RobotiquePresse-citron12sem· 2 min de lecture

Pourquoi la plupart des robots humanoïdes sont en difficulté face aux tâches simples ?

Les robots humanoïdes de dernière génération peuvent exécuter des sauts périlleux, enchaîner des prises de combat ou sprinter sur terrain accidenté — des performances qui impressionnent les foules sur les vidéos virales de Boston Dynamics, Figure AI ou Tesla Optimus. Pourtant, ces mêmes machines échouent régulièrement devant une poignée de porte, un emballage plastique ou un fruit à éplucher. Ce paradoxe apparent est en réalité l'un des défis fondamentaux de la robotique moderne.

Ce phénomène porte un nom dans la communauté scientifique : le paradoxe de Moravec. Formulé dans les années 1980 par le chercheur Hans Moravec, il stipule que les tâches considérées comme "simples" par un humain — percevoir, saisir, manipuler des objets du quotidien — sont en réalité computationnellement extrêmement complexes pour une machine. À l'inverse, les calculs et les mouvements reproductibles à haute vitesse, difficiles pour les humains, sont précisément ce que les ordinateurs et les actionneurs maîtrisent le mieux. L'enjeu est colossal pour une industrie qui ambitionne de déployer des robots dans les usines, les entrepôts et les foyers.

La distinction technique est claire : un sprint ou un salto peut être pré-programmé sous forme de trajectoire optimisée — le robot reproduit une séquence fixe avec une précision mécanique. Éplucher une orange, en revanche, exige une perception tactile en temps réel, une estimation continue de la force exercée, une adaptation permanente à la forme irrégulière du fruit, et une compréhension contextuelle de l'objet. Les capteurs de pression embarqués restent loin de la sensibilité des 70 000 récepteurs nerveux présents dans la main humaine. Des entreprises comme Sanctuary AI ou Apptronik investissent massivement dans des mains robotiques à retour haptique, mais les progrès restent graduels.

La vague actuelle de modèles d'IA générative et d'apprentissage par renforcement ouvre de nouvelles perspectives : des laboratoires comme Physical Intelligence (Pi) ou Google DeepMind entraînent des robots à généraliser des gestes à partir de millions d'exemples simulés. Les résultats sont prometteurs — un robot peut désormais apprendre à plier du linge ou à déboucher une bouteille sans programmation explicite — mais la robustesse en environnement réel demeure insuffisante pour un déploiement à grande échelle. Le consensus industriel table sur 2027-2030 avant que les robots humanoïdes puissent gérer de façon fiable les manipulations fines du quotidien.

Dans nos dossiers

Google DeepMind Robots humanoïdes

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

1Le Big Data

Guerre en Ukraine : les robots humanoïdes soldats sont arrivés au front

Deux robots humanoïdes Phantom MK-1, développés par une start-up américaine, ont été déployés en Ukraine en février 2026 pour des missions de reconnaissance en première ligne — premier test grandeur nature de machines conçues pour remplacer les soldats dans les tâches les plus dangereuses. Le Phantom MK-1 (1,75 m, 80 kg) est optimisé pour la reconnaissance, la logistique et le déminage, avec un modèle économique de location à environ 100 000 $/an. Son fabricant vise une production de 50 000 unités d'ici 2027, tandis que l'Ukraine s'impose comme un laboratoire d'accélération pour les technologies militaires robotisées.

UELe déploiement de robots humanoïdes au combat en Ukraine accélère les débats européens sur la régulation des systèmes d'armes autonomes et pousse les industries de défense du continent à accélérer leurs propres programmes de robotique militaire.

RobotiqueActu

1 source

2MIT Technology Review

Les travailleurs à la tâche qui entraînent des robots humanoïdes à domicile

Zeus est étudiant en médecine au Nigeria. Chaque soir, après ses gardes à l'hôpital, il rentre dans son studio, fixe son iPhone sur son front à l'aide d'un bandeau, allume son ring light et enregistre ses mouvements — plier des draps, repasser des vêtements, faire la vaisselle. Il est l'un des milliers de travailleurs recrutés par Micro1, une entreprise américaine basée à Palo Alto, en Californie, qui collecte des données du monde réel pour les revendre à des fabricants de robots humanoïdes. Des géants comme Tesla, Figure AI et Agility Robotics sont en course pour construire des robots capables de se déplacer et d'agir comme des humains dans des usines ou des foyers, et les vidéos tournées par ces travailleurs à la tâche sont devenues l'une des ressources les plus convoitées pour les entraîner. Micro1 emploie des milliers de contractuels dans plus de 50 pays — Inde, Nigeria, Argentine — payés 15 dollars de l'heure, un salaire attractif dans des économies où le chômage des jeunes diplômés reste élevé. Des acteurs comme Scale AI, Encord ou encore DoorDash ont lancé leurs propres programmes similaires, tandis qu'en Chine, des centres d'entraînement étatiques équipent des opérateurs de casques VR et d'exosquelettes pour apprendre aux robots à ouvrir un micro-ondes ou essuyer une table. L'enjeu est colossal : les investisseurs ont injecté plus de 6 milliards de dollars dans les robots humanoïdes en 2025, et les entreprises du secteur dépensent aujourd'hui plus de 100 millions de dollars par an pour acheter ces données de mouvement, selon Ali Ansari, PDG de Micro1. La raison est technique : manipuler des objets physiques reste un problème extraordinairement difficile pour un robot. Les simulations virtuelles permettent d'entraîner des mouvements acrobatiques, mais échouent à reproduire fidèlement la physique des interactions avec les objets. Seules des données réelles, captées dans de vrais environnements, semblent capables de combler ce manque. L'essor des grands modèles de langage — qui ont appris à produire du texte en ingérant des milliards de pages du web — a inspiré un changement de paradigme : si les LLM ont appris le langage par l'échelle, les robots pourraient apprendre le mouvement de la même façon, à condition d'accumuler suffisamment de vidéos humaines. Ce modèle économique soulève pourtant des questions sérieuses. Les travailleurs, qui ont accepté de parler à MIT Technology Review sous pseudonyme faute d'autorisation explicite de leur employeur, s'interrogent sur ce qu'ils signent réellement : leurs données biométriques, leurs gestes captés chez eux, la topographie de leur intérieur — tout cela alimente des systèmes dont ils ignorent les usages précis. La question du consentement éclairé et de la vie privée reste en suspens, d'autant que la chaîne entre le gig worker nigérian et le robot d'usine déployé en Europe ou aux États-Unis est opaque. Zeus, lui, s'ennuie à repasser des chemises en boucle. Il espère devenir médecin. En attendant, il entraîne les robots qui, peut-être un jour, travailleront à sa place.

