{"article":{"annotation":{"article_id":"ntt-robot-physical-ai-shelf-loading-test-2026-11-11","available_at":"2026-11-12T03:09:10.045741Z","geography_revision":"ef6ee0010dda5fe7b240fd514749b43e214c57da73222d2e40ec83b276dd0977","id":"8bc3ed3d9bf8b87830f66d0dce96e374aa4cdc257c45085d5a46b5d7796108f4","input_sha256":"24fe7ac16cab4084cc6dce84fd8052f616a88334fe0be9c8848b05910dbcd197","limitations":["Rule-derived subjects are candidates, not verified editorial labels or calibrated model probabilities.","Coverage is distinct from event location. Unknown country/city/coordinates remain absent; no automatic geocoding.","Article geometries keep their stated precision and methodology; reproducing them is not independent coordinate verification."],"method":"controlled-rules-v1","places":[],"rules_sha256":"fb5ad3c27c91cb840f7a0a05f7f64a5cb26ad0374409ff9457f277c7092e22b4","schema_version":1,"subjects":[{"concept_id":"medtop:13000000","confidence":null,"confidence_method":null,"evidence":[{"field":"category+topics","language":"en","note":"Preserved editorial category/topic; broad candidate only","source_urls":["https://group.ntt/en/newsrelease/2026/11/11/261111b.html","https://openaccess.thecvf.com/content/ICCV2025/papers/Song_OCK_Unsupervised_Dynamic_Video_Prediction_with_Object-Centric_Kinematics_ICCV_2025_paper.pdf","https://openaccess.thecvf.com/content/ICCV2025/supplemental/Song_OCK_Unsupervised_Dynamic_ICCV_2025_supplemental.pdf"]}],"method":"controlled-rules-v1","rule_id":"technology-broad","status":"candidate"}],"taxonomy_revision":"1f2db31d811fca07e99b16d402c10e2cc2965c9df1c7b41d9be348b40a24e7fb","taxonomy_version":"IPTC Media Topics 2026-Q2"},"api_url":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11?lang=fr","category":"technology","content":{"key_points":[],"paragraphs":["Le 11 novembre, NTT a déclaré qu’un modèle du monde fondé sur la physique avait fait passer de 73,1 % à 92,3 % le taux de réussite d’une tâche de chargement d’étagère réalisée par un petit robot. La tâche simulait l’empilement d’objets et comparait, selon l’entreprise, l’usage de la technologie avec son absence. NTT a aussi publié un score LPIPS inférieur à celui de deux systèmes de référence sur le benchmark vidéo OBJ3D. Le premier usage envisagé concerne les bagages d’aéroport, mais les essais sur le terrain avec la société de robotique Mujin restent à venir. Le communiqué ne fait état d’aucun déploiement commercial.","Le système est conçu pour examiner plusieurs actions possibles avant que le robot ne bouge. NTT indique que son modèle estime à partir de la vidéo la position, l’orientation, la vitesse et la masse des objets, puis utilise les équations du mouvement pour prévoir leurs déplacements et interactions. Un adaptateur de contrôle physique développé par l’entreprise relie ces calculs à un modèle de génération vidéo. Pour chaque action proposée par le logiciel de contrôle existant, le système produit une scène future possible et évalue des résultats comme une collision, la chute d’un objet ou l’effondrement d’une pile. Il complète un contrôleur existant et ne démontre pas que des robots peuvent fonctionner sans supervision en toute sécurité.","Le résultat de chargement d’étagère est notable, mais le gain absolu est plus parlant qu’une affirmation générale selon laquelle le robot serait devenu meilleur au travail. Le taux de réussite rapporté augmente de 19,2 points de pourcentage, calculés par 92,3 moins 73,1. Par rapport au taux de départ, la hausse est d’environ 26,3 %, soit 19,2 divisés par 73,1. Ces deux calculs utilisent les valeurs arrondies publiées par NTT. L’entreprise ne précise ni le nombre d’essais, ni la définition du succès, ni les variations