NVIDIA Omniverse et Siemens Xcelerator structurent ce marché.
LiDAR hardware
Capteur qui mesure les distances en chronométrant des impulsions laser réfléchies par les surfaces, produisant des balayages 2D ou des nuages de points 3D précis, indépendants de la lumière ambiante. Le LiDAR est le pilier de la navigation et de la sécurité des AMR : des scrutateurs laser certifiés définissent des champs de protection qui ralentissent ou arrêtent le robot à l'approche d'une personne. Les versions à état solide réduisent coût et encombrement.
Machine tending (chargement de machines) Machine tending industry
Automatisation du chargement et du déchargement des machines de production, centres d'usinage CNC, tours, presses à injecter, presses, par un robot qui place les pièces brutes, récupère les pièces finies et peut gérer l'ouverture des portes ou le soufflage des copeaux. C'est l'une des applications robotiques les plus répandues et une cible de choix pour l'IA physique, la variété des pièces exigeant traditionnellement une reprogrammation coûteuse.
Main dextre Dexterous hand hardware
Main robotique multi-doigts dotée de nombreux degrés de liberté motorisés, souvent seize à plus de vingt, conçue pour approcher la dextérité humaine : réorientation dans la main, usage d'outils, manipulation d'objets variés. Elle combine actionnement miniaturisé, transmission par tendons ou tringlerie et, de plus en plus, capteurs tactiles. Encore chère et fragile, elle explique que beaucoup d'humanoïdes soient d'abord livrés avec des pinces simples.
Marquage CE CE marking regulation
Déclaration du fabricant attestant qu'un produit satisfait à toutes les exigences européennes applicables, obligatoire avant mise sur le marché d'une machine dans l'UE. Pour un système robotisé, elle suppose une analyse de risques, la conformité aux directives et règlements pertinents, des normes harmonisées comme ISO 10218, un dossier technique et une déclaration de conformité. L'intégrateur marque CE la cellule complète, pas seulement le robot.
Modèle de fondation Foundation model models
Grand réseau de neurones pré-entraîné sur des données vastes et variées, adaptable à de nombreuses tâches en aval par fine-tuning ou par prompt, plutôt que conçu pour un usage unique. En robotique, les modèles de fondation visent à fournir des compétences générales, perception, compréhension du langage, a priori de manipulation, transférables entre robots et tâches, en remplacement de l'ingénierie au cas par cas.
Modèle vision-langage (VLM) Vision-Language Model (VLM) models
Modèle de fondation entraîné conjointement sur images et texte, capable de décrire une scène, de répondre à des questions sur celle-ci et d'ancrer le langage dans le contenu visuel. En robotique, le VLM sert de colonne vertébrale sémantique : il identifie les objets, interprète les consignes et planifie les étapes, tandis qu'une politique de contrôle distincte exécute les mouvements. Les VLA sont des VLM étendus avec des sorties d'action.
Modèle VLA (vision-langage-action) Vision-Language-Action model (VLA) models
Réseau de neurones qui prend en entrée des images caméra et une instruction en langage naturel, et produit directement des actions robot, en étendant un modèle vision-langage par une tête d'action. Les VLA généralisent mieux entre objets et tâches que les contrôleurs spécialisés. Modèles marquants : RT-2, OpenVLA, pi-zero de Physical Intelligence, NVIDIA GR00T, entraînés sur de grands jeux de démonstrations multi-robots.
Moteur physique Physics engine simulation
Logiciel qui calcule la dynamique des corps rigides, les contacts, les frottements et les contraintes pour simuler le mouvement des objets et des robots. Les moteurs de niveau robotique, MuJoCo, PhysX, le pipeline GPU d'Isaac Sim, Genesis, privilégient la précision des contacts et le parallélisme massif : des milliers d'environnements tournent simultanément sur un GPU pour le renforcement. La fidélité du moteur borne directement la qualité du transfert vers le matériel.
MTBF (temps moyen entre pannes) MTBF (Mean Time Between Failures) industry
Durée moyenne de fonctionnement entre deux pannes d'un système réparable, métrique de fiabilité centrale dans les achats industriels. Les bras robotisés industriels dépassent couramment 60 000 à 100 000 heures de MTBF, un niveau dont les humanoïdes et systèmes pilotés par IA restent aujourd'hui très loin. Les acheteurs combinent MTBF et MTTR, temps moyen de réparation, pour estimer disponibilité et coût de maintenance.
