RobotiqueIEEE Spectrum AI · 21 mars 2026, 17:30· 2 min de lecture

Vidéo du vendredi : un robot humanoïde apprend à jouer au tennis face à des humains

Le monde de la robotique humanoïde franchit de nouvelles étapes spectaculaires cette semaine, avec deux démonstrations particulièrement marquantes. D'un côté, le système LATENT (Learns Athletic humanoid TEnnis skills from imperfect human motion daTa) parvient à reproduire des échanges de tennis face à de vrais joueurs humains, une prouesse que l'on croyait encore lointaine, compte tenu de la vitesse et de l'imprévisibilité inhérentes à ce sport. De l'autre, la startup Sharpa revendique être la première entreprise robotique à démontrer un robot capable d'éplucher une pomme avec deux mains dotées de doigts articulés.

Ces avancées illustrent un tournant dans la manipulation robotique dite contact-rich : là où les pinces industrielles classiques atteignent leurs limites, des mains à haute dextérité commencent à rivaliser avec la motricité humaine. L'enjeu dépasse le gadget, maîtriser la manipulation bimanuelle fine ouvre la voie à des applications en cuisine automatisée, en logistique, en chirurgie assistée et dans les environnements domestiques non structurés.

Le système de Sharpa repose sur une architecture baptisée MoDE-VLA (Mixture of Dexterous Experts), qui fusionne données visuelles, linguistiques, de force et tactiles via un ensemble de modules spécialisés. Plutôt que de téléopérer chaque doigt individuellement, ce qui s'avère quasi impossible en pratique, l'opérateur déclenche des primitives de mouvement pré-apprises (rotation d'objet, saisie précise) via une simple touche clavier. Cette approche de shared autonomy rend la collecte de données d'entraînement scalable et ouvre la voie à l'apprentissage par renforcement sur des tâches complexes. Côté tennis, LATENT contourne l'absence de données cinématiques parfaites en apprenant à partir de captures de mouvement imparfaites, une approche pragmatique qui pourrait s'appliquer bien au-delà du sport.

Parmi les autres développements notables de cette sélection hebdomadaire de l'IEEE Spectrum : le laboratoire KAIST DRCD Lab présente son humanoïde v0.7 entraîné par apprentissage profond par renforcement, NVIDIA Isaac Lab est cité pour son rôle dans l'entraînement de politiques de contrôle acrobatiques, et des chercheurs s'attaquent à la question croissante des déchets électroniques générés par l'essor même de la robotique, une mise en perspective bienvenue dans un secteur souvent peu enclin à l'autocritique.

Dans nos dossiers

Robots humanoïdes NVIDIA

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1Numerama

Ce robot humanoïde a appris à jouer au tennis en seulement quelques heures

Un robot humanoïde capable de maîtriser le tennis en quelques heures seulement, c'est le résultat surprenant du projet LATENT, développé par des chercheurs de l'université Tsinghua. La démonstration repose sur le robot G1 du fabricant Unitree, qui a appris à jouer au tennis à partir d'un volume de données remarquablement limité. L'enjeu dépasse largement le cadre sportif : l'un des principaux freins au déploiement des robots humanoïdes reste le coût et la complexité de leur entraînement. Obtenir des comportements fluides et adaptés à un environnement dynamique nécessite habituellement des milliers d'heures de données ou de simulation. LATENT remet en cause cette hypothèse en montrant qu'un apprentissage efficace est possible avec très peu de matière. Le secret du projet tient dans l'exploitation de seulement cinq heures de motion capture enregistrées sur des joueurs humains réels. Ces données de capture de mouvement servent de base pour entraîner le robot à reproduire et adapter les gestes du tennis, frappes, déplacements, coordination, dans un contexte réel. Le nom LATENT fait référence à l'approche d'apprentissage dans un espace latent, permettant une généralisation efficace malgré la rareté des exemples. Ce type de résultat illustre une tendance de fond dans la robotique humanoïde : l'université Tsinghua s'impose comme l'un des acteurs académiques les plus actifs dans ce domaine, aux côtés de laboratoires américains et de startups comme Figure ou Agility Robotics. Si l'approche data-efficient de LATENT se confirme à plus grande échelle, elle pourrait significativement accélérer l'apprentissage de nouvelles tâches pour des plateformes comme le G1 d'Unitree, dont le prix relativement accessible démocratise déjà la recherche en robotique humanoïde.

