Dossier Robots humanoïdes

Humanoid data

Les entreprises de robotique humanoïde ont lancé une course mondiale à la collecte de données de mouvement humain, convaincues que ces données sont la clé pour entraîner des robots capables de travailler aux côtés des humains, et un jour de les remplacer. Des applications rémunèrent désormais des particuliers en cryptomonnaie pour filmer des gestes du quotidien : réchauffer un plat au micro-ondes, remplir un bol, ouvrir une porte. D'autres plateformes proposent à des internautes de téléopérer à distance un bras robotique situé à Shenzhen, en Chine, pour lui faire résoudre des puzzles. Derrière ces dispositifs étranges se trouvent des investissements massifs : 6,1 milliards de dollars ont été injectés dans la seule filière des robots humanoïdes en 2025. Des centres d'entraînement spécialisés ont vu le jour en Chine, où des opérateurs portant des exosquelettes et des casques de réalité virtuelle répètent le même geste, essuyer une table, des centaines de fois par jour. Des travailleurs à la tâche au Nigeria, en Argentine et en Inde filment leurs corvées ménagères. Aux États-Unis, une entreprise de livraison a équipé ses employés de capteurs enregistrant leurs mouvements pendant le port de colis, avec un double objectif : prévenir les blessures et entraîner les robots qui pourraient les remplacer. L'enjeu est considérable. Les humanoïdes présentent un avantage structurel sur les bras robotiques classiques : leur morphologie leur permet de s'intégrer directement dans des environnements conçus pour l'homme, des entrepôts aux cuisines industrielles. Mais les entraîner est autrement plus complexe. Les simulations informatiques, longtemps utilisées comme substitut aux données réelles, échouent à modéliser fidèlement les lois physiques du monde réel, friction, élasticité, résistance des matériaux, ce qui produisait des robots instables et maladroits. La collecte de données de mouvement en conditions réelles est censée combler ce fossé, en offrant aux algorithmes la même richesse empirique que les textes du web ont fournie aux grands modèles de langage depuis le lancement de ChatGPT fin 2022. Ce modèle de collecte s'est imposé progressivement. Les premières tentatives, menées dans des laboratoires académiques, étaient artisanales : des chercheurs filmaient des volontaires en train de faire des crêpes ou de ranger leur bureau, et partageaient les données librement. Avec l'afflux de capital-risque, la course est devenue industrielle et opaque. La question centrale reste pourtant ouverte : personne ne sait encore combien de milliers de clips d'un micro-ondes ouvert sont nécessaires pour qu'un robot apprenne à cuisiner un repas complet, ni si cette approche peut atteindre l'échelle requise pour déclencher de véritables avancées techniques. Ce que cette dynamique dessine déjà, c'est une nouvelle catégorie de travail physique : celle du laboureur humain qui, avant d'être remplacé par une machine, aura servi à l'entraîner.

Un robot humanoïde Nvidia tient un poste de 8 heures en usine Siemens à 60 bacs par heure

