IA physiqueInteresting Engineering 30 juin 2026

Vidéo : un nouveau modèle d'IA permet aux robots humanoïdes de réussir 90 % des missions complexes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Flexion Robotics a dévoilé Reflect v1.0, une plateforme d'intelligence robotique destinée aux humanoïdes, capable d'exécuter des missions longues et multi-étapes sans intervention humaine pendant l'exécution. Pour illustrer les capacités du système, la société a présenté une démonstration en environnement de bureau : un robot humanoïde reçoit une instruction en langage naturel, récupère un colis de snacks livré au bâtiment, emprunte escaliers et ascenseur, déballe le carton à l'aide d'outils, puis range les articles dans un tiroir désigné. Selon Flexion, l'intégration du reinforcement learning sur plusieurs couches du système a fait passer le taux de complétion end-to-end d'une mission interne à 16 étapes de 38 % à 90 %, contre un modèle supervisé seul. La plateforme gère des charges comprises entre 100 grammes et 3,5 kilogrammes, et le robot est capable de repositionner un colis via des mouvements coordonnés du corps entier, d'opérer un ascenseur, de traverser des escaliers répétés et de contourner des obstacles dynamiques tout en portant des objets.

Ce résultat est significatif parce qu'il s'attaque directement au problème de l'autonomie longue durée, considéré comme l'un des verrous majeurs de la robotique humanoïde commerciale. Dans une séquence de tâches, l'accumulation d'erreurs de navigation, de manipulation ou de perception finit statistiquement par faire échouer le système : c'est le "long-horizon failure mode" que les industriels connaissent bien. Reflect v1.0 le traite via un modèle vision-langage (VLM) personnalisé qui fait office de contrôleur de mission, surveille en continu l'avancement, raisonne sur l'environnement et re-planifie à la demande. La couche de mouvement combine des vision-language-action models (VLA) entraînés sur données réelles et des primitives issues du reinforcement learning, tandis qu'un contrôleur corps-entier temps réel assure équilibre et précision des gestes. Pour un COO industriel ou un intégrateur, le signal concret est le suivant : on passe de 38 % à 90 % de succès sur une mission à 16 étapes grâce au RL seul, ce qui suggère que le sim-to-real gap et la fiabilité multi-tâche sont partiellement solubles sans refonte matérielle.

Flexion Robotics est une startup relativement récente dans l'écosystème humanoïde, qui se positionne comme fournisseur de couche logicielle agnostique au hardware, à l'image de ce que Apptronik ou 1X cherchent à faire sur leurs propres plateformes. L'article mentionne également ShengShu Technology et son modèle Motubrain, un "cerveau général" combinant perception, raisonnement et action, qui vise le même marché. La concurrence directe inclut Figure (Helix), Physical Intelligence (pi0), Boston Dynamics (Atlas Gen 2) et Tesla (Optimus Gen 3), tous engagés dans une course à l'autonomie longue horizon. Flexion reconnaît que Reflect v1.0 reste limité à des environnements définis, ce qui tempère le chiffre de 90 % : il s'agit d'une évaluation interne sur mission contrôlée, pas d'un déploiement industriel validé en conditions réelles. Les prochaines étapes annoncées concernent l'extension à des environnements moins structurés et la capacité à recevoir des instructions modifiées en cours de mission, deux marqueurs qui, s'ils sont confirmés en production, rapprocheraient Reflect d'une utilisabilité opérationnelle sérieuse.

Dans nos dossiers

Tesla Optimus Boston Dynamics Apptronik Apollo Physical Intelligence — π0

À lire aussi

1Interesting Engineering

Vidéo : le nouveau modèle omni d'Unitree permet aux robots humanoïdes de penser, se déplacer et assister les humains