NPU (unité de traitement neuronal) NPU (Neural Processing Unit) hardware
Processeur spécialisé dans les opérations des réseaux de neurones, principalement les multiplications matricielles de l'inférence, offrant une performance par watt très supérieure à celle d'un CPU généraliste. Dans les robots et équipements edge, le NPU exécute les modèles de perception et de contrôle sous fortes contraintes énergétiques. Il fait tourner des modèles quantifiés, INT8 ou FP16, et sa chaîne logicielle compte autant que ses spécifications brutes.
OpenUSD simulation
Universal Scene Description, cadre ouvert créé chez Pixar pour décrire, composer et échanger des scènes 3D complexes entre outils. En IA physique, OpenUSD devient la langue commune des jumeaux numériques et de la simulation : robots, usines et objets décrits une seule fois circulent entre CAO, Omniverse, Isaac Sim et pipelines de rendu sans conversion destructive.
Palettisation Palletizing industry
Empilage de caisses, sacs ou produits sur palettes selon des schémas stables et compacts, et l'opération inverse, la dépalettisation. Application robotique classique portée par l'ergonomie et la pénurie de main-d'œuvre. Les systèmes modernes calculent à la volée des plans d'empilage multi-références et dépalettisent par vision des charges inconnues, tâche longtemps jugée trop variable pour être automatisée.
Pick-and-place industry
Tâche consistant à saisir des articles à un emplacement pour les déposer à un autre : préparation de commandes, kitting, tri, conditionnement. Le pick-and-place structuré de pièces connues est un problème résolu ; la frontière est la saisie non structurée d'articles variés, en vrac ou déformables dans des bacs, où les politiques apprises de vision et de préhension dépassent désormais les pipelines classiques.
Poids ouverts (open weights) Open weights models
Mode de diffusion où les paramètres entraînés d'un réseau de neurones sont publiés et peuvent être téléchargés, exécutés et affinés par tous, même si les données et le code d'entraînement restent privés. Les modèles robotiques à poids ouverts comme OpenVLA ou GR00T N1 permettent aux intégrateurs et chercheurs de bâtir sur l'état de l'art sans dépendre d'une API, un atout clé pour les déploiements industriels sur site.
Policy (politique de contrôle) Policy models
En apprentissage robotique, fonction qui associe aux observations, images caméra et état proprioceptif, des actions, consignes articulaires ou mouvements de l'effecteur. Une policy peut être un petit réseau spécialisé ou un grand VLA. Elle s'entraîne par imitation à partir de démonstrations ou par renforcement à partir de récompenses ; en déploiement, elle doit s'exécuter dans le budget temps réel du contrôleur.
Proprioception fundamentals
Perception qu'a un robot de son propre état corporel : positions et vitesses articulaires, couples moteurs, orientation, équilibre, mesurés par encodeurs, capteurs de courant et centrales inertielles. Ce retour proprioceptif, échantillonné à haute fréquence, est indispensable à la locomotion, au contrôle en effort et à la manipulation avec contact. Il complète l'extéroception, la perception du monde extérieur par caméras et LiDAR.
RaaS (Robots as a Service) Robots-as-a-Service (RaaS) industry
Modèle économique où le client paie un abonnement ou un tarif à la tâche pour une capacité robotique au lieu d'acheter le matériel. Le fournisseur reste propriétaire, assure maintenance et mises à jour logicielles, et porte le risque de performance. Le RaaS abaisse la barrière d'adoption pour les PME et les opérations à trésorerie contrainte ; il est courant en intralogistique, en nettoyage et, de plus en plus, dans les pilotes humanoïdes.
Reality gap (écart sim-réel) Reality gap simulation
Écart entre un simulateur et le monde physique : frottements et dynamiques de contact non modélisés, bruit des capteurs, latence, éclairage, usure, dispersion de fabrication. Cet écart explique pourquoi des politiques parfaites en simulation échouent sur le matériel. Le combler concentre l'essentiel de la recherche en simulation : meilleure physique, modèles résiduels appris, stratégies de randomisation.
Rendu photoréaliste Photorealistic rendering simulation
Génération d'images caméra simulées suffisamment réalistes, grâce au ray tracing, aux matériaux physiquement plausibles et à un éclairage exact, pour que les modèles de perception entraînés dessus fonctionnent sur des images réelles. Le photoréalisme réduit la composante visuelle du reality gap et structure les pipelines de données synthétiques pour la détection, la segmentation et les politiques basées vision. Il complète la domain randomization plus qu'il ne la remplace.
