Simplifier le développement de modèles IA pour la robotique en allégeant les contraintes liées à l’infrastructure, c’est l’ambition de la Physical AI Toolchain d’Amazon Web Services (AWS). Présentée le 7 octobre, cette suite open source rassemble des architectures de référence, du code réutilisable et des outils d’automatisation du déploiement. Elle cible les développeurs qui travaillent sur l’IA physique, des robots humanoïdes aux véhicules autonomes, en passant par les systèmes d’automatisation industrielle.

AWS entend ainsi réduire le travail d’intégration nécessaire pour passer du prototype à une application opérationnelle. Le développement d’un robot implique en effet plusieurs étapes, de la préparation des données à l’entraînement des modèles, en passant par la simulation et la validation des comportements avant leur déploiement sur les équipements. En proposant des outils pour relier ces différentes phases, le fournisseur cloud veut simplifier les flux de travail et accélérer la mise en œuvre des applications robotiques.

Un cycle de développement de bout en bout

La Physical AI Toolchain s’articule autour de cinq étapes complémentaires. La première concerne la génération de données synthétiques, afin de multiplier les scénarios d’apprentissage sans dépendre exclusivement de coûteuses collectes en conditions réelles. Vient ensuite l’entraînement des modèles, notamment à partir de démonstrations humaines ou d’expériences réalisées dans des environnements simulés. La simulation et la validation permettent ensuite de tester le comportement des robots avant leur mise en service. Les modèles optimisés peuvent être déployés en périphérie, directement sur les machines, pour prendre des décisions avec des contraintes de latence. Enfin, les données remontées depuis les équipements en production peuvent alimenter de nouveaux cycles d’entraînement et améliorer progressivement les modèles.

Pour constituer cet environnement, AWS combine plusieurs de ses services, dont Amazon SageMaker pour l’entraînement, les instances GPU d’Amazon EC2 pour les traitements intensifs et AWS IoT Greengrass pour le déploiement en périphérie. La gestion des flux de travail et des ressources doit également faciliter l’orchestration des différentes tâches.

Nvidia apporte ses briques logicielles de simulation et d’apprentissage

La chaîne s’appuie sur plusieurs composants de l’écosystème Nvidia. Isaac Sim sert à simuler les robots et leurs interactions avec leur environnement, tandis qu’Isaac Lab fournit des outils d’apprentissage par renforcement. Cosmos contribue à la génération de données et d’environnements synthétiques. Pour les robots humanoïdes, Nvidia Isaac GR00T apporte des modèles et des capacités d’entraînement spécifiques. L’orchestration des flux de travail mobilise également Nvidia OSMO. Cette association doit permettre aux équipes de développement de limiter le temps consacré à assembler et à maintenir leur infrastructure. Les entreprises peuvent adopter l’ensemble de la chaîne ou ne retenir que certains composants, par exemple pour la simulation ou l’entraînement, et les intégrer à leurs processus existants.

AWS met également en avant la gestion de flottes d’équipements, avec des fonctions destinées à provisionner, sécuriser et mettre à jour des milliers de machines à distance. Un enjeu important pour les industriels qui souhaitent passer de quelques robots expérimentaux à des déploiements à plus grande échelle.

L’interopérabilité reste un enjeu central

Au-delà de l’intégration entre les services AWS et les outils Nvidia, la Physical AI Toolchain s’appuie sur plusieurs formats et technologies largement utilisés dans le développement logiciel et robotique. L’environnement prend notamment en compte PyTorch, le format de données LeRobot, Gymnasium pour l’apprentissage par renforcement, URDF pour la description des robots, ONNX pour le déploiement des modèles et ROS 2 pour leur intégration aux systèmes de contrôle robotique. Cette orientation vers des standards et des formats ouverts doit faciliter la réutilisation des données et des modèles entre les différentes étapes du cycle de développement. Elle ne supprime toutefois pas les contraintes propres à la robotique : un comportement satisfaisant en simulation doit encore être validé sur le matériel réel, où interviennent les limites physiques, les délais de réaction, les variations des capteurs et les exigences de sécurité.