// LES NUMÉRIQUES — INTELLIGENZA ARTIFICIALE
Actualité : Le Danemark teste des robots humanoïdes dans ses supermarchés pour soulager la charge de travail nocturne du personnel
Depuis juin, la start-up Hive Robots teste des humanoïdes Unitree dans un magasin Føtex près de Copenhague. Plus lents qu'un employé et encore guidés à distance, ils doivent réapprovisionner seuls certains rayons début 2027. Sur un rayon reconstitué, leur meilleur taux de réussite plafonne pour l'instant à 42 %, selon l'étude publiée par l'équipe en juillet.
© Shutterstock - Le Danemark teste des robots humanoïdes dans ses supermarchés pour soulager la charge de travail nocturne du personnel
"Il y a plein de petites choses auxquelles nous, humains, ne pensons pas et qu'il faut apprendre au robot". Chez Hive Robots, Roger Sala enfile un casque de réalité virtuelle, prend une manette dans chaque main et guide, geste après geste, un humanoïde dans les allées d'un supermarché fermé. Chaque mouvement enregistré sert ensuite à entraîner la machine.
Le magasin se trouve à Lyngby, au nord de Copenhague. Il appartient à Føtex, enseigne du groupe Salling, premier distributeur danois avec plus de 2 100 points de vente entre le Danemark, l'Allemagne, la Pologne et les pays baltes. Les essais ont lieu la nuit, après la fermeture. Unitree fabrique les robots, Hive Robots écrit le logiciel et les entraîne. Pour l'instant, ils travaillent plus lentement qu'un employé et sous supervision permanente.
Selon Føtex, le réassort absorbe 40 à 50 % du temps de travail du personnel, et la chaîne peine à recruter des jeunes pour ces tâches. Simon Kudsk, son directeur des opérations, imagine "un ou deux humanoïdes dans chaque magasin" et estime qu'il faudra jusqu'à cinq ans pour équiper le réseau. En mars, le communiqué de lancement tablait sur trois à cinq robots par site à long terme. Salling assure vouloir épauler ses salariés plutôt que les remplacer.
En juillet, l'équipe a publié avec l'Université technique du Danemark (DTU) une étude qui détaille sa méthode, baptisée DEED. Les essais se déroulent sur une réplique de rayon, avec étagère, chariot et carton de sachets de chips. Le robot, un Unitree G1-Edu, est piloté par GR00T N1.6, le modèle d'IA de Nvidia pour humanoïdes, qui traduit ce que voit la machine en gestes à produire. Réentraîné de façon classique sur 81 démonstrations, soit moins d'une heure de téléopération, il a raté chacune de ses 50 tentatives.
Les chercheurs ont donc retravaillé les données. Ils gardent les moments où l'opérateur rattrape une erreur, pour que le robot apprenne à se corriger, et coupent les temps morts comme les hésitations. Des masques visuels orientent l'attention du modèle vers l'emplacement vide de l'étagère plutôt que vers l'éclairage ou le décor, puis un filtre lisse les mouvements. Le taux de réussite monte alors à 32 %. Il faut environ 24 secondes par sachet, et le robot en enchaîne jusqu'à quatre sans intervention. Un seul poste équipé d'une carte graphique RTX 5090 suffit à faire tourner l'ensemble.
Dans un second temps, le robot apprend de sa propre expérience : ses réussites, ses échecs et les corrections humaines réintègrent l'entraînement, étiquetés pour distinguer les bonnes actions. Après une itération, la réussite grimpe à 42 % et le geste s'accélère, mais le robot s'arrête après un seul sachet au lieu de revenir en position de départ. La deuxième itération fait retomber le score à 22 %, car les données produites par la machine ont fini par noyer les démonstrations humaines. En parallèle, un outil repère en temps réel le moment où le robot sort de ce qu'il a appris, ce qui permet d'anticiper les ratés.
La conclusion des auteurs n'a rien de spectaculaire. Pour eux, combler l'écart entre le laboratoire et le magasin tient davantage à l'intégration système et au soin apporté aux données qu'à une nouvelle architecture d'IA. Jakob Sand, fondateur de Hive Robots, compare la robotique actuelle à ce qu'était l'IA conversationnelle il y a deux ou trois ans. Sa start-up vise un réassort nocturne autonome de certains produits début 2027, avant de s'attaquer au repérage des produits manquants ou mal rangé