Robot collaboratif (cobot) Collaborative robot (cobot) fundamentals
Bras robotisé industriel conçu pour travailler aux côtés d'opérateurs humains sans enceinte grillagée, grâce à la limitation de puissance et de force, au contrôle de vitesse et à un design arrondi et instrumenté. Le cobot échange charge utile et vitesse contre sécurité et simplicité de programmation, rendant l'automatisation accessible aux PME. Universal Robots a popularisé la catégorie ; les exigences de sécurité relèvent d'ISO 10218 et ISO/TS 15066.
Robot humanoïde Humanoid robot fundamentals
Robot polyvalent à morphologie humaine, généralement deux jambes ou une base roulante, deux bras et un torse, conçu pour évoluer dans des espaces pensés pour l'homme : usines, entrepôts, à terme domiciles. Cette forme promet une grande polyvalence de tâches sans réaménager le poste de travail. Plateformes de référence : Tesla Optimus, Figure, Agility Digit, Unitree, Boston Dynamics Atlas.
Robot mobile autonome (AMR) Autonomous Mobile Robot (AMR) fundamentals
Robot mobile qui navigue de façon dynamique grâce à ses capteurs embarqués, une cartographie de type SLAM et une planification de trajectoire, sans guidage fixe. L'AMR contourne personnes et obstacles en temps réel, ce qui le destine aux environnements partagés et changeants comme les entrepôts ou les hôpitaux. C'est le successeur flexible de l'AGV pour l'intralogistique.
Règlement Machines (UE 2023/1230) Machinery Regulation (EU 2023/1230) regulation
Règlement européen remplaçant la directive Machines de 2006, applicable à partir de janvier 2027, qui fixe les exigences essentielles de santé et de sécurité des machines vendues en Europe. Il traite explicitement les technologies nouvelles : comportements d'IA évolutifs, fonctions de sécurité fondées sur l'apprentissage machine, applications collaboratives, cybersécurité impactant la sécurité. Avec l'AI Act, il forme le cadre légal de l'IA physique industrielle.
Réducteur harmonique (harmonic drive) Harmonic drive hardware
Mécanisme de réduction compact fondé sur une cloche dentée flexible, la flexspline, déformée par un générateur d'onde elliptique, offrant de très grands rapports de réduction avec un jeu quasi nul dans un volume réduit. Aussi appelé strain wave gearing, il domine les articulations de robots exigeant de la précision. Son coût et la concentration des fournisseurs en font un composant stratégique de la filière humanoïde.
SIL / PL regulation
Deux échelles quantifiant la fiabilité exigée d'une fonction de sécurité : le Safety Integrity Level (SIL 1 à 3 pour les machines, issu des normes IEC 61508/62061) et le Performance Level (PL a à e, issu d'ISO 13849). Le niveau requis découle de l'analyse de risques : gravité, exposition, possibilité d'évitement. Les fonctions de sécurité des robots collaboratifs doivent typiquement atteindre PL d, ce qui impose architectures redondantes et taux de défaillance démontrés.
Sim2real simulation
Transfert vers des robots physiques de comportements appris en simulation. La simulation fournit des données d'entraînement illimitées, peu coûteuses et sans risque, mais aucun simulateur ne reproduit parfaitement la réalité : les politiques doivent être robustifiées par domain randomization, identification précise du système et parfois fine-tuning sur le réel. Le sim2real est le pipeline standard en locomotion et devient crédible en manipulation.
SLAM (localisation et cartographie simultanées) SLAM (Simultaneous Localization and Mapping) fundamentals
Famille d'algorithmes permettant à un robot de construire la carte d'un environnement inconnu tout en estimant simultanément sa propre position dans cette carte, à partir de LiDAR, de caméras, ou des deux fusionnés avec des données inertielles. Le SLAM est le socle de la navigation des AMR ; scènes dynamiques, longs couloirs et environnements visuellement répétitifs restent ses points durs.
SoC (système sur puce) SoC (System on Chip) hardware
Puce unique intégrant cœurs CPU, GPU, contrôleurs mémoire et, de plus en plus, un accélérateur neuronal dédié, ainsi que les interfaces caméras et capteurs. Le SoC est le cœur de calcul du robot : il minimise encombrement, consommation et coût par rapport à des composants séparés. Exemples : modules NVIDIA Jetson Orin et Thor, plateformes robotiques de Qualcomm.
