La transition des robots du laboratoire à une application industrielle réelle est bien plus complexe qu'on ne l'imagine.

L'année dernière, le domaine de la recherche en robotique a effectivement réalisé de nombreux progrès — VLA, Sim2Real, généralisation inter-ontologies, manipulation agile, ces avancées technologiques sont solides. Mais ce qui est intéressant, c'est que le cercle académique et le secteur industriel ont des préoccupations totalement différentes, et il existe un fossé difficile à franchir entre ce que les équipes d'apprentissage automatique concernent et ce que les entreprises qui fabriquent de véritables robots industriels prennent en compte.

Les principaux points de blocage se situent à trois endroits : premièrement, les données utilisées pour l'entraînement sont souvent très différentes de l'environnement réel de déploiement, un jeu de données annoté placé sur une ligne de production peut facilement échouer. Deuxièmement, la recherche se concentre généralement sur la performance moyenne, mais ce que l'industrie craint le plus, ce sont en réalité ces situations extrêmes, où une erreur peut coûter cher. Troisièmement, la performance et la latence sont toujours en opposition : un modèle rapide n'a pas une précision suffisante, tandis qu'une réponse précise prend trop de temps. Si ces trois points ne sont pas résolus, même la meilleure publication technique ne sera que de la théorie sur papier.