RobotiqueActu

1 source

2Le Big Data

Vidéo : ce robot humanoïde sprinte à une vitesse jamais vue

Le robot humanoïde H1 de la start-up chinoise Unitree Robotics a atteint une vitesse de 10,1 mètres par seconde lors d'un test de sprint filmé et publié le 11 avril 2026. La vidéo, diffusée sur le compte officiel d'Unitree, montre la machine traverser une piste d'athlétisme à pleine allure, maintenant une foulée stable et régulière sans rupture d'équilibre visible. Le H1 pèse environ 62 kg pour une longueur de jambe de 80 cm, des proportions proches d'un coureur humain de gabarit moyen. Unitree précise que le dispositif de mesure comporte une légère marge d'erreur, mais la démonstration reste spectaculaire et a largement dépassé les cercles spécialisés de la robotique. Cette performance place le H1 dans une catégorie inédite pour un robot à pattes bipèdes. À titre de comparaison, le record du monde du 100 mètres détenu par Usain Bolt depuis 2009 correspond à une vitesse de pointe d'environ 12,4 m/s. L'écart se resserre, ce qui alimente un débat sérieux sur la trajectoire d'amélioration de ces systèmes. Pour l'industrie, cela signifie que les robots humanoïdes ne sont plus cantonnés à des tâches lentes et contrôlées : la mobilité rapide ouvre des perspectives concrètes en logistique d'urgence, intervention en environnement hostile, ou assistance physique dans des contextes où la réactivité compte. Pour les ingénieurs et compétiteurs du secteur, c'est aussi un signal fort sur l'état de l'art accessible avec du matériel grand public, le H1 n'est pas un prototype de laboratoire confidentiel. Unitree s'est imposé ces dernières années comme l'un des acteurs les plus actifs de la robotique humanoïde abordable, face à des concurrents comme Boston Dynamics, Figure AI ou Agility Robotics. L'approche biomécanique du H1, qui s'inspire directement de l'anatomie humaine pour synchroniser articulations et moteurs, est au coeur de sa stratégie différenciante. La prochaine étape se profile déjà : le 19 avril 2026 se tient la deuxième édition du semi-marathon de robots humanoïdes, un événement qui devrait réunir plusieurs machines en compétition directe sur la même ligne de départ. Les analystes anticipent un niveau de concurrence nettement supérieur à la première édition, ce qui pourrait à nouveau repousser les limites connues de vitesse et d'endurance pour ce type de système. La question n'est plus de savoir si les robots peuvent courir vite, mais jusqu'où cette courbe de progression va s'accélérer.

RobotiqueActu

1 source

3Le Big Data

Unitree : cette IA apprend aux robots humanoïdes à gérer seuls les tâches du quotidien

