Les robots de Pudu à la WAIC 2026 : comment transformer les données de déploiement en intelligence physique avec « un cerveau, multiples formes »

Introduction

Le secteur de l'IA physique devient de plus en plus pragmatique.

Un robot qui marche, fait des gestes ou exécute une démonstration soigneusement préparée peut attirer l'attention. Mais la question plus difficile est de savoir s'il peut fonctionner en continu pendant des mois dans des environnements imprévisibles comme les restaurants, hôtels, usines, entrepôts, centres commerciaux et autres, tout en faisant évoluer ses capacités au fil du temps.

Pudu Technology a donné sa réponse à la WAIC 2026 autour d'une idée stratégique simple :

La prochaine phase de la robotique ne sera plus déterminée par le corps du robot, mais par un système intelligent capable d'apprendre à partir de déploiements réels et de transmettre l'expérience à multiples formes.

L'entreprise appelle cette architecture «un cerveau unique pour multiples formes».

Sa couche de modèle de base, PuduFM 1.0, est conçue pour aider les robots à raisonner sur les conséquences physiques, à relier la navigation et la manipulation, et à apprendre grâce à une combinaison de simulations et de retours du monde réel.

Sa plateforme d'agents, PuduAgent, intègre la planification, la mémoire, l'exécution, les compétences réutilisables et le contrôle de sécurité dans un système capable de coordonner différentes formes de robots.

Lors de la WAIC, le robot semi-humanoïde industriel PUDU D7 est devenu l'un des exemples matériels les plus frappants de cette stratégie.

Du leadership du marché à la prochaine course robotique

Pudu est arrivé à la WAIC avec une immense base installée de robots de service commerciaux.

L'entreprise indique qu'une étude de marché indépendante de Frost & Sullivan a classé Pudu numéro un dans quatre catégories :

1. Revenus mondiaux des robots de service commerciaux.
2. Expéditions mondiales de robots de service commerciaux.
3. Revenus mondiaux des robots de nettoyage commerciaux.
4. Part de marché à l'étranger des entreprises chinoises de robots de service commerciaux.

Pudu a également indiqué avoir expédié plus de 130 000 robots dans le monde. Les documents officiels montrent un déploiement dans plus de 80 pays et régions, tandis que sa présentation à la WAIC mentionnait une couverture de 85 pays et régions.

Ces robots opèrent dans les domaines suivants :

• Services de restauration.
• Hôtellerie.
• Commerce de détail.
• Industrie manufacturière.
• Logistique d'entrepôt.
• Nettoyage commercial.
• Gestion immobilière.
• Soins de santé.
• Divertissement et sports.
• Éducation.
• Services publics.

Un déploiement à cette échelle a une signification commerciale, mais l'argument de Pudu sur l'IA physique va plus loin.

Chaque machine travaillant dans un lieu réel rencontre des variations physiques difficiles à reproduire complètement en laboratoire :

• Différents matériaux de sol.
• Personnes et équipements en mouvement.
• Luminosité changeante.
• Couloirs étroits.
• Obstacles inattendus.
• Objets de poids, formes et propriétés de surface variés.
• Interventions humaines.
• Actions échouées.
• Conditions d'exploitation à longue traîne.

Pour une entreprise d'IA physique, ces

processus d'interaction peuvent devenir du matériel de formation.

Par conséquent, l'avantage concurrentiel de la prochaine phase pourrait provenir de la combinaison de la distribution matérielle avec un système capable de transformer l'expérience opérationnelle en intelligence réutilisable.

Plus de 130 000 robots en première ligne

Les modèles de langage peuvent apprendre à partir de grandes quantités de texte, code, images et vidéos. Les robots sont confrontés à un problème de données différent.

Un robot doit non seulement comprendre ce qu'est un objet, mais aussi maîtriser :

• Peut-il atteindre cet objet.
• Comment l'objet pourrait se déplacer.
• Quelle force est nécessaire pour une action donnée.
• Si le sol est glissant.
• Si le chemin planifié est toujours sûr.
• Ce qui se passe après que le robot pousse, soulève, incline ou relâche un objet.
• Comment l'environnement a changé depuis le début de la tâche.

Ces capacités sont difficiles à acquérir à partir d'un nombre limité de démonstrations soigneusement orchestrées.

Les robots ont besoin d'acquérir de l'expérience à partir du travail réel, mais pour être mis au travail, ils doivent posséder un certain degré de maturité, qui est lui-même difficile à atteindre en l'absence de données réelles.

Cela crée un problème classique de l'œuf et de la poule :

Sans déploiement à grande échelle, l'entreprise manque de données physiques diversifiées ; sans données physiques diversifiées, il est difficile d'améliorer suffisamment le robot pour un déploiement à grande échelle.

