FR
Recherche
Photo : The Robot Report

Les robots G2 d'AGIBOT accomplissent 1 730 tâches lors d'un essai de 24 heures dans une supérette de Shanghai

Un essai de 24 heures dans un magasin en activité

AGIBOT a mené un essai de 24 heures avec six de ses robots humanoïdes G2 à roues, dans une supérette en activité du district de Xuhui, à Shanghai, selon The Robot Report. Les robots ont accompli au total 1 730 tâches, de l'aide aux clients à la préparation du café, en passant par le réapprovisionnement des rayons et le nettoyage. Quatre des six robots ont réussi une évaluation finale de performance.

Le test a débuté à 10 heures le 2 novembre et s'est terminé à 10 heures le 3 novembre. Selon le rapport, il a été diffusé en direct et suivi par plus de deux millions de spectateurs sur des plateformes en ligne.

Cet essai a clôturé la présentation technologique AI WAVE d'AGIBOT, lancée le 22 octobre. Au cours de cette présentation, l'entreprise a publié des jeux de données pour la robotique, des outils de simulation, des modèles d'IA, ainsi que du matériel et des logiciels destinés aux opérations. Le test en magasin devait réunir ces technologies dans un cadre réel et montrer comment les robots gèrent les tâches du quotidien sur une durée plus longue. Par ailleurs, l'entreprise a indiqué en septembre 2026 que son 20 000e robot était sorti de la chaîne de production.

Rôles attribués et résultats des tests

Chaque robot avait un rôle précis. Certains répondaient aux demandes des clients, d'autres vérifiaient et réapprovisionnaient les rayons, et d'autres encore préparaient le café, s'occupaient des encaissements et du service de plats chauds, ou nettoyaient le magasin.

Sur les 24 heures, les robots ont enregistré 683 interactions avec les clients et 369 prises et livraisons de produits. Ils ont aussi préparé 147 commandes de café et 126 petits-déjeuners, effectué 277 contrôles de rayons et tâches de réapprovisionnement, et nettoyé les tables à 128 reprises.

L'essai couvrait quatre périodes : le coup de feu du déjeuner, les heures de pointe du soir, les opérations de nuit et le coup de feu du petit-déjeuner du lendemain matin. Selon le rapport, chaque période posait des difficultés différentes, de la réponse aux demandes aux heures d'affluence au maintien en activité du magasin pendant la nuit.

Les évaluateurs ont noté chaque robot selon la durée de son service, sa capacité à mener les tâches à terme, les retours des clients, la rapidité de réaction et la manière dont il gérait les imprévus. Quatre robots ont passé l'évaluation finale, tandis que les deux autres n'ont pas satisfait à certaines exigences, selon le rapport.

Deux évaluateurs ont également mené des tests pratiques, fondés sur des situations que les robots pourraient rencontrer lors du service aux clients. Dans l'un, ils ont commandé du Coca-Cola classique et du Coca-Cola sans sucre, pour voir si les robots savaient distinguer des produits d'apparence proche. Dans un autre, ils ont déplacé des paquets de chewing-gum et demandé aux robots de les remettre à leur place.

Pour tester la navigation, les évaluateurs ont placé une personne et une boîte dans une même allée, afin de vérifier si les machines pouvaient repérer les obstacles et les contourner.

Pourquoi un magasin est un test exigeant

Le rapport souligne qu'une supérette peut paraître simple pour des robots, avec un agencement compact et de nombreuses tâches suivant des procédures standard. Malgré tout, saisir des produits, réapprovisionner les rayons et préparer des aliments obligent encore les machines à faire face à de petits changements fréquents de conditions.

Le rapport donne des exemples. Les sachets de bonbons suspendus avec un léger décalage d'angle sont difficiles à saisir sans déplacer les produits voisins. Un article délicat, comme une part de gâteau, exige un contrôle précis de la force de préhension pour ne pas tomber ni être abîmé.

Selon le rapport, un magasin en activité diffère nettement d'un laboratoire. Les clients circulent dans les allées, les produits sont pris puis remis en place, et leur position, leur angle et leur emballage varient, si bien qu'une tâche répétée peut ne pas se dérouler deux fois de la même façon.

Le rapport indique que les robots G2 ont montré plusieurs capacités conçues pour ces problèmes. Ils ont utilisé des données visuelles en temps réel pour repérer les articles mal placés et les remettre dans leurs emplacements désignés, au lieu de se fier uniquement à des coordonnées préprogrammées.

Un robot chargé du réapprovisionnement a repéré des trous dans les rayons et les a comblés sans qu'on le lui ait demandé. Dans la zone de nettoyage, un autre a séparé les renversements des motifs imprimés sur le comptoir, puis choisi les outils adaptés.

Selon le rapport, ces tâches allaient au-delà de simples mouvements. Elles exigeaient de percevoir l'environnement, de prendre des décisions propres à chaque tâche et d'adapter les actions à mesure que les conditions évoluaient.

Genie Master et l'apprentissage à partir des opérations

L'essai a aussi porté sur Genie Master, un cadre d'agent d'IA incarné proposé par AGIBOT. Selon le rapport, il a été testé pour coordonner les tâches, corriger les erreurs et apprendre à partir des opérations.

Genie Master fournit un cadre commun qui coordonne les six robots et relie leurs actions à l'analyse et à l'apprentissage ultérieurs. Le rapport indique que le lien entre la planification, l'exécution et le retour d'information passe par l'Embodied Execution Protocol (EEP).

Le système répartit les tâches selon les capacités de chaque robot et les conditions du magasin. Les robots exécutent ensuite leurs missions à partir de politiques d'action et de ce qu'ils perçoivent en temps réel. Les résultats de chaque tentative remontent dans le système pour être examinés et pour le diagnostic des défaillances.

Le cadre tire aussi des enseignements des tentatives précédentes. En examinant les exécutions réussies et les échecs, il peut conserver en mémoire à long terme une expérience utile pour des cas similaires. Les bons ajustements peuvent être transformés en données d'entraînement qui affinent les politiques d'action.

Prochaines étapes

AGIBOT a également appliqué ce qu'il apprend des opérations pour affiner les performances des G2 sur les tâches de manipulation délicates, avec davantage d'entraînement pendant les nuits plus calmes. Selon le rapport, ces efforts visaient les tâches nécessitant une manipulation précise.

L'entreprise compte étendre les essais à d'autres tâches et à d'autres sites réels, en s'appuyant sur les retours d'expérience des opérations pour rendre les machines plus fiables et plus souples. Selon le rapport, AGIBOT examinera aussi quelles capacités et méthodes de travail peuvent être transférées d'une tâche à l'autre et reproduites sur d'autres sites. Le rapport suggère que ces résultats orienteront la prochaine phase, visant une utilisation plus stable et plus facile à étendre sur le terrain.

Source