Il y a environ 40 mètres d'écart entre le titre du poste et le sujet réel : c'est un article, pas une tâche de code. Je le résume directement. Unitree a dévoilé un nouveau modèle d'intelligence artificielle baptisé UnifoLM-OminiA-0.3, destiné à ses robots humanoïdes. Contrairement à l'approche classique qui consiste à entraîner un robot pour chaque tâche spécifique, ce modèle unique gère simultanément de nombreux scénarios différents. Il combine en temps réel plusieurs sources d'information : l'analyse visuelle via les caméras, la compréhension des commandes vocales et l'interprétation de l'environnement. Unitree qualifie cette approche d'interaction « omni-modale », c'est-à-dire une intelligence capable de traiter plusieurs types de données à la fois pour prendre la meilleure décision possible. Une vidéo de démonstration d'environ deux minutes illustre ces capacités : le robot identifie un coussin mal placé et le repositionne, récupère une boîte de médicaments précise en tenant compte de sa couleur et de son emplacement, range des vêtements dans une panière, place des assiettes dans un lave-vaisselle, et contrôle un lit médicalisé tout en s'arrêtant immédiatement sur commande vocale. Ce qui distingue cette annonce des précédentes démonstrations robotiques, ce n'est pas la nature des tâches elles-mêmes, déjà réalisées par d'autres machines en environnement contrôlé, mais la capacité du modèle à enchaîner plusieurs opérations en comprenant le contexte global, sans reprogrammation entre chaque étape. Un robot équipé de ce système ne se contente plus de chercher un objet à saisir : il identifie ses caractéristiques précises, planifie son geste, puis ajuste sa trajectoire si un obstacle survient en cours de route. Pour l'industrie de la robotique domestique et de service, cette avancée représente un pas vers des machines réellement utilisables au quotidien, capables de s'adapter à des environnements changeants plutôt que de répéter des séquences figées apprises à l'avance. Unitree met également en avant la robustesse de son système, censé maintenir une exécution stable même lorsqu'un élément extérieur perturbe le robot en pleine action. Cette annonce s'inscrit dans une course plus large que se livrent les fabricants de robots humanoïdes pour doter leurs machines d'une véritable autonomie décisionnelle, un enjeu central pour transformer des prototypes spectaculaires en produits réellement déployables chez les particuliers ou en entreprise. Unitree, fabricant chinois déjà reconnu pour ses robots quadrupèdes et humanoïdes à prix relativement accessibles, cherche ainsi à se distinguer sur le terrain de l'intelligence embarquée plutôt que sur la seule mécanique. L'enjeu des mois à venir sera de vérifier si ces capacités tiennent leurs promesses hors des vidéos de démonstration, dans des environnements domestiques réels bien plus imprévisibles, avec des objets, des obstacles et des demandes humaines qui ne suivent aucun script préétabli.

RobotiqueActu

1 source

4arXiv cs.RO

Un robot humanoïde joue au badminton grâce à l'apprentissage par renforcement multi-étapes

Des chercheurs ont présenté un système de badminton pour robots humanoïdes entièrement piloté par apprentissage par renforcement, sans recours à des démonstrations d'experts ni à des référentiels de mouvement préenregistrés. Le pipeline d'entraînement, décrit dans un article soumis sur arXiv (arXiv:2511.11218), repose sur un curriculum en trois étapes : acquisition des déplacements de jambes, génération de frappes guidée par la précision, puis raffinement centré sur la tâche. En simulation, deux robots humanoïdes ont maintenu un échange de 21 coups consécutifs. Sur matériel réel, face à une machine lance-volants et à des adversaires humains, le robot a atteint des vitesses de volant en sortie de raquette allant jusqu'à 19,1 mètres par seconde, avec une distance d'atterrissage moyenne des retours de 4 mètres. Cette démonstration marque un cap dans la robotique des interactions dynamiques. Jusqu'ici, les robots humanoïdes excellaient dans des environnements statiques, locomotion, manipulation d'objets posés, mais échouaient face à des objets rapides et imprévisibles. Coordonner bras et jambes en temps réel pour intercepter et renvoyer un volant relève d'une difficulté qualitativement différente : le robot doit anticiper, se positionner et frapper avec précision en une fraction de seconde. Ce système unifié, qui pilote simultanément le bas et le haut du corps pour servir l'objectif de frappe, constitue une avancée directement applicable à d'autres tâches critiques en dynamique, comme la manipulation d'objets projetés ou les interactions physiques en environnement industriel. Pour déployer ce contrôleur sur robot réel, les chercheurs ont intégré un filtre de Kalman étendu (EKF) chargé d'estimer et de prédire la trajectoire du volant. Ils ont également développé une variante sans prédiction explicite, qui supprime l'EKF tout en atteignant des performances comparables, ce qui suggère que le réseau de neurones internalise lui-même une forme d'anticipation. Cette approche s'inscrit dans une tendance de fond : former des comportements moteurs complexes uniquement en simulation, puis les transférer sur hardware (sim-to-real transfer), sans nécessiter de données humaines coûteuses. Les résultats ouvrent la voie à des robots capables d'interactions physiques rapides et précises dans des contextes jusqu'ici réservés à l'humain.

RobotiqueOpinion

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic