Une nouvelle ère pour la robotique s’ouvre avec la sortie récente de LeRobot, un nouveau cadre open source développé par Hugging Face en collaboration avec l’équipe de l’Université d’Oxford. Baptisé par la communauté « le PyTorch de la robotique », LeRobot vise à devenir une plateforme centrale pour l’ensemble du stack technologique robotique, en permettant une intégration complète et fluide entre données, modèles et matériel. Conçu pour tirer parti de grandes quantités de données multimodales — textes, vidéos, capteurs — LeRobot facilite l’apprentissage data-driven des robots, marquant une transition décisive par rapport aux méthodes traditionnelles basées sur des équations et des modèles préétablis. Il est compatible avec une large gamme de plateformes robotiques, notamment des bras mécaniques comme SO-100 ou ALOHA-2, des bras humanoïdes, ainsi que des données simulées et des jeux de données issus de véhicules autonomes. Cette polyvalence permet une extension rapide à de nouveaux systèmes grâce à une méthode unifiée de configuration et d’accès aux données. L’un des piliers de LeRobot est LeRobotDataset, un format de données standardisé spécifiquement conçu pour les besoins de l’apprentissage robotique. Ce format intègre non seulement les données brutes (images, états du robot, séries temporelles), mais aussi des métadonnées essentielles : descriptions textuelles des tâches, type de robot utilisé, fréquence d’échantillonnage, et contexte d’acquisition. Grâce à cette structure, LeRobotDataset offre une interface unifiée pour gérer des données multimodales et temporelles, tout en s’intégrant seamlessment à PyTorch et à l’écosystème Hugging Face. Il est également extensible, permettant aux utilisateurs de l’adapter à leurs propres besoins ou d’exploiter des jeux de données publics existants. LeRobot ne se limite pas à la gestion des données. Il intègre aussi des implémentations efficaces de nombreux algorithmes d’apprentissage, notamment dans le domaine de l’apprentissage par imitation, de l’apprentissage par renforcement (RL) et des modèles visio-langage-action. Il propose un stack d’inférence personnalisé, qui déconnecte clairement la planification des actions de leur exécution, offrant ainsi plus de flexibilité et de modularité. Des fonctionnalités avancées de suivi d’expériences et de gestion de versions sont également intégrées, facilitant la reproduction et l’optimisation des modèles. Selon la publication scientifique associée (arXiv:2510.12403), la robotique est aujourd’hui à un tournant. Les progrès rapides de l’intelligence artificielle, combinés à la disponibilité croissante de grandes bases de données robotiques, ouvrent la voie à des modèles généraux, conditionnés par le langage, capables de s’adapter à de nombreuses tâches et à divers robots sans re-entraînement complet. Des modèles comme π0 (Physical Intelligence) ou SmolVLA illustrent cette tendance, en exploitant des réseaux pré-entraînés et des méthodes génératives comme le flow matching pour atteindre une généralisation inter-tâches et inter-plateformes. En somme, LeRobot n’est pas seulement un outil technique : c’est une initiative stratégique visant à démocratiser la robotique. En réduisant le besoin de recréer des composants de base, en permettant à des développeurs, chercheurs et passionnés d’entraîner et de déployer des stratégies robotiques en quelques lignes de code, il accélère la transition de la robotique d’un domaine coûteux et spécialisé vers une technologie accessible, généralisable et évolutive. LeRobot pourrait bien être le catalyseur d’un avenir où les robots deviennent non plus des machines sur mesure, mais des assistants intelligents, partagés, et capables d’apprendre de manière autonome.