Roboto remet les données robotiques au centre du débat ROS. Dans un message publié sur Open Robotics Discourse, l’entreprise détaille Roboto Agents, une couche d’analyse qui promet de lire des rosbags, des fichiers MCAP, des vidéos et du code pour aider les équipes à trier les incidents, trouver des causes racines et constituer des jeux de données exploitables.
Le sujet peut sembler moins spectaculaire qu’un nouvel humanoïde, mais il touche un point très concret de la robotique en production : les robots génèrent énormément de journaux, souvent consultés seulement après une panne. Roboto résume ce problème par une formule simple : beaucoup de bags sont écrits une fois, puis rarement relus avant qu’un incident oblige l’équipe à fouiller.
Du bag ROS au ticket d’incident
Selon la présentation publiée le 17 août, Roboto Agents peut examiner automatiquement un nouveau bag, vérifier des modes de panne, poser des étiquettes et ouvrir un ticket documenté dans des outils comme Linear, GitLab ou Jira. L’objectif annoncé n’est pas de remplacer l’ingénieur qui valide le diagnostic, mais de réduire le temps perdu à rejouer manuellement des traces longues et multimodales.
La brique couvre aussi l’analyse de cause racine. Dans le cas d’un vol de drone ou d’un robot mobile qui échoue sur le terrain, l’agent peut rapprocher les signaux enregistrés, les images, les événements annotés et le code source afin de proposer une explication et, dans certains cas, esquisser un correctif. C’est précisément le type de tâche où les équipes robotiques combinent aujourd’hui visualiseur, notebooks, tickets et discussions internes.
Des logs qui deviennent des données d’entraînement
Roboto insiste également sur la curation de données. Une requête comme « trouver les traversées d’escaliers des deux derniers mois » peut devenir une collection d’exemples issus de plusieurs bags, exportable vers des formats d’apprentissage, notamment LeRobot. Cette articulation entre incidents, recherche de motifs et datasets est importante : les flottes réelles ne produisent pas seulement des bugs, elles produisent aussi les cas limites dont les modèles de contrôle et de perception ont besoin.
La page officielle de Roboto présente la plateforme comme un moteur d’analyse pour la Physical AI, compatible avec ROS, PX4, MCAP, Parquet, JSON, CSV, journaux système et vidéos. L’entreprise met en avant des usages dans les drones, les véhicules autonomes et les dispositifs médicaux robotisés, avec des clients cités comme BRINC, ANYbotics, Telos Health et Moon Surgical.
Notre analyse
La promesse doit rester lue avec prudence : un agent qui explique une panne n’est utile que si ses preuves sont traçables et vérifiables par l’équipe responsable du robot. Dans les systèmes physiques, une mauvaise conclusion peut coûter plus cher qu’un diagnostic lent.
Mais la direction est claire. À mesure que les robots sortent du laboratoire, l’avantage ne vient plus seulement du matériel ou du modèle embarqué. Il vient aussi de la capacité à apprendre de chaque mission, à repérer les régressions et à transformer les logs en décisions d’ingénierie. Sur ce terrain, l’automatisation de l’analyse ROS et MCAP devient une brique d’exploitation, pas seulement un outil de confort.