d’objets ou de conditions initiales, ni l’écart entre les répétitions. Le communiqué ne fournit pas d’intervalle d’incertitude.","Le tableau 1 de NTT apporte des détails sur un autre test de prédiction. Il donne un score LPIPS multiplié par 100 de 7,81 pour le modèle NTT, de 7,92 pour OCK, un modèle académique, et de 21,90 pour NVIDIA Cosmos Predict 2.5, un modèle commercial de génération vidéo. Un score LPIPS plus faible est préférable. La valeur de NTT est inférieure de 0,11 à celle d’OCK, soit environ 1,4 % par rapport à 7,92. Ce calcul décrit uniquement les valeurs affichées. Le communiqué ne donne aucun intervalle statistique ni comparaison de protocole qui permettrait d’établir que le faible écart se maintient dans d’autres conditions.","Le benchmark doit être replacé dans son contexte. Un article ICCV de 2025 signé Yeon-Ji Song et ses coauteurs décrit OBJ3D comme un jeu de données synthétiques avec des objets rigides dans des scènes grises neutres, comprenant 2 920 séquences d’entraînement et 200 de test. Il vise à examiner la géométrie des objets et des interactions comme les collisions. NTT dit avoir évalué son modèle sur le benchmark public OBJ3D, sans préciser si elle a utilisé le même découpage des données, le même protocole de test ou le même entraînement que l’article OCK. Le résultat mesure donc la prédiction vidéo dans un benchmark contrôlé, pas la manutention de bagages dans un véritable aéroport.","La différence technique mise en avant par NTT est la représentation explicite de l’état physique. Un modèle vidéo peut produire des images plausibles tout en manquant les forces ou le mouvement qui feront basculer une charge. Selon NTT, son adaptateur représente la masse et le mouvement et applique les équations du mouvement pour générer des futurs possibles. Cette approche pourrait aider un robot à écarter un plan risqué avant d’agir, notamment lorsque chaque valise ou carton diffère. Le communiqué ne précise ni latence, ni configuration matérielle, ni mémoire nécessaire, ni test de sécurité. Il ne démontre donc pas que ces calculs sont assez rapides et fiables dans un entrepôt en activité.","NTT présente la manutention des bagages et des colis comme une application visée et prévoit des essais sur le terrain avec Mujin. Elle indique aussi que la technologie doit être présentée au forum R&D 2026 de NTT. Ce sont des étapes de développement, pas la preuve que des exploitants d’aéroport ont choisi ou installé le système, ou mesuré une économie de main-d’œuvre. Le communiqué ne cite aucun client, budget, date d’installation, objectif de débit, taux d’erreur en conditions réelles ou prix. Passer d’un empilement simulé à des bagages variés sur un tapis ou dans une zone de fret exige des essais avec éclairage changeant, occultations, mouvements de convoyeur et présence humaine.","L’annonce se lit au mieux comme une étape de recherche assortie d’un résultat concret mais étroit. La tâche robotisée suggère un usage opérationnel possible, tandis qu’OBJ3D offre un contrôle distinct de la qualité des vidéos prédites. Aucun des deux résultats ne démontre à lui seul une fiabilité générale dans la logistique, la fabrication ou le commerce de détail, secteurs que NTT cite pour une éventuelle extension. Avant un déploiement, les décideurs auraient besoin d’essais répétés, d’une définition transparente de la réussite, de contrôles de sécurité, de mesures sur des objets nouveaux et d’une comparaison du système complet avec les solutions existantes. NTT a décrit la voie vers ces essais, pas leur résultat."],"sections":[]},"corrections":[],"country":null,"data":{"blocks":[{"description":{"ar":"المعدلات التي أبلغت عنها NTT لمهمة تكديس محاكاة بروبوت صغير.","de":"Von NTT gemeldete Quoten für den simulierten Stapeltest mit einem kleinen Roboter.","en":"Rates NTT reports for its simulated stacking task with a small robot.","es":"Tasas informadas por NTT para su tarea simulada de apilamiento con un robot pequeño.","fr":"Taux rapportés par NTT pour sa tâche simulée d’empilement avec un petit robot.","pt":"Taxas informadas pela NTT para sua tarefa simulada de empilhamento com um robô pequeno.","tr":"NTT’nin küçük robotla yürüttüğü simüle istif görevinde bildirdiği oranlar."