Daimon Robotics bâtit un pipeline de données tactiles pour robots

Une caméra peut voir un connecteur. Elle ne peut pas indiquer à un robot si le connecteur s'est bien enclenché, ni qu'un sac commence à glisser de sa prise. Ce fossé entre ce que les machines voient et ce qu'elles ressentent au contact est le terrain sur lequel Daimon Robotics a choisi de travailler, et l'entreprise veut vendre les outils permettant de le combler plutôt que le robot fini.

L'approche de l'entreprise repose sur un pipeline. Son partenaire et vice-président technique, le Dr Zhu, a déclaré à The Robot Report que Daimon « fournit l'infrastructure » aux clients en aval et ne « vise pas à devenir un développeur de modèles de fondation ». Concrètement, cela passe par des capteurs tactiles, des dispositifs de collecte de données comme son appareil Umi, qui capte les interactions humaines, ainsi que des outils de simulation et des modèles d'IA, le tout conçu pour fonctionner ensemble. Dans son système, le retour tactile fonctionne à 30 Hz, soit 30 relevés par seconde, cadence nécessaire aux tâches impliquant beaucoup de contacts lorsqu'une pièce se comporte de manière inattendue.

Le goulot d'étranglement, ce sont les données. Les images se capturent facilement avec des caméras ; les données tactiles dépendent de chaque contact physique et varient selon le matériau et la géométrie de l'objet, les forces appliquées et la tâche elle-même. La simulation est censée multiplier ces données, mais l'écart entre la physique virtuelle et la physique réelle reste important, en particulier pour la friction et les forces de contact. La réponse de Daimon consiste à calibrer ses simulations sur des mesures réelles avant de transférer les données collectées dans des environnements virtuels. L'entreprise a évoqué la collecte de plus de 10 000 heures de données, et son initiative à plus long terme, Daimon-Infinity, vise plus de 1 million d'heures de données tactiles incarnées. Il s'agit d'objectifs et de projets, et non d'un jeu de données déjà livré.

Daimon affirme avoir dépassé le stade des démonstrations. Lors de la conférence IROS 2026, elle a présenté des robots appliquant des conceptions de transfert thermique à des sacs fourre-tout, enfilant des bracelets, puis ramassant et conditionnant du verre brisé, des tâches qui, selon elle, reposaient sur des modèles de fondation entraînés à partir de données issues de plusieurs scénarios. Elle cite Lenovo Capital et Inovance Technology comme partenaires clés et affirme travailler dans des chaînes d'assemblage industrielles et des entrepôts, sans avoir nommé un seul client. Aucune vérification indépendante de ces déploiements n'est disponible, et l'entreprise elle-même présente le véritable test comme la performance en production.

Qu'est-ce qui change, et pour qui ? Si l'approche fonctionne, les constructeurs de robots d'assemblage et de conditionnement pourraient acheter une capacité tactile et des données d'entraînement au lieu de les collecter eux-mêmes, un pas qui compterait surtout pour les petits développeurs, incapables de mener leurs propres programmes de données. Daimon explore aussi la manière dont ses données d'interaction humaine pourraient entraîner des modèles destinés aux robots humanoïdes et aux robots à deux bras. La rapidité de cette évolution dépendra de questions que les sources laissent ouvertes : la manière dont les outils se comportent en dehors des propres démonstrations de l'entreprise, et la question de savoir si l'ambition du million d'heures sera atteinte.