Les robots de service commerciaux offrent un moyen de briser ce cycle.

Pudu Technology déploie des robots de livraison, de nettoyage et industriels dans des environnements commerciaux courants depuis des années. Ces systèmes n'étaient pas à l'origine des agents incarnés polyvalents, mais leur déploiement a créé de vastes canaux pour collecter des signaux opérationnels.

Pudu Technology indique que sa flotte de robots génère actuellement chaque année :

Type de données	Volume de données annuel déclaré par l'entreprise
Données de navigation réelles	36,5 millions d'heures
Données de manipulation réelles	15,8 millions d'heures

L'entreprise précise que ses données de manipulation sont collectées via un mode de «collecte de données non intrusive» pendant le fonctionnement normal.

Leur valeur ne réside pas seulement dans le nombre d'heures. La majeure partie de ce matériel provient de la perspective propre du robot, contenant probablement des conditions réelles de profondeur, échelle, mouvement, éclairage et interaction.

Cet environnement physique à la première personne est difficile à remplacer par la seule vidéo Internet.

Le volant de données de l'IA physique

Le modèle à long terme de Pudu Technology peut être décrit comme un volant de données :

1. Plus de robots entrent dans des environnements commerciaux.
2. Les robots rencontrent plus de tâches et de cas limites.
3. Les données opérationnelles et les interventions humaines sont capturées.
4. L'expérience est utilisée pour former ou améliorer les modèles.
5. Les modèles améliorés prennent en charge plus de tâches et d'environnements.
6. Des capacités plus fortes conduisent à plus de déploiements.
7. Une base de déploiement plus large génère plus de données.

Cela diffère du modèle traditionnel qui considère les robots comme des dispositifs finis.

Dans le modèle traditionnel, l'entreprise vend du matériel avec un ensemble de fonctions fixes. Chaque tâche accomplie crée de la

valeur pour le client, mais l'expérience peut être limitée à cet appareil et à son environnement d'installation.

Dans le modèle d'agent incarné, une tâche individuelle contribue également à un système d'apprentissage plus large. Une erreur de navigation dans un entrepôt, une situation de nettoyage complexe dans un centre commercial, ou une correction opérationnelle dans un contexte industriel peuvent toutes aider à optimiser les performances futures de l'ensemble du cluster de robots.

Ce processus ne se produit pas automatiquement.

Les journaux bruts ne sont pas équivalents à un contexte de modèle efficace. Les données doivent être :

• Filtrées
• Nettoyées
• Étiquetées ou structurées
• Corrélées aux résultats
• Filtrées selon les exigences de confidentialité et de sécurité
• Équilibrées entre les scénarios
• Converties en échantillons de formation ou d'évaluation
• Rejouées dans des systèmes contrôlés
• Validées avant de retourner sur les robots de production

Un vaste cluster de robots crée une opportunité de construire un fossé de données. La qualité du pipeline de données détermine si cette opportunité se transforme en un véritable avantage en termes de capacités.

Pourquoi les seules données du monde réel sont loin d'être suffisantes

Les erreurs dans le monde physique coûtent cher.

Les modèles de langage peuvent générer des paragraphes erronés et réessayer immédiatement, alors que l'échec d'une opération robotique peut consommer du temps, endommager l'équipement, interrompre les processus métier, voire présenter des risques de sécurité.

Par conséquent, l'entraînement dans le monde réel ne peut pas être mis à l'échelle par essais et erreurs non contraints.

La solution de Pudu Technology est le volant d'évolution à double espace intégrant le virtuel et le réel.

Boucle virtuelle

Un simulateur de mondes haute-fidélité permet au système de générer et de tester un grand nombre de trajectoires, sans exposer des personnes ou des équipements réels à chaque échec.

Le simulateur peut générer :

• Des séquences de tâches normales et réussies
• Des collisions
• Des glissades
• Des charges instables
• Des changements de forme d’objets
• Des déplacements du centre de masse
• Des agencements anormaux d’obstacles
• Des conditions opérationnelles rares ou dangereuses

Pudu Technology indique qu’elle utilise une architecture de transformateur à diffusion pour générer des trajectoires variées dans l’environnement simulé.

Boucle du monde réel

L’environnement réel offre des détails que la simulation ne peut pas reproduire entièrement.