},"id":"shelf-loading-task-success-rate","items":[{"basis":"observed","label":{"ar":"معدل نجاح تحميل الرف بالروبوت الصغير دون تقنية NTT","de":"Erfolgsquote beim Regalstapeln ohne NTT-Technologie","en":"Small-robot shelf-loading success rate without NTT technology","es":"Tasa de éxito de carga en estantería sin tecnología NTT","fr":"Taux de réussite du chargement d’étagère sans la technologie NTT","pt":"Taxa de sucesso no carregamento da prateleira sem a tecnologia da NTT","tr":"NTT teknolojisi olmadan küçük robotlu raf yükleme başarı oranı"},"measure":{"aggregation":"rate","frequency":"irregular","geography":"world","id":"ntt-shelf-loading-success-rate-without","periodRole":"announcement-date","unitCode":"percent"},"period":"2026-11-11","unit":"percent","value":73.1,"valueQualifier":"exact"},{"basis":"observed","label":{"ar":"معدل نجاح تحميل الرف بالروبوت الصغير باستخدام تقنية NTT","de":"Erfolgsquote beim Regalstapeln mit NTT-Technologie","en":"Small-robot shelf-loading success rate with NTT technology","es":"Tasa de éxito de carga en estantería con tecnología NTT","fr":"Taux de réussite du chargement d’étagère avec la technologie NTT","pt":"Taxa de sucesso no carregamento da prateleira com a tecnologia da NTT","tr":"NTT teknolojisiyle küçük robotlu raf yükleme başarı oranı"},"measure":{"aggregation":"rate","frequency":"irregular","geography":"world","id":"ntt-shelf-loading-success-rate-with","periodRole":"announcement-date","unitCode":"percent"},"period":"2026-11-11","unit":"percent","value":92.3,"valueQualifier":"exact"}],"methodology":{"ar":"تورد NTT معدلي نجاح المهمة دون التقنية وباستخدامها، ولا تكشف عدد التجارب أو معيار النجاح أو التباين. 92.3 ناقص 73.1 يساوي 19.2 نقطة مئوية. وقسمة 19.2 على 73.1 تعطي زيادة نسبية تقارب 26.3 في المئة. تعتمد الحسابات على قيم الشركة المقربة وليست قياسات منفصلة.","de":"NTT meldet Erfolgsquoten mit und ohne Technologie, nennt aber weder Versuchszahl noch Erfolgskriterium oder Streuung. 92,3 minus 73,1 ergibt 19,2 Prozentpunkte. 19,2 geteilt durch 73,1 entspricht einem relativen Anstieg von rund 26,3 Prozent. Die Berechnungen beruhen auf gerundeten Unternehmensangaben und sind keine zusätzlichen Messungen.","en":"NTT reports task success rates without and with its technology; it does not disclose the number of trials, success criterion or variability. 92.3 minus 73.1 equals 19.2 percentage points. 19.2 divided by 73.1 is about a 26.3 percent relative increase. These calculations use rounded company values and are not separate measurements.","es":"NTT informa las tasas de éxito con y sin su tecnología, pero no publica el número de pruebas, el criterio de éxito ni la variabilidad. 92,3 menos 73,1 son 19,2 puntos porcentuales. 19,2 dividido por 73,1 equivale a un aumento relativo aproximado del 26,3 %. Los cálculos usan valores redondeados de la empresa y no son mediciones independientes.","fr":"NTT rapporte les taux de réussite avec et sans sa technologie, sans publier le nombre d’essais, le critère de succès ni la variabilité. 92,3 moins 73,1 donne 19,2 points de pourcentage. 