Unitree, le fabricant chinois de robotique connu pour ses robots quadrupèdes et humanoïdes low-cost, a dévoilé UnifoLM-OminiA-0.3, un modèle d'IA unifié destiné à ses robots humanoïdes. Ce système combine dans une seule architecture la perception omni-modale, le raisonnement, le dialogue et la manipulation mobile du corps entier, sans passer par des modules séparés pour la reconnaissance vocale, la détection d'objets, la navigation et la manipulation. Dans les vidéos de démonstration diffusées par Unitree, un robot humanoïde saisit un coussin et le pose sur un canapé, identifie des couleurs, compte des boîtes de médicaments, va chercher un médicament précis sur une étagère, trie du linge dans un panier, charge une assiette dans un lave-vaisselle et ajuste un lit médicalisé de type hospitalier. Une séquence montre le robot interrompre immédiatement l'ajustement du lit lorsqu'un utilisateur lui demande d'arrêter en pleine tâche, illustrant une réactivité dynamique aux instructions. L'annonce intervient peu après qu'Unitree a présenté un robot humanoïde à buste haut vendu à partir de 26 900 yuans, soit environ 4 290 dollars, positionné comme une alternative bon marché sur le marché. Sur le fond, l'intérêt revendiqué par Unitree n'est pas la nouveauté de chaque tâche individuelle, déjà démontrées séparément par d'autres constructeurs humanoïdes, mais la coordination de l'ensemble du flux (compréhension du langage, perception visuelle, décision, navigation, contrôle moteur) par un seul modèle plutôt qu'une chaîne de sous-systèmes. C'est la promesse centrale des architectures vision-langage-action (VLA) que le secteur cherche à valider à grande échelle: remplacer des routines programmées tâche par tâche par une généralisation across environnements, un enjeu jugé crucial pour les usages domestiques, hospitaliers et de soin où les objets bougent et les consignes changent en temps réel. Reste que ces démonstrations proviennent de vidéos sélectionnées par le fabricant, sans données chiffrées sur le taux de réussite, le temps de cycle, la charge utile ou le nombre de degrés de liberté, ni validation indépendante en conditions réelles de déploiement, ce qui invite à distinguer nettement la démonstration marketing du produit réellement livré ou déployé chez un client. UnifoLM-OminiA-0.3 s'inscrit dans le programme d'IA incarnée UnifoLM d'Unitree, qui a débuté en 2025 avec UnifoLM-WMA-0, un cadre open-source de modélisation du monde et de l'action destiné à prédire les effets physiques des interactions robot-environnement. Ce socle a été suivi début 2026 par UnifoLM-VLA-0, un modèle vision-langage-action, avant cette version omni-modale axée sur l'assistance à domicile et les soins. Unitree ne précise pas de calendrier de déploiement pilote ni de partenaires hospitaliers ou domestiques identifiés, la trajectoire du programme suggérant toutefois une progression méthodique vers des systèmes de plus en plus généralistes plutôt qu'un produit fini prêt à l'emploi.