Grâce au retour d’information des interactions homme-machine, il est possible d’enregistrer :

• Les endroits où le robot a nécessité une intervention humaine
• Ce que l’opérateur a modifié
• Quelle route ou action de préhension a réussi
• En quoi l’environnement physique diffère de la simulation
• Quelle limite de sécurité a été atteinte
• Si le résultat de la tâche est acceptable

Les deux boucles servent des objectifs différents :

• La simulation augmente le nombre et la diversité des essais
• La réalité calibre le modèle en fonction des conséquences physiques réelles

L’efficacité de cette méthode dépend de la fidélité de la simulation et de la qualité du transfert entre le système virtuel et le système physique. Un modèle qui réussit en simulation peut encore échouer dans le monde réel en raison du bruit des capteurs, de l’usure mécanique, des imperfections géométriques, des retards ou des comportements humains non modélisés.

Quand les robots commencent à transférer leurs expériences

Historiquement, les robots de différentes morphologies étaient généralement développés comme des systèmes indépendants.

Les robots de livraison, les équipements de nettoyage, les châssis mobiles industriels, les bras manipulateurs, les robots humanoïdes et les robots quadrupèdes peuvent utiliser des capteurs, des articulations, des fréquences de contrôle, des charges et des contraintes opérationnelles différents.

Cela a conduit à des schémas inefficaces :

• Un modèle pour un robot.

Un environnement, un processus d’entraînement.

• Une tâche, une collecte de données.

Lorsque le matériel change, une grande partie du travail doit être reprise.

Les équipes doivent reconstruire l’environnement, enregistrer des données de démonstration, entraîner des stratégies spécialisées et écrire une nouvelle logique d’intégration. Les données collectées pour un robot sont difficilement réutilisables pour un autre.

La stratégie « un cerveau, plusieurs formes » proposée par Pudu Technology cherche à dépasser ce modèle.

L’objectif n’est pas d’uniformiser la forme de chaque robot, mais de créer une couche d’intelligence partagée qui comprend des concepts physiques universels, tandis que les contrôleurs spécialisés de chaque robot gèrent leurs propres articulations, capteurs et limites.

(Description de l’image : présente l’évolution du paradigme industriel « un cerveau, plusieurs formes » des robots Pudu. À gauche, le développement de la couche technologique, passant d’un système de contrôle dédié, d’un système intelligent autonome, d’une intelligence améliorée par grand modèle à une base d’intelligence unifiée ; à droite, le développement de la couche morphologique, passant d’un équipement automatisé unique, d’un robot de service scénarisé, d’un robot à capacités composites à un robot collaboratif multi-formes. Le résumé en bas indique qu’« un cerveau, plusieurs formes » signifie « une base d’intelligence + plusieurs formes de robots », la technologie évoluant vers un cerveau intelligent unifié et les formes vers des corps diversifiés, leur combinaison faisant passer le robot de « un robot, un cerveau » à « un cerveau, plusieurs formes », réalisant la réutilisation des capacités intelligentes entre robots et le transfert entre scénarios.)

Les concepts partagés peuvent inclure :

• Les relations spatiales
• La disponibilité des objets
• La causalité physique
• L’intention de navigation
• L’intention de manipulation
• La planification de tâches
• Les contraintes de sécurité
• Les définitions de compétences universelles
• La mémoire des stratégies de succès et d’échec

Si l’architecture fonctionne comme prévu, l’expérience acquise par une forme de robot peut raccourcir le processus d’adaptation d’une autre forme.

Pudu Technology indique qu’avec son entraînement sur modèle du monde et une petite quantité de données de correction réelles, une nouvelle tâche ne nécessite qu’environ 50 démonstrations d’experts pour s’adapter. Il s’agit de données publiées par l’entreprise ; l’effet réel doit être évalué en fonction de la tâche, de la forme du robot et de l’environnement de déploiement.

Le point le plus central est le passage de la mémorisation de séquences d’actions fixes à l’apprentissage de relations physiques réutilisables.

PuduFM 1.0 : La base de l’intelligence physique partagée

PuduFM 1.0 est la couche de modèle fondamental qui soutient cette stratégie.

Pudu le positionne comme un modèle d’IA incarnée en évolution continue, visant à résoudre trois problèmes principaux :

1. La séparation entre la navigation et la manipulation
2. Le manque d’intuition physique
3. L’isolement des modèles et des ensembles de données par forme de robot

L’architecture s’articule autour de trois éléments techniques clés.

Modèle d’intuition physique : Prédire les conséquences physiques

Le modèle d’intuition physique (PIM) vise à aider le robot à prédire les résultats possibles avant d’agir.

Les humains effectuent constamment ce type de prédiction.

En saisissant un verre humide, une personne adopte inconsciemment une prise plus prudente ; en transportant un objet haut, elle considère l’équilibre ; en marchant sur un sol glissant, elle ajuste sa vitesse et sa force.

Les systèmes de perception traditionnels peuvent identifier un verre ou un sol, mais manquent encore de modélisation des conséquences physiques.