Supervision humaine Human oversight regulation
Exigence de l'AI Act (article 14, contrôle humain dans la version française) : les systèmes d'IA à haut risque doivent être conçus pour qu'un humain puisse les surveiller efficacement, comprendre leurs sorties, intervenir et les arrêter. Pour les robots, cela se traduit par des interfaces de supervision, des états interprétables, des mécanismes de reprise en main et d'arrêt d'urgence, et une autonomie maintenue dans des limites validées par l'homme.
Système 1 / Système 2 System 1 / System 2 models
Patron d'architecture de contrôle robot emprunté aux sciences cognitives : un Système 2 lent et délibératif, en général un modèle vision-langage raisonnant à quelques hertz, fixe les objectifs et décompose les tâches, tandis qu'un Système 1 rapide exécute le contrôle moteur réactif à des dizaines ou centaines de hertz. Helix de Figure et GR00T N1 de NVIDIA en sont des implémentations phares.
Système d'IA à haut risque High-risk AI system regulation
Au sens de l'AI Act, système d'IA dont la défaillance pourrait porter atteinte à la santé, à la sécurité ou aux droits fondamentaux, y compris l'IA servant de composant de sécurité de produits réglementés comme les machines. Ce statut déclenche des obligations : gestion des risques, gouvernance des données, documentation technique, journalisation, supervision humaine, robustesse et évaluation de conformité avant mise sur le marché. L'essentiel de l'IA physique industrielle en relève.
TCO (coût total de possession) TCO (Total Cost of Ownership) industry
Coût complet d'un système d'automatisation sur sa durée de vie : prix d'achat plus intégration, programmation, formation, énergie, maintenance, pièces de rechange, arrêts de production et démantèlement final. L'intégration coûte souvent deux à trois fois le robot lui-même. La promesse économique de l'IA physique est de réduire drastiquement la part intégration et reprogrammation du TCO, pas seulement le prix du matériel.
Temps takt Takt time industry
Cadence à laquelle les produits doivent sortir pour suivre la demande client : temps de production disponible divisé par le volume requis. Un takt de 60 secondes signifie une unité finie par minute. C'est la contrainte dure que toute automatisation doit respecter : un robot flexible mais plus lent que le takt n'a pas sa place sur une ligne de production.
Tokens d'action Action tokens models
Symboles discrets encodant les actions du robot, incréments articulaires, commandes de pince, poses de l'effecteur, afin qu'un transformer les prédise exactement comme un modèle de langage prédit des mots. Tokeniser les actions permet à la robotique de réutiliser toute la chaîne d'outils des LLM : la même architecture lit une consigne, regarde des images et émet des tokens d'action décodés en commandes moteur.
TOPS (téra-opérations par seconde) TOPS (Tera Operations Per Second) hardware
Métrique phare du débit des accélérateurs d'IA : milliers de milliards d'opérations en basse précision par seconde, généralement exprimées en arithmétique INT8. Les TOPS permettent des comparaisons grossières entre puces edge, mais se surinterprètent facilement : la performance réelle dépend de la bande passante mémoire, de l'architecture du modèle, de la pile logicielle et des limites thermiques. Deux puces aux TOPS identiques peuvent différer de plusieurs fois sur une charge robotique réelle.
TRS (taux de rendement synthétique) OEE (Overall Equipment Effectiveness) industry
Mesure standard de la productivité industrielle, produit de trois ratios : disponibilité (temps de marche sur temps planifié), performance (cadence réelle sur cadence nominale) et qualité (pièces bonnes sur pièces produites). Les usines de classe mondiale visent 85 pour cent. Tout robot ou système d'IA proposé à une usine est in fine jugé sur son effet sur le TRS, pas sur l'effet démo.
Téléopération Teleoperation fundamentals
Commande à distance d'un robot par un opérateur humain, via joysticks, combinaisons de capture de mouvement, interfaces VR ou bras leader-follower. Au-delà de l'intervention en milieu dangereux, la téléopération est devenue la principale méthode de collecte de démonstrations pour entraîner des politiques de manipulation par imitation. Beaucoup de démonstrations publiques d'humanoïdes mélangent autonomie réelle et séquences téléopérées.
World model (modèle de monde) World model models
Modèle appris qui prédit l'évolution d'un environnement à partir des observations courantes et d'actions candidates. Un world model permet à un agent d'imaginer les conséquences avant d'agir, de planifier dans un espace latent et d'entraîner des politiques dans sa propre simulation. En IA physique, il alimente les modèles de fondation de prédiction vidéo comme NVIDIA Cosmos, une voie clé vers des robots qui raisonnent sur la physique.