Le fait
Le 21 octobre 2026, à NVIDIA GTC Berlin, Agile Robots, Audi, Dassault Systèmes et NVIDIA ont annoncé une preuve de concept visant à automatiser le séquençage des pièces de l’usine Audi d’Ingolstadt avec des humanoïdes mobiles.
Le cas d’usage
Chez Audi, l’approvisionnement des lignes repose sur environ un million de prélèvements par jour : il faut que la bonne pièce arrive au bon poste, dans le bon ordre de montage. Dans le Production Lab, espace d’essai du constructeur, des humanoïdes mobiles d’Agile Robots prennent des pièces dans des bacs et les rangent dans la séquence attendue pour l’assemblage final.
Deux difficultés classiques sont visées : la manipulation de pièces très variées ou semi-rigides et le prélèvement de composants en vrac. Les robots, une nouvelle gamme d’Agile Robots, associent deux bras, une base mobile et une perception par IA ; ils travaillent à hauteur humaine pour s’insérer sans transformer l’existant.
Le rôle de chacun
- Dassault Systèmes construit un jumeau virtuel de l’environnement logistique avec DELMIA (plateforme 3DEXPERIENCE) ; faisabilité, temps de cycle, ergonomie et sécurité y sont testés avant tout déploiement. L’assistant LEO doit à terme réduire ce travail « de plusieurs mois à quelques jours », selon les partenaires.
- NVIDIA apporte les bibliothèques Omniverse pour la simulation physique et ses technologies de calcul embarqué.
- Audi définit les exigences opérationnelles.
Où en est le projet
Selon Supply Chain Digital, les premiers essais datent du printemps 2025 et trois robots participent à l’essai actuel. Un porte-parole d’Audi précise que le projet n’a pas de date de fin : l’objectif est un passage en série « aussi vite que possible, avec un retour sur investissement donné ». Aucun indicateur de cadence, de taux de réussite ou de coût n’est publié.
Lecture Neurone21
Le séquençage est un terrain plus réaliste pour les humanoïdes que les démonstrations scénarisées : tâche répétitive, gros volumes, poste difficile à automatiser avec des robots classiques. Le point le plus intéressant est méthodologique : valider la mission du robot dans un jumeau virtuel avant de l’installer. Mais tant qu’aucun taux de réussite n’est publié, il s’agit d’un essai en laboratoire et non d’un déploiement.