Les humanoïdes Apollo 2 atteignent 96% lors d’une preuve de concept de tri chez Mercedes-Benz

Le 10 novembre 2026, Google DeepMind a présenté Gemini Robotics 2.5 et annoncé un taux de réussite de 96 % pour le tri de pièces automobiles par les robots humanoïdes Apollo 2 d’Apptronik, dans le cadre d’une preuve de concept menée sur des lignes de production Mercedes-Benz en activité.

Gemini Robotics 2.5 est un modèle vision-langage-action (VLA) qui relie la compréhension visuelle et linguistique aux actions des robots. DeepMind le déploie auprès de partenaires en robotique. La page officielle du modèle décrit des capacités de commande allant des bras de table aux humanoïdes complets, notamment le maintien dynamique de l’équilibre pour marcher, s’accroupir et se pencher, et propose une liste d’attente pour un accès anticipé.

Apollo 2 assure la préparation des kits automobiles

Les essais en usine ont eu lieu dans les sites Mercedes-Benz de Kecskemét, en Hongrie, et de Sindelfingen, en Allemagne. DeepMind, Apptronik et le constructeur automobile y ont fait fonctionner Apollo 2 sur des lignes de production en activité. Dans le cadre de la preuve de concept, l’humanoïde a trié de manière autonome des pièces provenant de bacs en vrac et les a placées dans des plateaux, selon l’ordre précis requis pour chaque véhicule.

Deux modèles se sont réparti les tâches. Gemini Robotics ER suivait l’avancement, tandis que Gemini Robotics 2.5 commandait les mains et les bras de l’humanoïde pour saisir des supports métalliques automobiles dans des bacs d’approvisionnement, les placer dans des conteneurs de séquençage et corriger les éventuels espaces vides. La configuration testée d’Apollo 2 était équipée d’une main SharpaWave à cinq doigts et à 22 degrés de liberté. DeepMind présente la délégation de cette préparation répétitive comme un moyen de maintenir le rythme des chaînes de montage, tout en permettant aux techniciens de se consacrer aux tâches complexes d’assemblage.

Jeff Cardenas, cofondateur et PDG d’Apptronik, a déclaré :

« En associant Apollo 2 à Gemini Robotics, nous avons constaté que les modèles progressaient considérablement après seulement quelques semaines d’entraînement complémentaire et que ces progrès se maintenaient en production chez Mercedes-Benz, avec une très faible baisse des performances. »

Progrès en dextérité et évaluation de la sécurité

Au-delà du travail en usine, la suite d’évaluation couvrait plus de 200 tâches distinctes, dont servir des aliments avec des pinces, nouer le ruban d’un coffret cadeau et pipeter un liquide. Ces tâches associaient une utilisation avancée d’outils, la manipulation complexe d’objets déformables et la manipulation soigneuse d’articles fragiles. Selon DeepMind, le modèle a obtenu des taux de réussite supérieurs de 30 % à 100 % à ceux des références précédentes, selon le type de tâche, et a réalisé les tâches 20 % à 30 % plus rapidement.

Pour assurer la sécurité physique, le modèle s’appuie sur des indications de raisonnement au moment de l’inférence afin d’éviter les dangers en temps réel. Dans les évaluations de DeepMind, le taux d’exécution sûre des tâches s’est amélioré de 33 % en présence d’obstacles et de 43 % à proximité de personnes. La publication aborde également les tâches agentiques à horizon long, pour lesquelles la sécurité doit être maintenue à plusieurs étapes.

DeepMind a également publié ASIMOV-Jailbreak, un banc d’essai libre dont les invites dissimulent des requêtes dangereuses dans des dizaines de scénarios. Selon DeepMind, Gemini 4 Argon a atteint un taux de résistance aux jailbreaks de 99,5 %, contre 82 % pour le modèle de référence précédent, Gemini Robotics ER 2. Le dépôt fournit le code et les données d’évaluation sous licence MIT.

Son évaluation adversariale V3 à plusieurs tours comprend 845 échantillons répartis en 15 groupes de stratégies et autorise jusqu’à 10 étapes. Elle combine des vérifications déterministes des appels aux outils d’action et l’évaluation par un grand modèle de langage. Des tâches de manipulation sur table, à la fois nuisibles et bénignes, permettent au banc d’essai de mesurer le taux de réussite des attaques ainsi que les refus excessifs de requêtes bénignes. Il vérifie ainsi si un modèle refuse les instructions dangereuses sans rejeter également les tâches sûres.

Entraînement par simulation avec Gemini 4 Argon

DeepMind attribue à Gemini 4 Argon l’accélération du développement de Gemini Robotics 2.5 grâce à la simulation. À partir d’une scène filmée par une caméra dans le monde réel, Argon peut générer des milliers d’exercices variés et créer un jumeau numérique réaliste. Associés à des démonstrations d’entraînement réelles, ces exercices aident les robots à généraliser plus rapidement à de nouvelles scènes et à de nouveaux objets. Les chercheurs peuvent également utiliser Argon pour proposer, à partir d’une vidéo, des explications aux échecs dans l’exécution des tâches, puis tester des améliorations en simulation et sur des robots physiques.

Une publication destinée aux développeurs du 13 octobre 2026 décrit cette approche dans le cadre d’une expérience distincte. Celle-ci a commencé par une photographie couleur d’une vraie table. Argon l’a reconstruite sous la forme d’une simulation physique MuJoCo calibrée, avant de produire plus de 4 500 épisodes d’entraînement dans des conditions aléatoires. Google a indiqué que le taux de réussite obtenu par le robot réel était passé de 56 % à 75 %, tandis que le temps d’exécution avait diminué de 35 secondes à 24 secondes.

Cette expérience antérieure ne constitue pas une référence d’évaluation de Gemini Robotics 2.5, mais elle illustre le cycle de développement à l’origine de cette publication. Pour la robotique industrielle, l’annonce réunit dans un même processus la génération de données simulées, la commande du matériel et les tests de sécurité adversariaux. La question reste de savoir dans quelle mesure ce processus peut être transposé de façon constante à d’autres robots et lieux de travail, au-delà de la tâche de préparation de kits présentée.