En janvier 2026, le robot humanoïde HMND 01 Alpha du startup britannique Humanoid a réalisé un déploiement de deux semaines dans l'usine électronique de Siemens à Erlangen, en Allemagne. Les résultats, annoncés à la Hannover Messe 2026 en partenariat avec Nvidia, ont dépassé tous les objectifs fixés : le robot à roues a opéré en continu pendant plus de huit heures, déplaçant 60 bacs de stockage par heure avec un taux de réussite supérieur à 90 %. Sa mission consistait à saisir des bacs, les transporter à travers l'usine et les déposer sur des convoyeurs aux points de transfert désignés pour les opérateurs humains, dans un environnement de production réel où ses performances avaient un impact direct sur les opérations. Stephan Schlauss, directeur mondial de la motion control chez Siemens, a qualifié l'usine d'Erlangen de "customer zero" : Siemens s'est volontairement positionné comme premier client payant et validateur de la technologie, avant de la proposer à d'autres industriels. Ce déploiement est significatif parce qu'il franchit la frontière entre démonstration contrôlée et production industrielle réelle. Le robot a travaillé aux côtés d'humains et de systèmes automatisés existants, coordonnant ses actions en temps réel avec des véhicules à guidage autonome et les systèmes de l'usine via la plateforme Siemens Xcelerator, qui a fourni des capacités de jumeau numérique, de perception par IA, d'interfaces PLC-robot et de gestion de flotte. C'est précisément ce niveau d'intégration enterprise qui distingue un vrai déploiement industriel d'une simple preuve de concept. Deepu Talla, vice-président robotique et edge AI chez Nvidia, a affirmé que ce déploiement ouvre la voie aux robots humanoïdes pour atteindre des objectifs de production réels sur des lignes actives. Humanoid, fondée en 2024 par Artem Sokolov et dont le siège est à Londres avec des bureaux à Boston et Vancouver, emploie plus de 200 ingénieurs issus d'Apple, Tesla, Google et Boston Dynamics. L'entreprise a développé le HMND 01 Alpha en environ sept mois, là où le cycle habituel dépasse 18 à 24 mois, grâce à une approche "simulation d'abord" utilisant Nvidia Isaac Lab pour l'apprentissage par renforcement et Nvidia Isaac Sim pour la validation virtuelle avant tout déploiement physique. La version bipède du robot dispose de 29 degrés de liberté et d'une suite complète de capteurs. Siemens et Humanoid présentent le déploiement d'Erlangen non comme une expérimentation isolée mais comme une architecture de référence reproductible par d'autres fabricants, dans un contexte où la pénurie de main-d'oeuvre dans l'industrie manufacturière et les contraintes de flexibilité rendent les lignes entièrement automatisées souvent inadaptées.

💬 60 bacs par heure, 8 heures sans s'arrêter, en production réelle, pas dans un labo avec les caméras bien placées. Le positionnement de Siemens en "customer zero" dit tout : ils testent sur leur propre usine avant de revendre l'architecture à leurs clients industriels, c'est une stratégie commerciale autant qu'une validation technique. Sept mois de dev au lieu de deux ans grâce à la simulation, bon, faut confirmer ça sur 50 usines et pas une.

Tien Kung 3.0 remporte le Robot Warrior Challenge en Chine sans intervention humaine

Le 18 avril 2026, le robot humanoïde Tien Kung 3.0, développé par le Beijing Innovation Center of Humanoid Robotics (X-Humanoid), a remporté l'inaugural Beijing Yizhuang Robot Warrior Challenge en accomplissant l'intégralité du parcours sans aucune intervention humaine. Ce défi, conçu pour simuler des opérations de sauvetage en milieu hostile, comprenait des épreuves à haut risque : traversée de pendules, franchissement d'obstacles, et breaching de barrières dans des environnements imitant des décombres sismiques, des zones chimiques dangereuses et des structures effondrées. Le lendemain, le 19 avril, Pékin accueillait aussi son deuxième semi-marathon de robots humanoïdes, remporté par le robot "Lightning" de la Team Honor en 50 minutes et 26 secondes, en mode entièrement autonome. Une version plus rapide du même robot avait bouclé le parcours en 48 minutes et 19 secondes, mais en télécommandée, ce qui l'a disqualifiée selon les règles favorisant l'autonomie complète. La victoire de Tien Kung 3.0 représente un saut qualitatif dans l'autonomie des robots humanoïdes. Contrairement aux systèmes précédents qui exécutaient des scripts préprogrammés ou dépendaient de commandes à distance, le robot a démontré une prise de décision active en temps réel dans des environnements non structurés. Sa plateforme d'intelligence incarnée "Wise KaiWu" assure une intégration en boucle fermée entre perception, planification, contrôle et récupération en cas de défaillance. Un système de perception multimodal traite les données de capteurs hétérogènes via un modèle de bout en bout, permettant de traduire directement les observations brutes en stratégies de mouvement. La mobilité est elle aussi frappante : le temps de référence du semi-marathon est passé de 2 heures 40 minutes en 2025 à moins de 50 minutes cette année, signe d'avancées massives en équilibre, endurance et navigation autonome. Ces performances s'inscrivent dans une dynamique d'accélération que la Chine pilote de manière très structurée. Le semi-marathon 2026 a réuni 100 équipes pour 300 robots issus de 26 marques, dont des participants venus de France, d'Allemagne et du Brésil, soit près de cinq fois plus que lors de la première édition. Des acteurs majeurs comme Unitree, Tiangong ou Noetix Robotics y ont présenté des conceptions variées, des plateformes haute tension aux moteurs refroidis à l'eau. X-Humanoid a mobilisé quatre équipes internes et des laboratoires conjoints de l'Université du Hunan et de l'Université Renmin de Chine. Les experts soulignent que ces progrès en contrôle temps réel, adaptation au terrain et décision autonome ouvrent des perspectives concrètes pour la recherche et le sauvetage, les opérations industrielles, la logistique et la défense, des secteurs où la Chine cherche à s'imposer comme puissance robotique mondiale.