19,2 divisé par 73,1 correspond à une hausse relative d’environ 26,3 %. Ces calculs utilisent des valeurs arrondies de l’entreprise et ne sont pas des mesures distinctes.","pt":"A NTT informa as taxas de sucesso com e sem sua tecnologia, mas não divulga o número de testes, o critério de sucesso nem a variabilidade. 92,3 menos 73,1 são 19,2 pontos percentuais. 19,2 dividido por 73,1 equivale a um aumento relativo aproximado de 26,3%. Os cálculos usam valores arredondados da empresa e não são medições separadas.","tr":"NTT, görev başarısı oranını teknoloji olmadan ve teknolojiyle bildirdi; deneme sayısı, başarı ölçütü ve değişkenlik açıklanmadı. 92,3 eksi 73,1 eşittir 19,2 yüzde puan. 19,2 bölü 73,1 yaklaşık yüzde 26,3 göreli artış verir. Bu hesaplar yuvarlanmış şirket değerlerine dayanır ve ayrı ölçüm değildir."},"sourceUrls":["https://group.ntt/en/newsrelease/2026/11/11/261111b.html"],"title":{"ar":"معدلات نجاح محاكاة تحميل الرف","de":"Erfolgsquoten der Regalladesimulation","en":"Shelf-loading simulation success rates","es":"Tasas de éxito de la simulación de carga en estantería","fr":"Taux de réussite de la simulation de chargement d’étagère","pt":"Taxas de sucesso da simulação de carregamento em prateleira","tr":"Raf yükleme simülasyonu başarı oranları"},"type":"metrics","updatedAt":"2026-11-12T06:05:54+03:00"},{"columns":[{"key":"model_name","label":{"ar":"النموذج","de":"Modell","en":"Model","es":"Modelo","fr":"Modèle","pt":"Modelo","tr":"Model adı"},"language":"en","type":"text"},{"key":"model_class","label":{"ar":"نوع النموذج","de":"Modelltyp","en":"Model type","es":"Tipo de modelo","fr":"Type de modèle","pt":"Tipo de modelo","tr":"Model türü"},"language":"en","type":"text"},{"key":"reported_score","label":{"ar":"درجة LPIPS المعلنة مضروبة في 100","de":"Gemeldeter LPIPS-x100-Wert","en":"Reported LPIPS x100 score","es":"Puntuación LPIPS x100 publicada","fr":"Score LPIPS x100 publié","pt":"Pontuação LPIPS x100 informada","tr":"Bildirilen LPIPS x100 skoru"},"language":"en","type":"text"}],"description":{"ar":"درجات النماذج الواردة في جدول NTT. والقيمة الأقل في LPIPS أفضل.","de":"Modellwerte aus der von NTT veröffentlichten Tabelle. Ein niedrigerer LPIPS-Wert ist besser.","en":"Model scores shown in NTT’s published table. Lower LPIPS is better.","es":"Puntuaciones de modelos incluidas en la tabla de NTT. Un LPIPS menor es mejor.","fr":"Scores des modèles présentés dans le tableau publié par NTT. Un LPIPS plus faible est préférable.","pt":"Pontuações dos modelos na tabela publicada pela NTT. Valores menores de LPIPS são melhores.","tr":"NTT’nin yayımladığı tabloda gösterilen model skorları. LPIPS’te düşük değer daha iyidir."},"id":"obj3d-video-benchmark-lpips","methodology":{"ar":"يعرض جدول NTT قيم LPIPS مضروبة في 100، والدرجة الأقل أفضل. وتحفظ خلايا الدرجات القيم المنشورة 7.81 و7.92 و21.90 مع بيان المقياس. ولا يقدم البيان فترات عدم يقين أو مقارنة مباشرة بين بروتوكولي NTT وOCK.","de":"NTTs Tabelle 1 multipliziert LPIPS mit 100; niedrigere Werte sind besser. Die Zellen bewahren die veröffentlichten Werte 7,81, 7,92 und 21,90 samt Skalenangabe. Die Mitteilung enthält weder Unsicherheitsintervalle noch einen direkten Protokollvergleich zwischen NTT und OCK.","en":"NTT’s Table 1 reports LPIPS multiplied by 100, with lower scores better. Score cells preserve the published values 7.81, 7.92 and 21.90 with the scale label. The release gives no uncertainty intervals or direct protocol comparison between NTT and OCK.","es":"La Tabla 1 de NTT multiplica LPIPS por 100 y un valor menor es mejor. Las celdas conservan las cifras publicadas 7,81, 7,92 y 21,90 con la escala indicada. El comunicado no ofrece intervalos de incertidumbre ni una comparación directa de los protocolos de NTT y OCK.","fr":"Le tableau 1 de NTT multiplie le LPIPS par 100, un