IA physiqueActu

1 source

2Interesting Engineering

Nouveau robot humanoïde capable de courir, sauter et danser sur simple commande

Des chercheurs de NVIDIA ont présenté SONIC, un framework de contrôle pour robots humanoïdes capable de générer des mouvements corps entier à partir de plusieurs types d'entrées : téléopération, vidéo, texte ou musique. Plutôt que d'entraîner un contrôleur distinct par compétence, comme c'est la norme dans le secteur, SONIC repose sur une politique unique entraînée sur plus de 100 millions de frames de mouvement, issues d'environ 700 heures de capture de mouvement humain. Le modèle le plus grand compte 42 millions de paramètres, entraîné sur jusqu'à 128 GPU pour un total d'environ 21 000 heures GPU. Le système s'appuie sur un espace de tokens universel : des encodeurs spécialisés traitent le mouvement robotique, le mouvement humain et les commandes hybrides avant de les convertir en tokens quantifiés alimentant un décodeur de contrôle commun. Un planificateur cinématique en temps réel génère des segments de mouvement entre points clés et permet de replanifier en continu, sans réentraînement, pour changer de direction, de vitesse ou de style de déplacement. Déployé sur un robot humanoïde Unitree G1, SONIC a atteint un taux de réussite de 99,2% sur 123 séquences de mouvement réelles, contre 100% en simulation, soit un écart jugé faible entre les deux environnements. Le système a aussi été connecté à un modèle vision-langage-action. Cette approche répond à une limite structurelle du contrôle humanoïde actuel : la plupart des politiques existantes sont des réseaux de neurones relativement compacts, conçus pour une tâche précise, ce qui oblige à ré-ingénierer des objectifs et un entraînement à chaque nouveau comportement. En traitant le suivi de mouvement comme un problème d'apprentissage à grande échelle plutôt que comme une somme de compétences isolées, NVIDIA cherche à démontrer qu'une seule politique peut généraliser à des mouvements jamais vus à l'entraînement, une promesse centrale pour l'autonomie humanoïde généraliste. Pour les intégrateurs et décideurs industriels, l'enjeu dépasse la prouesse technique : un écart sim-to-real limité, associé à une architecture capable d'ingérer indifféremment vidéo, texte ou musique, laisse entrevoir des pipelines de déploiement plus rapides, sans réentraînement coûteux par cas d'usage. Le taux de succès de 99,2% porte toutefois sur un jeu de 123 séquences choisies par les chercheurs eux-mêmes, sans comparaison indépendante ni détail sur la nature exacte des tâches testées, une réserve à garder en tête avant d'en tirer des conclusions générales sur la robustesse en conditions réelles. SONIC s'inscrit dans la stratégie robotique plus large de NVIDIA, qui développe par ailleurs la plateforme de fondation GR00T, dont la version N2, ainsi que les outils de simulation Isaac utilisés pour l'apprentissage sim-to-real. Le champ du contrôle humanoïde généraliste est aussi disputé par Figure AI avec son système Helix, ou par des modèles vision-langage-action comme Pi-0 de Physical Intelligence, qui poursuivent des objectifs similaires de politique unique couvrant un large répertoire de comportements. Contrairement à un produit commercial livré, SONIC reste à ce stade une démonstration de recherche, publiée avec des résultats en simulation et sur un seul robot physique, le Unitree G1. L'équipe NVIDIA indique vouloir en faire une fondation sur laquelle brancher des couches de perception et de raisonnement de plus haut niveau, en vue d'une intégration future avec des modèles vision-langage-action, sans qu'aucun calendrier de déploiement commercial ni partenariat industriel n'ait été communiqué à ce stade.

IA physiqueOpinion

1 source

3Interesting Engineering

Robots humanoïdes entraînés sur 1 million d'heures de vidéos humaines : jusqu'à 90 % de réussite

Dyna Robotics, entreprise basée à Redwood City en Californie, a dévoilé DYNA-2, un nouveau modèle de fondation robotique de type « world-action » entraîné sur plus d'un million d'heures de vidéos humaines filmées à la première personne, soit l'équivalent d'environ 170 ans d'expérience continue à l'éveil. Contrairement à l'approche classique reposant sur des données de téléopération collectées manuellement, ce modèle n'a vu aucune donnée robotique pendant sa phase de pré-entraînement. Selon l'entreprise, la seule augmentation de l'échelle de pré-entraînement a permis de faire passer le taux de réussite sur des tâches de fabrication de haute précision de 20 % à 80-90 %. Le modèle s'est aussi montré transférable à des bras robotiques fixes, des prototypes humanoïdes et des mains robotiques dextres : dans un test, 13 minutes de données locales ont suffi pour qu'une paire de mains à cinq doigts apprenne à dévisser le bouchon d'une bouteille. Sur 15 tâches de référence internes, les versions entraînées avec davantage de vidéo humaine ont systématiquement mieux performé, et comparé à DYNA-1, le précédent modèle vision-langage-action de la société, DYNA-2 a atteint 87 % de réussite lors d'un déploiement client sans réglage préalable, contre 46 % pour son prédécesseur. Cette annonce s'attaque frontalement au principal goulot d'étranglement de la robotique généraliste, à savoir la rareté des données d'action collectées par téléopération, jugées non scalables pour viser une intelligence physique générale. En misant sur la vidéo humaine, disponible en quantités quasi illimitées, Dyna affirme qu'un robot peut acquérir une forme d'intuition physique sans dépendre d'un volume massif de données spécifiques à chaque plateforme matérielle, une adaptation à un nouveau robot ou une nouvelle tâche ne nécessitant alors que quelques heures de fine-tuning local. Ces chiffres restent toutefois issus de bancs d'essai internes à l'entreprise, sans validation indépendante ni comparaison publique standardisée avec d'autres modèles généralistes comme Pi-0 ou GR00T N2, ce qui invite à les considérer avec prudence tant qu'un tiers ne les a pas reproduits. Si l'approche se confirme à plus grande échelle, elle déplacerait néanmoins une partie de la course humanoïde du terrain de la collecte téléopérée vers celui du pré-entraînement vidéo massif. Dyna Robotics a été fondée par Lindon Gao, York Yang et Jason Ma, ancien chercheur chez DeepMind, avec le soutien d'investisseurs dont CRV et First Round. L'entreprise exploite déjà commercialement des robots propulsés par DYNA-1 dans des hôtels, des restaurants et des laveries automatiques, ce qui distingue cette annonce d'un simple teaser de laboratoire puisque DYNA-2 vise à succéder à un système déjà en production. Jason Ma justifie cette orientation en rappelant que les données d'action robotique restent rares alors que la vidéo est omniprésente. L'entreprise met aussi en avant une meilleure résilience aux perturbations physiques lors de tâches comme la découpe d'aliments ou le rangement d'un espace de travail, DYNA-2 récupérant seul là où DYNA-1 nécessitait une intervention humaine, avec un gain de 133 % sur les tâches de suivi d'instructions grâce au co-entraînement vidéo. Aucun calendrier de déploiement élargi ni de nouveaux sites pilotes n'a pour l'instant été communiqué.

