# AWS réinvente la gestion robotique avec Strands Robots

> AWS présente une boucle robotique où Strands Robots enregistre des démonstrations LeRobot, les synchronise dans un bucket et les diffuse depuis le Hub.

Type : Actualité IA · Catégorie : Outils · Publié le 2026-08-14 · Signal IA - Order & Chaos · Secteur : Industrie
Source : https://www.orderchaos.eu/signal-ia/actu/aws-unifie-robots-et-donnees-avec-strands-robots
Tags : aws, strands robots, lerobot, hugging face, robotique, open-source, inference

---

## En résumé

- Strands Robots utilise un même objet Robot() pour enregistrer un dataset LeRobot, le relire en streaming et déployer une politique.
- Les Hugging Face Storage Buckets synchronisent uniquement les octets modifiés et servent de stockage de travail non versionné.
- La simulation fonctionne avec une politique factice, tandis que le matériel, l'inférence VLA et l'entraînement nécessitent des dépendances et GPU supplémentaires.

**Le signal :** Le format LeRobot est déjà utilisé par plus de 90 000 datasets et modèles sur le Hub.

## AWS unifie la boucle robotique

AWS présente une méthode pour enregistrer, entraîner et déployer une politique robotique depuis un même flux de données avec Strands Robots, LeRobot et Hugging Face Storage Buckets. Décrit par Sundar Raghavan, Steven Palma, Cagatay Cali, Arron et Yin Song dans un article publié le 13 août 2026, ce parcours fait circuler les démonstrations depuis le robot jusqu'à la politique déployée, sans changer le format de données LeRobot.

[Strands Robots](/signal-ia/actu/aws-etend-lobservabilite-des-agents-ia-multi-cloud) est un SDK open source d'AWS sous licence Apache 2.0. Il expose des abstractions robotiques, la simulation et la pile LeRobot sous forme d'AgentTools composables dans un agent Strands. La fabrique `Robot()` peut résoudre différents bras, humanoïdes, bases mobiles et mains à partir d'un registre. Le format LeRobot est déjà utilisé par plus de 90 000 jeux de données et modèles sur le Hub, provenant de plus de 8 000 éditeurs, selon LeRobot Project Pulse.

## Les Storage Buckets limitent les transferts

L'article utilise les Hugging Face Storage Buckets, un type de dépôt objet mutable, non versionné et fondé sur Xet, annoncé en mars 2026. Installé dans le même espace de noms `hf://` que les dépôts de jeux de données, il se manipule avec le CLI `hf`. Le bucket sert de couche de travail entre l'enregistrement et l'entraînement: chaque synchronisation n'envoie que les octets modifiés, au lieu de recopier l'ensemble des données à chaque étape.

Le problème visé apparaît lorsque la collecte se répète quotidiennement. Les enregistrements grossissent, chaque entraînement peut recopier le jeu de données complet vers les GPU, tandis que les nouveaux checkpoints sont transférés et que les nouvelles démonstrations reviennent. L'agent doit alors décider quels épisodes conserver, quand réenregistrer une scène, si un lot suffit pour entraîner et quel checkpoint doit remplacer celui installé sur le bras.

## LeRobot diffuse les données sans copie

Le flux proposé commence par une commande en langage naturel qui demande à l'agent d'enregistrer une démonstration dans un `LeRobotDataset`, puis de la synchroniser dans un bucket. Le même objet `Robot()` peut ensuite lire ce dataset image par image depuis le Hub, décoder la vidéo à la volée et alimenter un dataloader, sans téléchargement complet ni copie locale. Une politique entraînée est enfin déployée sur ce même robot avec le changement d'argument `mode="real"`.

Le parcours minimal fonctionne en simulation sur Linux ou macOS, avec Python 3.12 ou plus récent, notamment sur Apple Silicon pour le backend MuJoCo. Cette configuration utilise toutefois une politique simulée: elle produit un dataset valide, mais pas une politique utile. Les parcours avancés nécessitent un compte Hugging Face avec permission d'écriture, le CLI `hf`, un robot LeRobot compatible, et un [GPU NVIDIA](/signal-ia/actu/nvidia-lance-cosmos-h-dreams-pour-simuler-la-chirurgie-en-temps-reel) pour l'inférence VLA locale. L'entraînement à l'échelle demande aussi `lerobot[training]` et un cluster GPU lisant les données depuis le Hub.
Pour aller plus loin, consultez notre guide sur [déployer un chatbot IA pour le service client](/signal-ia/guides/chatbot-ia-service-client-pme-2026).
Pour aller plus loin, consultez notre guide sur [l'analyse prédictive IA pour les ventes PME](/signal-ia/guides/ia-analyse-predictive-ventes-pme-2026).