Pudu indique que le PIM utilise une architecture de transformateur à attention causale pour modéliser le mouvement des objets et les interactions physiques dans un espace latent.

Il ne se concentre plus uniquement sur la prédiction dense de pixels, mais tente de caractériser les dynamiques suivantes :

• La gravité
• La friction
• La déformation
• Le déplacement du centre de masse
• L’accessibilité
• Le risque de collision
• L’efficacité de l’action

Avant l’exécution, la position actuelle du robot, sa posture et les actions proposées peuvent être évaluées.

En pratique, le PIM vise à résoudre un type de problème robotique : les robots peuvent voir les objets, mais ne comprennent pas l’effet que leurs actions planifiées auront sur eux.

VLA multimodal : Relier le langage, la vision, la navigation et l’action

Le deuxième élément est un système vision-langage-action multimodal.

De nombreuses architectures robotiques antérieures séparaient les fonctions suivantes :

• Perception visuelle.
• Compréhension du langage naturel.
• Navigation.
• Contrôle des bras manipulateurs.
• Actions de préhension.
• Logique de sécurité.

Ainsi, les tâches pouvaient échouer entre les modules.

Le robot pouvait comprendre l’instruction et atteindre le bon endroit, sans pouvoir traduire cette compréhension en une séquence d’actions stable.

La couche VLA des robots Pudu vise à placer le langage, la vision, le mouvement et la manipulation dans une représentation unifiée.

Ensuite, la capacité de prédiction physique du PIM est intégrée dans le flux d’actions.

La séquence d’exécution qui en résulte est conceptuellement la suivante :

1. Comprendre la tâche.
2. Interpréter l’environnement.
3. Évaluer les contraintes physiques.
4. Planifier conjointement la navigation et la manipulation.
5. Générer une séquence d’actions cohérente.
6. Corriger l’exécution à l’aide du retour d’information.

Cette approche combinée vise à réduire l’écart entre « arriver sur place » et « accomplir la tâche ».

Modèle du monde : Un terrain d’entraînement virtuel extensible

Le troisième élément est le simulateur de monde qui alimente le côté virtuel de la boucle d’apprentissage.

Pudu indique que ce simulateur est construit à partir de données opérationnelles collectées dans de nombreux environnements commerciaux.

Il peut générer à la fois des trajectoires standard et des trajectoires adverses, créant ainsi des exemples dont la collecte répétée dans le monde réel serait coûteuse, extrêmement rare ou poserait des risques de sécurité.

Le modèle du monde soutient le PIM et le VLA en fournissant un grand nombre de scénarios physiques contrôlables.

L’ensemble du processus peut être résumé comme suit :

Phase	Objectif
Pré-entraînement	Construire une vaste connaissance générale de la vision, du langage, de la vidéo et de la physique
Renforcement par simulation	Entraîner massivement les décisions et les actions dans un environnement virtuel
Ajustement dans le monde réel	Corriger le modèle par le déploiement physique et le retour humain

Le système n’est pas un simple « d’abord simuler, puis déployer ».

Pudu le décrit comme une boucle continue : les données réelles améliorent l’environnement de simulation, et la simulation aide le modèle à se préparer pour le prochain ensemble de tâches physiques.

Pudu D7 : Le support matériel

Le Pudu D7 a été présenté pour la première fois en physique à la Conférence mondiale sur l’intelligence artificielle 2026.

Pudu positionne le D7 comme un robot semi-humanoïde de niveau industriel, adapté aux environnements de fabrication, de vente au détail et de logistique.

Sa moitié inférieure à roues est conçue pour un mouvement stable et efficace, tandis que la moitié supérieure offre deux bras pour la manipulation.

Cette forme incarne un compromis pragmatique.

Dans les scénarios où il est nécessaire de monter et descendre des escaliers et d’avoir une capacité de mouvement de type humain, un robot humanoïde bipède complet peut être plus approprié ; mais sur les sols plats courants dans les entrepôts, les magasins et les usines, la solution à roues offre une meilleure efficacité et stabilité.

Les documents officiels de Pudu à la Conférence mondiale sur l’intelligence artificielle 2026 indiquent que le D7 supporte une charge utile allant jusqu’à 14 kg, conçu pour un fonctionnement industriel de longue durée.

L’importance stratégique du D7 ne réside pas seulement dans son corps.

Il est présenté comme l’une des multiples formes incarnées pouvant partager la même pile d’intelligence PuduFM et Pudu Agent.

Cela en fait une pierre de touche pour vérifier si l’expérience peut être transférée.

Dans la gamme existante de robots de service, de nettoyage et industriels de Pudu, il étend ses capacités à un système d’exploitation plus général.

