Les fonds du token natif ROBO quittent continuellement le projet, ce qui a une fois fait s’effondrer l’humeur de la communauté. Aujourd’hui, nous allons décortiquer en détail la logique sous-jacente de ROBO : le système OM1
🔽🔽🔽🔽🔽🔽🔽🔽
D’abord, définissons un positionnement :
OM1 = « Système d’exploitation de robots modulaires open source natifs de l’IA, matériels neutres, développés par OpenMind (l’Android du secteur de la robotique) », « … » ; l’accent est mis sur une base intelligente unifiée pour robots de marques différentes + un réseau de collaboration décentralisé Fabric
I. Contexte et positionnement du projet
1) Douleurs du secteur
Robotique traditionnelle :
• Les fabricants gardent chacun leurs solutions propriétaires et fermées (Tesla, Boston Dynamics, et les piles qu’ils développent eux-mêmes)
• Écosystèmes logiciels fragmentés : robots quadrupèdes / humanoïdes / sur roues
• À chaque changement de matériel, il faut réécrire tout un ensemble de code de perception, navigation et interaction ; le coût de développement est extrêmement élevé
2) Objectif central d’OM1
Concevoir un environnement d’exécution d’intelligence corporelle universelle (Robot OS) :
Couche d’abstraction matérielle + centre d’IA multimodale + inférence locale et cloud + réseau de collaboration inter-robots
Slogan : AI-Native (conçu dès le niveau le plus bas pour les grands modèles et l’intelligence corporelle ; pas un LLM “plaqué” sur un ROS ancien)
Licence open source : MIT (publiée sur GitHub)
3) Équipe et capital
Siège à San Francisco ; le professeur de l’université Stanford mène l’initiative ; l’équipe fondatrice vient des équipes robotique de Google et Tesla ; financement initial d’environ 20 millions de dollars ; ancrage profond dans l’écosystème matériel des robots (Unitree Technology, UBTech, Nvidia, etc.).
II. Architecture de base en couches 2 et 4 (perception → mémoire → décision → action)
Layer 1 : couche d’abstraction matérielle HAL (la couche la plus basse)
• Neutre vis-à-vis du matériel : effacer les différences entre les moteurs, LiDAR, caméras et châssis de robots différents
• Compatibilité native : ROS 2, DDS, Zenoh, déploiement conteneurisé via Docker
• Support puces : ARM64 (Jetson/Orin), AMD64
• Adaptation native au matériel : Unitree Go2/Go1 (宇树), humanoïde G1, robots sur roues, bras mécaniques, LIMX humanoïde, etc.
En une phrase : quel que soit le format du robot, utilisez le même ensemble de commandes IA de haut niveau pour le contrôler
Layer 2 : couche de fusion de perception multimodale
• Fusion des capteurs : SLAM LiDAR, caméras de profondeur, grands modèles visuels VLM, réseau de microphones
• Cartographie de l’environnement, reconnaissance des personnes, compréhension des scènes, mémoire spatiale
• Conception orientée confidentialité : désensibilisation du visage, filtrage des données par zone, collecte conforme
Layer 3 : couche cognitive (le point le plus clé d’OM1)
1. Mémoire longue persistante : Memory Bank
Le robot mémorise les conversations passées, les préférences de l’utilisateur, les points dans l’espace et les tâches historiques ; conserve la mémoire lors d’occasions de relance de conversation
2. Cœur de centralisation natif LLM/VLM
Adaptateurs intégrés pour branchement et remplacement à chaud : GPT-4o, Gemini, DeepSeek, grands modèles open source locaux
Utiliser le langage naturel comme bus de commandes interne pour le robot
3. Agent de planification des tâches
Décomposer une instruction en langage naturel (p. ex. « Patrouille dans le showroom, salue activement les visiteurs quand tu les rencontres ») en tâches étape par étape : navigation, détection visuelle, interaction vocale, exécution des actions
Layer 4 : couche d’exécution (sorties de mouvement et d’interaction)
• Pile de navigation : basée sur Nav2 + SLAM avec évitement autonome des obstacles, croisière sur points de passage
• Les commandes de mouvement sont envoyées au contrôleur du châssis / des actionneurs articulaires
• Synthèse vocale, sortie d’avatar virtuel à l’écran
• Prend en charge deux modes : inférence locale à la périphérie (edge) + inférence hybride cloud
III. Deux technologies “as” : réseau OM1 + FABRIC (écosystème associé)
1) OM1 (cerveau du robot mono-machine)
Microservices conteneurisés et modulaires ; mise à niveau séparée possible des modules de perception, des modules de grands modèles ou des modules de navigation, sans interférences
• Environnements de simulation WebSim / Gazebo : d’abord entraîner dans la simulation sur ordinateur, puis déployer sur le robot réel