score plus faible étant préférable. Les cellules conservent les valeurs publiées 7,81, 7,92 et 21,90 avec l’échelle indiquée. Le communiqué ne donne ni intervalle d’incertitude ni comparaison directe des protocoles NTT et OCK.","pt":"A Tabela 1 da NTT multiplica o LPIPS por 100, e valores menores são melhores. As células preservam os valores publicados 7,81, 7,92 e 21,90 com a escala indicada. O comunicado não fornece intervalos de incerteza nem comparação direta entre os protocolos da NTT e do OCK.","tr":"NTT’nin Tablo 1’i LPIPS değerlerini 100 ile çarpılmış biçimde verir ve düşük skor daha iyidir. Skor hücreleri yayımlanan 7,81, 7,92 ve 21,90 değerlerini birim açıklamasıyla aynen korur. Duyuru belirsizlik aralığı veya NTT ile OCK protokollerinin doğrudan karşılaştırmasını vermiyor."},"rowTranslations":[{"model_class":{"ar":"نموذج الشركة","de":"Unternehmensmodell","en":"Company model","es":"Modelo de la empresa","fr":"Modèle de l’entreprise","pt":"Modelo da empresa","tr":"Şirket modeli"},"model_name":{"ar":"نموذج NTT للعالم","de":"NTT-Weltmodell","en":"NTT world model","es":"modelo del mundo de NTT","fr":"modèle du monde de NTT","pt":"modelo de mundo da NTT","tr":"NTT dünya modeli"}},{"model_class":{"ar":"نموذج أكاديمي استشهدت به NTT","de":"Von NTT zitierter akademischer Ansatz","en":"Academic model cited by NTT","es":"Modelo académico citado por NTT","fr":"Modèle académique cité par NTT","pt":"Modelo acadêmico citado pela NTT","tr":"NTT’nin atıf yaptığı akademik model"},"model_name":{"ar":"OCK","de":"OCK","en":"OCK","es":"OCK","fr":"OCK","pt":"OCK","tr":"OCK"}},{"model_class":{"ar":"نموذج تجاري لتوليد الفيديو","de":"Kommerzielles Videogenerierungsmodell","en":"Commercial video generation model","es":"Modelo comercial de generación de vídeo","fr":"Modèle commercial de génération vidéo","pt":"Modelo comercial de geração de vídeo","tr":"Ticari video üretim modeli"},"model_name":{"ar":"NVIDIA Cosmos Predict 2.5","de":"NVIDIA Cosmos Predict 2.5","en":"NVIDIA Cosmos Predict 2.5","es":"NVIDIA Cosmos Predict 2.5","fr":"NVIDIA Cosmos Predict 2.5","pt":"NVIDIA Cosmos Predict 2.5","tr":"NVIDIA Cosmos Predict 2.5"}}],"rows":[{"model_class":"Company model","model_name":"NTT world model","reported_score":"7.81 LPIPS x100"},{"model_class":"Academic model cited by NTT","model_name":"OCK","reported_score":"7.92 LPIPS x100"},{"model_class":"Commercial video generation model","model_name":"NVIDIA Cosmos Predict 2.5","reported_score":"21.90 LPIPS x100"}],"sourceUrls":["https://group.ntt/en/newsrelease/2026/11/11/261111b.html","https://openaccess.thecvf.com/content/ICCV2025/papers/Song_OCK_Unsupervised_Dynamic_Video_Prediction_with_Object-Centric_Kinematics_ICCV_2025_paper.pdf"],"title":{"ar":"مقارنة LPIPS على اختبار الفيديو OBJ3D","de":"LPIPS-Vergleich im OBJ3D-Videobenchmark","en":"OBJ3D video benchmark LPIPS comparison","es":"Comparación LPIPS en el benchmark de vídeo OBJ3D","fr":"Comparaison LPIPS sur le benchmark vidéo OBJ3D","pt":"Comparação LPIPS no benchmark de vídeo OBJ3D","tr":"OBJ3D video benchmark LPIPS karşılaştırması"},"type":"table","updatedAt":"2026-11-12T06:05:54+03:00"}],"version":1},"data_downloads":[{"formats":{"csv":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11/data/shelf-loading-task-success-rate?lang=fr&format=csv","json":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11/data/shelf-loading-task-success-rate?lang=fr&format=json"},"id":"shelf-loading-task-success-rate"},{"formats":{"csv":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11/data/obj3d-video-benchmark-lpips?lang=fr&format=csv","json":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11/data/obj3d-video-benchmark-lpips?lang=fr&format=json"},"id":"obj3d-video-benchmark-lpips"}],"data_types":["metrics","table"],"editorial_illustration":{"alt":"Illustration