Architecture de haut niveau : Un cerveau, plusieurs formes

Un modèle fondamental de robotique, s’il peut supporter plusieurs types de machines, aura une valeur plus importante.

La gamme de produits Pudu couvre quatre catégories principales :

1. Robots de livraison de service
2. Robots de nettoyage commercial
3. Robots de livraison industrielle
4. Robots d’intelligence incarnée générale

Ces catégories comprennent des robots mobiles spécialisés, des robots semi-humanoïdes, des robots humanoïdes et des systèmes quadrupèdes.

L’architecture « un cerveau, plusieurs formes » divise le système en trois couches :

Agent physique = Forme incarnée + Système + Compétence

Forme incarnée

La forme incarnée est la machine physique réelle :

• Capteurs

• Structure à roues ou à pattes

• Bras mécanique

• Articulations

• Capacité de charge

• Batterie

• Effecteur terminal

• Limites mécaniques de sécurité

Différentes morphologies sont optimisées pour différentes tâches.

Système

Le système est responsable de la coordination du fonctionnement continu du robot :

• Compréhension des tâches
• Planification
• Mémoire
• Exécution
• Ordonnancement
• Coordination multi-robot
• Gestion des outils et des ressources

Pudu confie ce rôle à la plateforme de contrôle général des agents Pudu.

Compétences

Les compétences sont des modules d’aptitudes réutilisables, par exemple :

• Navigation
• Évitement d’obstacles
• Saisie
• Interaction homme-machine
• Livraison d’objets
• Opérations de nettoyage
• Transport industriel
• Collaboration multi-robot

Le modèle de base Pudu fournit une base d’intelligence physique partagée pour ces capacités, tandis que la plateforme de contrôle général des agents Pudu les transforme en flux de travail opérationnels.

Plateforme de contrôle général des agents Pudu : Système d’exploitation pour agents physiques

Si le modèle de base Pudu est le cerveau physique partagé, alors la plateforme de contrôle général des agents Pudu est la couche qui gère la manière dont il est appliqué.

Pudu définit la plateforme de contrôle général des agents Pudu comme une plateforme générique pour agents incarnés orientée vers le monde physique.

Elle comprend trois parties essentielles :

1. Système d’exploitation de la plateforme de contrôle général des agents Pudu
2. Bibliothèque de compétences de la plateforme de contrôle général des agents Pudu
3. Système de sécurité de la plateforme de contrôle général des agents Pudu

(Image : Stand de Pudu Robotics au salon WAIC 2026. Un homme présente au public le concept technique de l’agent physique « un cerveau, multiples formes ». L’écran géant en arrière-plan montre des architectures techniques telles que PuduAgent OS, PuduFM, PuduAgent Skills, PuduAgent Safety. Le stand, moderne, est équipé de plusieurs écrans et présentoirs, avec du personnel et des visiteurs. Cette image correspond au contenu du document présentant l’architecture technique de PuduAgent et illustre visuellement les concepts techniques associés.)

Système d’exploitation de la plateforme de contrôle général des agents Pudu

La couche du système d’exploitation comprend trois composants essentiels.

Noyau de l’agent

Le noyau de l’agent est responsable de l’interprétation de l’environnement et de la tâche courants, ainsi que de la planification du plan d’action du robot.

Ses responsabilités incluent :

• Comprendre les objectifs
• Décomposer les étapes de la tâche
• Sélectionner les compétences nécessaires
• Mettre à jour le plan en fonction des nouvelles observations
• Coordonner la navigation et les opérations
• Gérer les décisions au niveau des tâches

Mémoire de l’agent

La mémoire de l’agent enregistre les informations utiles au cours du déroulement de la tâche.

Pour les robots physiques, la mémoire ne se limite pas à la sauvegarde de texte.

Elle doit conserver :

• L’état actuel de l’environnement
• Les actions récentes
• Les positions visitées
• Les instructions humaines
• Les stratégies réussies
• Les tentatives échouées
• Les changements environnementaux causés par le robot
• La progression des tâches de longue durée

Une mémoire persistante aide le robot à éviter de répéter les erreurs et à rester concentré sur ses objectifs lors de longues périodes de fonctionnement.

Exécuteur de l’agent

L’exécuteur est chargé de traduire les décisions de haut niveau en exécution en temps réel.

La planification peut se faire à un niveau d’abstraction relativement élevé, mais les moteurs et les capteurs nécessitent un fonctionnement continu, exigeant une faible latence de contrôle.

L’exécuteur sert de pont entre la couche de planification et le système d’exécution spécifique au matériel du robot.

Compétences PuduAgent

Les compétences PuduAgent abstraient les capacités générales en une bibliothèque standardisée.

Sans cette couche, chaque morphologie de robot pourrait nécessiter une implémentation séparée pour des fonctions conceptuellement similaires.