• SDK : Python en priorité, pour permettre aux développeurs de créer des compétences robot avec une faible barrière d’entrée
• Modèle de “boutique de compétences” : installer de nouvelles capacités au robot comme on installe des applications sur un téléphone (inspection, guidage, accompagnement, inspection d’entrepôt)
2) Réseau de collaboration décentralisé FABRIC (couche réseau de niveau supérieur d’OM1)
C’est le point clé qui distingue OpenMind d’un OS de robot classique :
1. Attribuer à chaque robot OM1 une identité numérique décentralisée
2. Réseautage sécurisé des robots de différents fabricants, partage de cartes, partage d’expériences d’environnement, travail collaboratif
3. Apprentissage d’expérience distribué : un robot optimise, dans un environnement donné, un chemin/une stratégie ; sous autorisation, cette optimisation peut être synchronisée avec d’autres robots du cluster
4. Paiement/settlement des tâches on-chain inclus, vérification de confiance des équipements (rumeurs de collaboration avec l’écosystème Pi Network en phase initiale)
À comprendre simplement :
OM1 est le “cerveau” d’une seule machine ; Fabric est le “cerveau-cloud collectif” d’un ensemble de robots
IV. Synthèse des caractéristiques techniques clés
1) Conception AI-native (différente du ROS traditionnel)
ROS traditionnel : priorité au contrôle du mouvement, l’IA est un “module externe”
OM1 : les agents de grands modèles, la perception multimodale, la mémoire et le raisonnement sont des composants natifs de base du système
2) Architecture modulaire, enfichable et remplaçable
• Remplacement plug-and-play : le modèle visuel, le LLM et l’algorithme de navigation de votre choix
• Trois modes de déploiement : déploiement industriel, prototypes de recherche, entraînement et éducation
3) Déploiement hybride : edge locale + cloud
• Actions critiques pour la sécurité (évitemment d’obstacles, maintien de l’équilibre) : exécution à faible latence en local
• Raisonnement complexe, dialogues longs en texte, entraînement sur grands volumes de données : appel des API OM1 dans le cloud (service API facturé à l’usage)
4) Conçu pour un déploiement orienté commercial
• Supervision, contrôle de débit, logs, back-office de maintenance des équipements
• Modèles prédéfinis pour l’industrie : inspection de zone industrielle, accompagnement à l’hôpital, visite des salles d’exposition, sécurité des usines
V. Principaux scénarios d’application
1. Humanoïdes / quadrupèdes pour services commerciaux
Visite guidée dans les musées/espaces d’exposition, patrouille d’immeubles, sécurité résidentielle, accompagnement et soutien aux patients à l’hôpital
2. Plateforme robotique pour la recherche et les universités
Base de développement unifiée ; pas besoin de réinventer la roue pour du matériel différent
3. Un groupe de robots industriels flexibles
Coopération multi-robots de formes différentes pour le tri, la patrouille, l’entreposage
4. Service d’API robots B2B SaaS
Les entreprises appellent les services cloud OM1 pour construire rapidement des robots de service sur mesure, et réduisent fortement les coûts de R&D
VI. Avantages & points faibles actuels (objectifs)
✅ Avantages
1. Écosystème unifié à travers différents matériels, réduisant la fragmentation du développement de robots
2. Double voie : open source + services cloud commerciaux, pour concilier recherche et usage commercial
3. Intégrer en profondeur LLM, perception d’intelligence corporelle et navigation spatiale dans une seule pile
4. Déploiement conteneurisé, paradigme moderne de développement cloud-native
⚠️ Limites actuelles (stade Beta)
1. Capacité de contrôle intensif du mouvement pour l’ensemble du corps chez les humanoïdes : pas aussi performant que l’optimisation profonde du stack de mouvement développé en interne par Boston Dynamics
2. Dépendance très forte aux API des grands modèles ; la capacité à déployer en mode local hors ligne est encore en itération
3. Le réseau décentralisé Fabric est encore en phase de test ; il y a peu de cas d’usage à grande échelle en production commerciale
VII. Résumé en une phrase
OM1 = un OS robotique général open source pour l’ère de l’intelligence corporelle.
En utilisant la couche d’abstraction matérielle pour gommer les différences de matériel, puis en construisant le “cerveau cognitif” du robot avec un grand modèle + une mémoire longue, et en ajoutant le réseau décentralisé Fabric pour permettre la collaboration multi-robots entre marques : l’objectif est de devenir une couche logicielle de base unifiée pour l’industrie des robots.