conceptuelle de la technologie, des processeurs et des informations connectées.","asset_id":"newsverum-v1-technology","avif_variants":[{"height":320,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-480.avif","width":480},{"height":480,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-720.avif","width":720},{"height":640,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-960.avif","width":960},{"height":800,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-1200.avif","width":1200},{"height":1024,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-1536.avif","width":1536}],"caption":null,"credit":"Newsverum","documentary":false,"height":1024,"kind":"symbolic-editorial-illustration","language":"fr","scope":"topic","url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-1536.webp","variants":[{"height":320,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-480.webp","width":480},{"height":640,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-960.webp","width":960},{"height":1024,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-1536.webp","width":1536}],"width":1536},"event_id":"event-422c5316-ef7a-5c6d-af93-a203aa3e8195","event_period":"2026-11-11","event_period_basis":"event-or-reference-period","id":"ntt-robot-physical-ai-shelf-loading-test-2026-11-11","image":null,"importance":0.6,"language":"fr","modified_at":"2026-11-12T03:09:09+00:00","publication_basis":"publication-record","published_at":"2026-11-12T03:09:09+00:00","reading_minutes":5,"region":"world","relations":[],"section_illustration":{"alt":"Illustration conceptuelle de la technologie, des processeurs et des informations connectées.","asset_id":"newsverum-v1-technology","avif_variants":[{"height":320,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-480.avif","width":480},{"height":480,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-720.avif","width":720},{"height":640,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-960.avif","width":960},{"height":800,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-1200.avif","width":1200},{"height":1024,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-1536.avif","width":1536}],"caption":null,"credit":"Newsverum","documentary":false,"height":1024,"kind":"symbolic-editorial-illustration","language":"fr","scope":"section","url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-1536.webp","variants":[{"height":320,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-480.webp","width":480},{"height":640,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-960.webp","width":960},{"height":1024,"url":"https://newsverum.com/assets/newsverum/illustrations/v1/technology-1536.webp","width":1536}],"width":1536},"slug":"ntt-robot-physical-ai-shelf-loading-test-2026-11-11","sources":[{"checkedAt":"2026-11-12","name":"NTT, NTT Develops Physical AI Technology That Predicts the Future Before Robots Move to Prevent Failures","publishedAt":"2026-11-11","url":"https://group.ntt/en/newsrelease/2026/11/11/261111b.html"},{"checkedAt":"2026-11-12","name":"Computer Vision Foundation, OCK: Unsupervised Dynamic Video Prediction with Object-Centric Kinematics, ICCV 2025 paper","url":"https://openaccess.thecvf.com/content/ICCV2025/papers/Song_OCK_Unsupervised_Dynamic_Video_Prediction_with_Object-Centric_Kinematics_ICCV_2025_paper.pdf"},{"checkedAt":"2026-11-12","name":"Computer Vision Foundation, OCK supplementary material","url":"https://openaccess.thecvf.com/content/ICCV2025/supplemental/Song_OCK_Unsupervised_Dynamic_ICCV_2025_supplemental.pdf"}],"summary":"NTT affirme qu’un modèle fondé sur la physique a fait passer de 73,1 % à 92,3 % la réussite d’une simulation de chargement par petit robot. Les essais avec Mujin restent prévus et aucun déploiement commercial n’est annoncé.","text":"NTT affirme qu’un modèle fondé sur la physique a fait passer de 73,1 % à 92,3 % la réussite d’une simulation de chargement par petit robot. Les essais avec Mujin restent prévus et aucun déploiement commercial n’est annoncé.