Une compétence standardisée peut décrire l’intention et l’interface d’une action tout en permettant à chaque entité de l’exécuter selon son propre matériel.

Les exemples incluent :

• Se déplacer vers un emplacement spécifié.
• Éviter les obstacles.
• Saisir un objet.
• Déposer un objet.
• Demander une confirmation à une personne.
• Attendre qu’une personne dégage le chemin.
• Coordonner avec d’autres robots.
• S’arrêter en toute sécurité.
• Retourner à la station de charge.

Cela ne signifie pas que tous les robots exécutent exactement le même contrôleur de bas niveau intégré.

La logique d’un bras robotique humanoïde et celle d’un châssis de livraison mobile sont toujours différentes. La couche réutilisable comprend la définition de la tâche, l’interface de planification, le contrat de sécurité et l’expérience physique acquise par l’apprentissage.

Sécurité PuduAgent

À mesure que les robots fonctionnent plus longtemps et avec une supervision directe moindre, la sécurité devient plus importante.

Avant d’exécuter une action, le système peut avoir besoin de déterminer :

• Si l’action est physiquement réalisable.
• Si le chemin reste dégagé.
• Si une personne est entrée dans la zone opérationnelle.
• Si la charge est stable.
• Si le robot doit ralentir.
• Si l’environnement a changé.
• Si la tâche doit être mise en pause ou arrêtée.

La sécurité PuduAgent agit comme une couche de barrière pour anticiper les risques potentiels et ajuster ou bloquer les actions si nécessaire.

Ceci est crucial pour le déploiement commercial.

Un robot ne crée pas de valeur simplement en réalisant une démonstration impressionnante. Sa valeur réside dans l’exécution fiable de tâches répétitives tout en maintenant les taux de défaillance, l’intervention humaine et les incidents de sécurité à des niveaux acceptables.

Sur quoi Pudu est-il vraiment en compétition ?

À première vue, le marché de la robotique semble être une compétition entre matériels :

• Meilleurs bras mécaniques.
• Jambes plus flexibles.
• Capacité de charge plus élevée.
• Autonomie plus longue.
• Prix plus bas.
• Mouvements plus humains.

Ces facteurs restent importants.

Mais le message de Pudu au WAIC indique que la prochaine phase de la compétition impliquera quatre actifs moins évidents.

1. Acquisition de données physiques réelles

Les entreprises disposant de robots à grande échelle peuvent observer une plus grande variété d’environnements et de cas limites.

2. Capacités de gouvernance des données

Les journaux non structurés n’améliorent pas automatiquement les modèles. La qualité des données, la confidentialité, l’annotation et l’évaluation déterminent si l’expérience est utile.

3. Transfert entre morphologies de robots

Lorsque l’expérience d’un corps ou d’une tâche réduit le travail nécessaire pour un autre corps ou une autre tâche, le système d’apprentissage devient plus évolutif.

4. Plateforme d’agents fiable

Un modèle de base seul ne suffit pas. Les robots ont besoin de mémoire, d’exécution, de compétences, de sécurité, d’ordonnancement et de contrôle opérationnel.

Les entreprises qui intègrent efficacement ces couches pourront peut-être transformer chaque déploiement en intrant pour la prochaine génération de produits.

Commercial

Échelle et Capital

Le modèle économique de Pudu est solidement soutenu par un déploiement commercial à grande échelle et de nouveaux financements.

En avril 2026, la société a annoncé avoir obtenu un financement de près de 150 millions de dollars, portant sa valorisation à plus de1,5 milliard de dollars et son financement cumulé à plus de 300 millions de dollars.

À l’époque, selon un rapport précédent de Frost & Sullivan, Pudu Robotics avait livré plus de 120 000 robots, détenant 23 % de part du marché mondial des robots de service commerciaux.

Lors du salon PuduFM et du WAIC, la société a annoncé que ses livraisons avaient dépassé les 130 000 unités.

Ces fonds peuvent soutenir la recherche et le développement dans les domaines suivants :

• Recherche sur l’intelligence incarnée
• Développement matériel
• Infrastructure de données
• Technologie de simulation
• Ventes et service mondiaux
• Procédés de fabrication
• Nouvelles morphologies de robots
• Développement de plateforme d’agents

Bien que l’ampleur du financement et les volumes d’expédition ne garantissent pas le succès d’une architecture d’agent physique générique,

ils confèrent à Pudu deux ressources essentielles : une vaste base de déploiement et la capacité d’investir dans les systèmes nécessaires pour en tirer des enseignements.

Défis techniques restants

La direction technique « un corps, multiples formes » est prometteuse, mais plusieurs défis clés doivent encore être relevés.

