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

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.