\n\nLe 11 novembre, NTT a déclaré qu’un modèle du monde fondé sur la physique avait fait passer de 73,1 % à 92,3 % le taux de réussite d’une tâche de chargement d’étagère réalisée par un petit robot. La tâche simulait l’empilement d’objets et comparait, selon l’entreprise, l’usage de la technologie avec son absence. NTT a aussi publié un score LPIPS inférieur à celui de deux systèmes de référence sur le benchmark vidéo OBJ3D. Le premier usage envisagé concerne les bagages d’aéroport, mais les essais sur le terrain avec la société de robotique Mujin restent à venir. Le communiqué ne fait état d’aucun déploiement commercial.\n\nLe système est conçu pour examiner plusieurs actions possibles avant que le robot ne bouge. NTT indique que son modèle estime à partir de la vidéo la position, l’orientation, la vitesse et la masse des objets, puis utilise les équations du mouvement pour prévoir leurs déplacements et interactions. Un adaptateur de contrôle physique développé par l’entreprise relie ces calculs à un modèle de génération vidéo. Pour chaque action proposée par le logiciel de contrôle existant, le système produit une scène future possible et évalue des résultats comme une collision, la chute d’un objet ou l’effondrement d’une pile. Il complète un contrôleur existant et ne démontre pas que des robots peuvent fonctionner sans supervision en toute sécurité.\n\nLe résultat de chargement d’étagère est notable, mais le gain absolu est plus parlant qu’une affirmation générale selon laquelle le robot serait devenu meilleur au travail. Le taux de réussite rapporté augmente de 19,2 points de pourcentage, calculés par 92,3 moins 73,1. Par rapport au taux de départ, la hausse est d’environ 26,3 %, soit 19,2 divisés par 73,1. Ces deux calculs utilisent les valeurs arrondies publiées par NTT. L’entreprise ne précise ni le nombre d’essais, ni la définition du succès, ni les variations d’objets ou de conditions initiales, ni l’écart entre les répétitions. Le communiqué ne fournit pas d’intervalle d’incertitude.\n\nLe tableau 1 de NTT apporte des détails sur un autre test de prédiction. Il donne un score LPIPS multiplié par 100 de 7,81 pour le modèle NTT, de 7,92 pour OCK, un modèle académique, et de 21,90 pour NVIDIA Cosmos Predict 2.5, un modèle commercial de génération vidéo. Un score LPIPS plus faible est préférable. La valeur de NTT est inférieure de 0,11 à celle d’OCK, soit environ 1,4 % par rapport à 7,92. Ce calcul décrit uniquement les valeurs affichées. Le communiqué ne donne aucun intervalle statistique ni comparaison de protocole qui permettrait d’établir que le faible écart se maintient dans d’autres conditions.\n\nLe benchmark doit être replacé dans son contexte. Un article ICCV de 2025 signé Yeon-Ji Song et ses coauteurs décrit OBJ3D comme un jeu de données synthétiques avec des objets rigides dans des scènes grises neutres, comprenant 2 920 séquences d’entraînement et 200 de test. Il vise à examiner la géométrie des objets et des interactions comme les collisions. NTT dit avoir évalué son modèle sur le benchmark public OBJ3D, sans préciser si elle a utilisé le même découpage des données, le même protocole de test ou le même entraînement que l’article OCK. Le résultat mesure donc la prédiction vidéo dans un benchmark contrôlé, pas la manutention de bagages dans un véritable aéroport.