Efficacité réelle du transfert d’expérience ?

Les apprentissages d’un robot de nettoyage pourraient optimiser le partage de capacités de navigation ou de reconnaissance d’obstacles, mais ne pourront peut-être pas directement apprendre à un bras humanoïde à manipuler des objets déformables.

La qualité du transfert d’expérience doit être évaluée séparément en fonction du type de compétence, du scénario d’application et de la morphologie incarnée.

Mécanisme de contrôle de la qualité des données ?

Des clusters de robots à grande échelle peuvent générer d’énormes quantités de données redondantes, bruyantes, incomplètes ou biaisées.

L’indicateur clé de la qualité des données n’est pas la durée totale, mais la quantité de signaux d’entraînement validés et diversifiés que cette durée peut produire.

Garanties de confidentialité et de sécurité ?

Les robots opérant dans des environnements publics et commerciaux peuvent collecter des informations visuelles, spatiales ou opérationnelles sensibles.

La gouvernance des données doit couvrir l’autorisation, la durée de stockage, le contrôle d’accès, l’anonymisation, le respect des réglementations régionales et la protection de la cybersécurité.

Adéquation entre simulation et réalité ?

Les modèles du monde peuvent étendre le champ de l’entraînement, mais le fossé entre simulation et réalité reste un défi central en robotique.

Tous les modèles doivent être validés sur du matériel physique dans des conditions de fonctionnement réelles.

La sécurité peut-elle évoluer de pair avec l’autonomie ?

À mesure que la complexité et la durée des tâches exécutées par les robots augmentent, les chemins de défaillance potentiels croissent de manière exponentielle.

Le système de sécurité doit établir des mécanismes de contrôle déterministe, de protection matérielle, de surveillance en temps réel, de retour arrière en cas de défaillance et d’intervention humaine, plutôt que de se fier uniquement au raisonnement au niveau du modèle.

Viabilité du modèle économique ?

Les clients se préoccupent en fin de compte de la valeur opérationnelle globale :

• Coût d’achat/location
• Complexité du déploiement
• Coût de maintenance
• Indicateurs de fiabilité
• Efficacité des économies de main-d’œuvre
• Coût des temps d’arrêt
• Couverture du service
• Coût d’intégration du développement
• Période de retour sur investissement

Un robot technologiquement avancé doit démontrer une économie supérieure à celle des solutions d’automatisation plus simples dans des tâches réelles.

Valeur plus profonde : Le travail crée une expérience réutilisable

Lorsque les robots sont déployés à grande échelle, le résultat le plus précieux n’est peut-être pas le nombre de commandes livrées, de parcours nettoyés ou de tâches de transport effectuées,

mais plutôt l'expérience physique réutilisable créée par ces tâches.

La stratégie de Pudu construit un système à quatre niveaux interconnectés :

1. Clusters de robots commerciaux à grande échelle
2. Technologies d'intelligence incarnée full-stack
3. Système de boucle de données fermée
4. Innovation collaborative matériel-logiciel

Cette architecture, via un mécanisme de collaboration "cloud-edge-terminal", permet l'évolution continue de l'intelligence collective des robots.

Volant de données entre simulation et réalité

3. PuduFM en tant que base physique intelligente partagée
4. PuduAgent en tant que couche opérationnelle inter-formes

Le PUDU D7 intègre cette stratégie dans un format de robot industriel plus polyvalent, mais son pari le plus important se situe au niveau architectural.

Pudu tente de transformer son portefeuille de produits en un écosystème d'apprentissage.

La compétition à long terme ne sera pas remportée par le robot capable d'exécuter les actions isolées les plus impressionnantes, mais par le système qui peut apprendre en toute sécurité à partir du plus grand nombre d'interactions physiques de valeur, transférer ces apprentissages entre robots, et fournir une valeur économique fiable dans des environnements réels.

Questions fréquentes

Qu'est-ce que PuduFM 1.0 ?

PuduFM 1.0 est le modèle fondamental d'intelligence incarnée de Pudu Robotics. Il fusionne un modèle d'intuition physique, un système d'alignement multimodal vision-langage-action et une boucle d'apprentissage de la simulation à la réalité, prenant en charge la navigation, l'opération et le raisonnement physique de robots de morphologies différentes.

Qu'est-ce que PuduAgent ?

PuduAgent est une plateforme d'agent intelligent incarné universelle de Pudu pour opérer des robots dans le monde physique. Elle comprend une couche opérationnelle de planification, mémoire et exécution, une bibliothèque de compétences réutilisables et un module de contrôle de sécurité.

Que signifie "un cerveau, multiples formes" ?