CLAW : génération de mouvements corps entier composables et annotés en langage naturel

Une équipe de chercheurs a publié CLAW (Composable Language-Annotated Whole-body Motion Generation), un pipeline open source conçu pour générer à grande échelle des données de mouvement annoté en langage naturel pour robots humanoïdes, appliqué ici au Unitree G1. Le système compose des primitives de mouvement paramétrées par six variables, type de déplacement, cap, vitesse, hauteur du bassin (pelvis height) et durée, et les exécute dans le simulateur MuJoCo pour produire des trajectoires physiquement cohérentes. Deux interfaces navigateur sont proposées : un mode clavier en temps réel pour l'exploration, et un éditeur de séquences en timeline pour la collecte de données en batch. En parallèle, un moteur de génération d'annotations basé sur des templates produit des descriptions en langage naturel à deux niveaux de granularité : segment individuel et trajectoire complète. Le code est disponible publiquement sur GitHub sous la référence arXiv:2604.11251. L'enjeu central est le goulot d'étranglement des données pour entraîner des contrôleurs whole-body conditionnés au langage (VLA, Vision-Language-Action). La capture de mouvement réelle est coûteuse, peu scalable et limitée en diversité ; les modèles génératifs text-to-motion existants produisent des sorties purement cinématiques, sans garantie de faisabilité physique, un écueil critique pour le déploiement réel. CLAW apporte une réponse intermédiaire : la simulation MuJoCo ancre les trajectoires dans la physique, tandis que la composition modulaire de primitives permet une diversité combinatoire élevée. C'est une approche sim-to-real pragmatique qui vise à réduire le fossé entre données d'entraînement et comportement robot en conditions réelles, sans le coût d'un studio de mocap. Le Unitree G1, robot humanoïde chinois positionné sur le segment accessible (prix catalogue autour de 16 000 USD), est une plateforme de recherche de plus en plus utilisée dans la communauté académique, notamment face aux plateformes fermées comme Figure 02 ou Apptronik Apollo. CLAW s'inscrit dans une dynamique plus large de démocratisation des pipelines de données pour la robotique humanoïde, aux côtés de travaux comme le dataset HumanoidBench ou les approches de Physical Animation de Berkeley. La mise à disposition publique du système est son principal atout différenciant : elle permet aux laboratoires sans ressources de mocap de constituer des jeux de données whole-body annotés pour leurs propres expériences de contrôle en langage. Les prochaines étapes attendues, non annoncées dans ce papier, concernent le transfert réel sur G1 et la validation des politiques entraînées sur ces données synthétiques.

Après les robots, Dreame veut conquérir votre maison avec un lave-vaisselle et un frigo innovants [Sponso]

Dreame, connu pour ses aspirateurs robot innovants, lance un lave-vaisselle et un frigo intelligents, marquant son expansion vers d'autres appareils ménagers. Cet article, réalisé en collaboration avec Dreame par des rédacteurs indépendants de Humanoid xp, indique que Numerama n’a pas participé à sa création.