\n\nLa différence technique mise en avant par NTT est la représentation explicite de l’état physique. Un modèle vidéo peut produire des images plausibles tout en manquant les forces ou le mouvement qui feront basculer une charge. Selon NTT, son adaptateur représente la masse et le mouvement et applique les équations du mouvement pour générer des futurs possibles. Cette approche pourrait aider un robot à écarter un plan risqué avant d’agir, notamment lorsque chaque valise ou carton diffère. Le communiqué ne précise ni latence, ni configuration matérielle, ni mémoire nécessaire, ni test de sécurité. Il ne démontre donc pas que ces calculs sont assez rapides et fiables dans un entrepôt en activité.\n\nNTT présente la manutention des bagages et des colis comme une application visée et prévoit des essais sur le terrain avec Mujin. Elle indique aussi que la technologie doit être présentée au forum R&D 2026 de NTT. Ce sont des étapes de développement, pas la preuve que des exploitants d’aéroport ont choisi ou installé le système, ou mesuré une économie de main-d’œuvre. Le communiqué ne cite aucun client, budget, date d’installation, objectif de débit, taux d’erreur en conditions réelles ou prix. Passer d’un empilement simulé à des bagages variés sur un tapis ou dans une zone de fret exige des essais avec éclairage changeant, occultations, mouvements de convoyeur et présence humaine.\n\nL’annonce se lit au mieux comme une étape de recherche assortie d’un résultat concret mais étroit. La tâche robotisée suggère un usage opérationnel possible, tandis qu’OBJ3D offre un contrôle distinct de la qualité des vidéos prédites. Aucun des deux résultats ne démontre à lui seul une fiabilité générale dans la logistique, la fabrication ou le commerce de détail, secteurs que NTT cite pour une éventuelle extension. Avant un déploiement, les décideurs auraient besoin d’essais répétés, d’une définition transparente de la réussite, de contrôles de sécurité, de mesures sur des objets nouveaux et d’une comparaison du système complet avec les solutions existantes. NTT a décrit la voie vers ces essais, pas leur résultat.","title":"NTT annonce 92,3 % de réussite pour un test robotisé, avant les essais sur le terrain","topics":[],"translations":[{"api_url":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11?lang=tr","language":"tr","url":"https://newsverum.com/tr/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11"},{"api_url":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11?lang=en","language":"en","url":"https://newsverum.com/en/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11"},{"api_url":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11?lang=ar","language":"ar","url":"https://newsverum.com/ar/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11"},{"api_url":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11?lang=fr","language":"fr","url":"https://newsverum.com/fr/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11"},{"api_url":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11?lang=es","language":"es","url":"https://newsverum.com/es/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11"},{"api_url":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11?lang=de","language":"de","url":"https://newsverum.com/de/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11"},{"api_url":"https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11?lang=pt","language":"pt","url":"https://newsverum.com/pt/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11"}],"url":"https://newsverum.com/fr/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11"},"version":"1"}