Cela signifie que plusieurs types de robots partagent une base intelligente unifiée, plutôt que d'être développés comme des systèmes totalement isolés. Chaque robot conserve un contrôle matériel spécifique, tandis que la compréhension physique plus avancée, la planification, la mémoire et les compétences peuvent être réutilisées.

Combien de robots Pudu Robotics a-t-il déployés ?

Pudu indique avoir livré plus de 130 000 robots dans le monde. Ses documents officiels mentionnent une couverture dans plus de 80 pays et régions, tandis que dans son discours au WAIC 2026, il a évoqué une couverture de 85 pays et régions.

Qu'est-ce que le PUDU D7 ?

Le PUDU D7 est un robot semi-humanoïde industriel équipé d'une base mobile à roues et de deux bras. Pudu le positionne pour des tâches industrielles, de vente au détail et logistiques, et comme l'un des supports matériels des architectures PuduFM et PuduAgent.

Qu'est-ce que le modèle d'intuition physique ?

Le modèle d'intuition physique (PIM) vise à prédire les résultats physiques des actions que le robot s'apprête à exécuter. Pudu indique que ce modèle simule, dans un espace latent avant exécution, les caractéristiques dynamiques telles que le mouvement, la friction, la déformation, l'équilibre et les risques de collision.

Pourquoi Pudu utilise-t-il à la fois des données de simulation et de réalité ?

Les systèmes de simulation peuvent générer un grand nombre de trajectoires normales et adverses sans risquer du matériel ou du personnel réel. Les opérations réelles fournissent un retour d'information authentique pour aider à calibrer le simulateur et corriger le modèle.

La position de leader de Pudu sur le marché est-elle vérifiée de manière indépendante ?

Pudu cite un rapport d'étude de marché de Frost & Sullivan montrant que l'entreprise se classe première dans plusieurs catégories de robots de service commercial. Cet article présente ce classement uniquement comme une citation des conclusions de l'étude, sans avoir procédé à une vérification indépendante de l'ensemble des données de marché.

Outils associés

• Plateforme ouverte Pudu : plateforme officielle pour développeurs permettant d'intégrer les robots Pudu avec des applications et systèmes métier.

• [Support technique Pudu Robotics]

• Académie : manuels officiels, informations de déploiement et ressources de support produit.

• PuduFM 1.0 : modèle fondamental à intuition physique de Pudu pour multiples morphologies de robots.

• PuduAgent : plateforme d'agent intelligent incarné de Pudu couvrant planification, mémoire, exécution, compétences réutilisables et fonctions de sécurité.

• PUDU D7 et WAIC 2026 : informations officielles sur le robot semi-humanoïde et son rôle dans la pile technologique d'IA incarnée de Pudu.

• Portefeuille de produits Pudu Robotics : informations officielles sur les robots de livraison, nettoyage, industriels et d'IA incarnée.

Liens associés

• Pudu Robotics au WAIC 2026 : annonce officielle couvrant le PUDU D7 et la stratégie "un cerveau, multiples formes".
• Présentation technique de PuduFM 1.0 : explication officielle sur le PIM, l'alignement VLA, le simulateur mondial, les phases d'entraînement et le volant de données.
• Lancement de PuduAgent : présentation officielle de la plateforme d'agent intelligent incarné et de son architecture de fonctionnement.
• Annonce de financement de Pudu Robotics : informations officielles sur le tour de financement d'avril 2026 et la valorisation de l'entreprise.
• Actualités et perspectives de Pudu Robotics : annonces officielles actuelles, lancements de produits, mises à jour de déploiement et informations partenaires.
• Plateforme ouverte PUDU : portail officiel d'intégration et pour développeurs des systèmes de robots Pudu.

Résumé

La stratégie présentée par Pudu Robotics au WAIC 2026 dépasse le simple produit robotique individuel. Sa flotte de robots commerciaux déployés fournit une expérience du monde réel, tandis que les systèmes de simulation augmentent la quantité et la diversité des scénarios d'entraînement.

PuduFM 1.0 vise à fournir une capacité de raisonnement physique partagée pour différentes morphologies de robots. PuduAgent ajoute des fonctions de planification, mémoire, exécution, compétences réutilisables et contrôle de sécurité. Le PUDU D7 montre comment cette pile technologique peut être appliquée à une plateforme industrielle semi-humanoïde.

Cette stratégie est encore confrontée à des défis tels que la qualité des données, le transfert inter-formes, la fidélité de la simulation, la confidentialité, la sécurité et le retour sur investissement commercial, mais son concept central est déjà clairement défini.

L'avantage concurrentiel de la prochaine génération de robots ne résidera peut-être pas seulement dans la création de machines plus puissantes, mais aussi dans la construction d'un système intelligent partagé capable d'apprendre continuellement de chaque robot en activité.