IA physiqueActu

1 source

4arXiv cs.RO

MotionVLA : un modèle vision-langage-action pour les robots humanoïdes

Une équipe de l'AIGeeksGroup a publié le 18 juin 2026 sur arXiv (2606.15142) MotionVLA, un modèle de type Vision-Language-Action conçu pour générer du mouvement humanoïde réaliste à partir d'images de scène et d'instructions textuelles. Le coeur de la contribution repose sur DSFT (Dual-Stream Frequency Tokenizer), un tokeniseur qui décompose le signal de mouvement en deux flux distincts : un flux Base capturant la sémantique de pose basse fréquence, et un flux Phys encodant la dynamique physique haute fréquence. Cette séparation s'appuie sur une analyse en transformée en cosinus discrète (DCT) du corpus HumanML3D, qui révèle un déséquilibre concret : cinq coefficients DCT suffisent à couvrir 93 % de l'énergie des positions articulaires, mais seulement 37 % de l'énergie des vélocités. Les deux flux sont compressés indépendamment par troncature DCT et encodage BPE, puis réinjectés dans un transformeur autorégressif basé sur Qwen3.5 2B. Sur les benchmarks HumanML3D et MBench, MotionVLA réduit l'écart de diversité avec les données réelles de plus de 50 % et améliore la cohérence mouvement-condition de 3,8 %. Ce résultat pointe une limite structurelle des approches à codebook unique, qui dominent actuellement la génération de mouvement humanoïde : en forçant des signaux hétérogènes dans un espace de quantification commun, ces méthodes sous-représentent systématiquement les composantes dynamiques hautes fréquences au profit de la géométrie de pose. Pour les équipes travaillant sur le contrôle de robots humanoïdes ou la synthèse d'animation procédurale, cela signifie que la qualité du mouvement généré peut sembler plausible en posture statique mais manquer de naturel en transition. L'architecture duale de MotionVLA, malgré un backbone léger de 2 milliards de paramètres, obtient des gains mesurables sans augmenter significativement le coût de calcul. MotionVLA s'inscrit dans un mouvement de recherche plus large qui adapte les VLA, initialement développés pour le contrôle robotique visuomoteur, à la génération de comportement humanoïde. Le modèle s'appuie sur Qwen3.5, la famille de modèles open-weight d'Alibaba, et le code source est disponible sur GitHub (AIGeeksGroup/MotionVLA). À ce stade, il s'agit exclusivement d'un résultat de recherche académique évalué sur des benchmarks synthétiques standard, sans déploiement industriel ni partenariat hardware annoncé. Les acteurs comme Figure AI, 1X, Agility Robotics ou Fourier Intelligence, qui investissent dans la génération de mouvement pour leurs humanoïdes, suivent de près ce type de travaux, même si le chemin du benchmark de laboratoire vers un déploiement sim-to-real reste non démontré ici.

IA physiqueOpinion

1 source