UELes pratiques opaques de collecte de données biométriques et gestuelles décrites soulèvent des questions de conformité RGPD, notamment si ces systèmes entraînés alimentent des robots humanoïdes déployés sur le territoire européen.

RobotiqueActu

1 source

3Ars Technica AI

Le guide du sceptique face aux robots humanoïdes qui font le buzz sur Internet

Les vidéos de robots humanoïdes se multiplient sur les réseaux sociaux, montrant des machines qui dansent, font de l'acrobatie ou accomplissent des tâches ménagères avec une aisance déconcertante. Ces démonstrations, soigneusement orchestrées par des startups et des géants technologiques, créent l'impression que les robots capables de tout faire sont sur le point d'envahir nos quotidiens. Jonathan Hurst, cofondateur d'Agility Robotics et chercheur en robotique à l'Université d'État de l'Oregon, tire la sonnette d'alarme sur ce phénomène viral. Le problème central est l'écart considérable qui subsiste entre ces performances en démonstration et la capacité réelle de ces machines à exécuter les mêmes tâches de manière fiable et répétée dans des environnements non contrôlés. Hurst pointe un mécanisme cognitif bien documenté : les humains ont naturellement tendance à anthropomorphiser tout objet à forme humanoïde. Voir un bras robotique danser paraît simplement impressionnant, mais voir un robot humanoïde effectuer le même mouvement pousse le cerveau à extrapoler, à tort, que cette machine possède l'ensemble des capacités d'un être humain dansant. "Les gens supposent automatiquement que le robot qui ressemble à une personne peut faire tout ce qu'une personne qui danse pourrait faire, ce qui n'est pas vrai", a-t-il déclaré. Cette confusion n'est pas totalement accidentelle. Selon Hurst, de nombreuses startups du secteur exploitent délibérément ce biais cognitif pour séduire les investisseurs et lever des fonds. L'industrie de la robotique humanoïde attire des milliards de dollars de capital-risque, portée par des acteurs comme Figure AI, 1X, Apptronik ou Boston Dynamics, chacun cherchant à convaincre que la percée commerciale est imminente. La réalité technique est plus nuancée : programmer un robot pour reproduire une chorégraphie dans un studio contrôlé est sans commune mesure avec lui faire gérer l'imprévisibilité d'un entrepôt ou d'une cuisine. Le grand public, et parfois les décideurs, peinent encore à faire cette distinction essentielle.

RobotiqueOpinion

1 source

4arXiv cs.RO

Les robots humanoïdes apprennent la manipulation polyvalente par simulation tactile

Des chercheurs ont présenté un nouveau système d'apprentissage pour robots humanoïdes capable de manipuler des objets avec une dextérité inédite, en intégrant le sens du toucher comme modalité centrale. Baptisé HTD (Humanoid Transformer with Touch Dreaming), ce modèle multimodal de type encodeur-décodeur Transformer combine la vision multi-caméras, la proprioception et la détection tactile pour permettre à un robot humanoïde d'accomplir des tâches nécessitant des contacts physiques complexes et fréquents. Testé sur cinq tâches réelles impliquant des manipulations délicates, HTD affiche une amélioration relative de 90,9 % du taux de succès moyen par rapport aux approches concurrentes les plus solides. L'enjeu central de ce travail est de résoudre l'un des défis les plus persistants de la robotique humanoïde : la coordination entre stabilité du corps entier, agilité des mains et conscience du contact physique. Dans les environnements réels, un robot qui saisit un objet fragile ou manipule un outil doit constamment ajuster sa prise en fonction des forces ressenties, une capacité que les systèmes purement visuels peinent à développer. Grâce à la technique du "touch dreaming", la politique apprise ne se contente pas de prédire des séquences d'actions, elle anticipe également les forces futures exercées par les articulations des mains et les états tactiles latents à venir, ce qui l'oblige à construire des représentations internes riches et sensibles au contact. Les expériences d'ablation confirment que cette prédiction dans l'espace latent est plus efficace que la prédiction brute des données tactiles, avec un gain relatif de 30 % supplémentaire en taux de succès. L'architecture repose sur un contrôleur de la partie basse du corps entraîné par apprentissage par renforcement, qui assure la stabilité posturale pendant les manipulations complexes. La collecte de données de démonstration s'effectue via un système de téléopération en réalité virtuelle qui intègre à la fois des mains dextères et des capteurs tactiles, permettant de recueillir des interactions riches en contact sans étape de pré-entraînement tactile séparée. Ce travail, dont les matériaux sont publiés en open source, s'inscrit dans une tendance plus large de la recherche en robotique visant à doter les humanoïdes de capacités sensori-motrices proches de celles des humains, condition indispensable avant un déploiement dans des environnements domestiques ou industriels non contrôlés.

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, rédigé par un humain · désinscription en un clic