Manipulation et dextérité
La main humaine possède environ deux douzaines de degrés de liberté et près de 17 000 capteurs tactiles. Les manipulateurs robotisés actuels atteignent parfois 27 degrés de liberté, mais aucun ne réunit la flexibilité, la sensibilité et la robustesse requises pour des tâches quotidiennes. Certains prototypes intègrent des milliers de capteurs sur un seul doigt, mais ces capteurs ne résistent pas à une utilisation intensive. Le problème de contrôle implique de déterminer simultanément la configuration articulaire optimale, la séquence de mouvements pour plier un vêtement ou serrer un boulon, et d’ajuster la force face à des matériaux souples ou déformables, ce qui impose des exigences de calcul en temps réel très élevées.
Perception visuelle
Les avancées en vision par ordinateur, notamment grâce aux réseaux profonds, ont permis des performances impressionnantes sur des jeux de données statiques. Cependant, identifier un objet dans un environnement encombré, choisir le point de préhension adéquat ou évaluer la stabilité d’une surface pour placer un pied reste non résolu. La complexité augmente lorsque la scène comporte des obstacles mobiles ou des éclairages variables, car le robot doit extraire des repères fiables sans recourir à une base de données exhaustive.
Planification, adaptation et contexte
Un robot autonome doit découper une tâche globale en sous‑étapes et les relier à son environnement immédiat. Par exemple, insérer un tourne‑vis dans une machine nécessite de calculer la trajectoire de l’outil, d’évaluer les interférences et de choisir l’ordre d’action optimal. Les scénarios réels introduisent des imprévus – boulon coincé, légume pourri, enfant qui surgit – qui obligent le système à re‑planifier rapidement. De plus, le robot doit disposer d’un contexte d’usage (emplacement des fournitures, préférences culinaires, niveau d’assistance requis) comparable à la quantité massive de données textuelles qui alimente les grands modèles de langage. L’absence d’une base de données physique équivalente limite la capacité d’apprentissage généraliste.
Coopération et vitesse d’exécution
Les agents d’IA fonctionnent généralement en isolement dans des environnements statiques. En pratique, les robots devront collaborer avec des humains ou d’autres machines, ce qui impose des protocoles de communication et des stratégies de partage de charge. La vitesse de déplacement actuelle des robots généralistes reste bien inférieure à celle des humains, en partie à cause des contraintes de puissance, de précision de contrôle et de sécurité. Accélérer le mouvement réduit le temps disponible pour la planification et augmente le risque d’accidents, ce qui crée un compromis technique difficile à résoudre.
