Aller au contenu principal
Humanoid : l'apprentissage par renforcement KinetIQ Ascend atteint une dextérité proche de l'humainIllustration générée par IA
HumanoïdesThe Robot Report 

Humanoid : l'apprentissage par renforcement KinetIQ Ascend atteint une dextérité proche de l'humain

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource uniqueImpact UE

La société londonienne Humanoid a dévoilé la semaine dernière KinetIQ Ascend, une méthode d'apprentissage par renforcement (RL) visant une fiabilité de manipulation de 99,9% à une vitesse égale ou supérieure à celle d'un humain. Ce module s'ajoute à KinetIQ, le framework IA propriétaire à quatre couches de l'entreprise, et permet à ses robots d'affiner directement sur le terrain des comportements de base plutôt que de dépendre de mois de réglages manuels. Sur un test de prélèvement de pièces (bagues de roulement en acier extraites d'un bac et déposées sur un convoyeur), le débit a augmenté de 42%, portant la vitesse du robot à 1,5 fois celle des démonstrations humaines initiales. Sur une tâche de tri dans un bac encombré avec remise d'objets à une personne, le débit a grimpé de 85% et le taux de réussite est passé de 80% à 98%. Sur une troisième tâche bimanuelle, soulever un bac à deux bras, le débit a plus que doublé et le taux de réussite est passé de 78% à 99%, soit une division par vingt du taux d'échec. Tous ces résultats ont été obtenus après seulement quelques jours d'entraînement, selon Humanoid, qui affirme aussi que la performance progresse de façon prévisible avec le temps d'entraînement, une dynamique comparée par l'entreprise à celle des grands modèles de langage face au calcul et aux données.

Ces chiffres, qu'il faut prendre avec la prudence habituelle réservée aux communiqués d'entreprise (résultats en laboratoire, tâches choisies par Humanoid elle-même), interviennent à un moment où le secteur cherche justement à sortir du stade de la démonstration pour prouver une fiabilité industrielle exploitable en production. La promesse centrale de KinetIQ Ascend est de réduire drastiquement le temps de mise au point d'une nouvelle compétence robotique: au lieu de collecter des données et calibrer manuellement chaque geste pendant des mois, l'entreprise part d'un comportement basique que le RL affine ensuite jusqu'à un niveau déployable, ce qu'elle appelle une "capability factory". Si les gains de généralisation à des objets non vus à l'entraînement se confirment à plus grande échelle, cela toucherait un point sensible du secteur: la difficulté historique des robots humanoïdes à transférer une compétence apprise en simulation ou en démonstration vers des variations réelles du monde physique, le fameux écart sim-to-real. Pour les intégrateurs et décideurs industriels, la question reste de savoir si ces taux de réussite tiennent sur des lignes de production réelles, avec la variabilité des pièces, l'éclairage et les pannes, et non uniquement sur les scénarios contrôlés présentés par l'entreprise.

Humanoid a été fondée en 2024 par Artem Sokolov et revendique plus de 250 ingénieurs et chercheurs issus des grandes entreprises technologiques, avec des bureaux à Londres, Boston, Vancouver et San Diego. L'entreprise affiche l'ambition de devenir le numéro un mondial de la robotique humanoïde industrielle généraliste sous deux ans, un objectif qui la place en concurrence directe avec des acteurs comme Figure AI, Tesla avec Optimus, ou les développeurs de modèles VLA tels que Pi-0 de Physical Intelligence et GR00T de Nvidia. En mai, Humanoid s'est associée à Bosch et Schaeffler pour industrialiser la production de ses robots HMND, un partenariat qui ancre l'entreprise du côté de la fabrication à grande échelle plutôt que de la seule recherche. Jarad Cannon, directeur technique de Humanoid, présente KinetIQ Ascend comme la preuve que la course aux robots humanoïdes devient une question d'échelle, où le RL en conditions réelles jouerait un rôle central pour faire passer ces machines du statut de démonstrations impressionnantes à celui d'outils réellement exploitables par l'industrie. L'entreprise a publié un rapport technique détaillant ces résultats, sans toutefois préciser de calendrier de déploiement commercial concret pour cette nouvelle capacité.

Impact France/UE

Le partenariat de Humanoid avec les groupes allemands Bosch et Schaeffler pour industrialiser les robots HMND ancre indirectement cette avancée technologique dans l'écosystème industriel européen.

À lire aussi

Tesla proche de produire 1 000 humanoïdes Optimus par semaine, mais les robots peinent sur certaines tâches
Illustration générée par IA
1Interesting Engineering 

Tesla proche de produire 1 000 humanoïdes Optimus par semaine, mais les robots peinent sur certaines tâches

Tesla affirme avoir multiplié par dix sa cadence de production du robot humanoïde Optimus par rapport au deuxième trimestre 2026, et vise environ 1 000 unités par semaine d'ici la fin de l'année si la tendance se maintient. L'entreprise reconnaît toutefois que la production physique n'est plus le principal obstacle : ce sont les capacités cognitives d'Optimus qui limitent son utilité réelle. Le robot exécute correctement les tâches pour lesquelles il a été spécifiquement entraîné, mais se montre imprévisible face à des situations inédites, et l'apprentissage d'une tâche même simple peut prendre plusieurs jours. Tesla a constitué une bibliothèque de comportements élémentaires (saisir, soulever, marcher, poser, manipuler) destinée à être combinée par son "cerveau IA" en actions nouvelles, en s'appuyant sur plus de 500 000 heures de données d'entraînement, collectées notamment via des combinaisons de capture de mouvement et des opérateurs humains équipés de caméras. Côté matériel, la main d'Optimus, composée de plus de 100 pièces distinctes, reste un point faible : son assemblage est long et coûteux, et les capteurs tactiles manquent de durabilité. Tesla travaille sur un gant de capteurs remplaçable pour éviter de changer la main entière à chaque panne. Ce constat inverse le narratif dominant sur les humanoïdes industriels : la difficulté n'est plus de fabriquer des robots en série, mais de les rendre réellement autonomes et fiables sur la durée. Pour les intégrateurs et décideurs B2B, le signal est clair : un robot capable d'exécuter une tâche une fois n'a pas de valeur commerciale s'il ne peut pas la répéter des milliers, voire des millions de fois sans panne ni supervision. Cet aveu de Tesla, qui a longtemps mis en avant ses démonstrations d'Optimus en environnement contrôlé, confirme les doutes exprimés par une partie du secteur sur l'écart entre les vidéos promotionnelles et la réalité opérationnelle des modèles VLA (vision-language-action) déployés en usine. Il rappelle aussi que la généralisation, soit la capacité d'un robot à transposer un comportement appris à des variations mineures de son environnement, reste un problème non résolu à l'échelle industrielle, malgré les investissements massifs dans les données d'entraînement. Optimus a été présenté par Elon Musk comme un projet appelé à devenir, à terme, le principal moteur de valorisation de Tesla, davantage que ses véhicules électriques. L'entreprise a progressivement ajusté ses ambitions de calendrier au fil des versions successives du robot, tout en accélérant la montée en cadence de son usine. Elle évolue dans un secteur où la concurrence s'intensifie, entre acteurs américains spécialisés comme Figure AI ou Agility Robotics, groupes chinois tels qu'Unitree, et fournisseurs de modèles fondation pour la robotique comme NVIDIA ou Physical Intelligence, tous engagés dans la même course pour prouver qu'un robot humanoïde peut exécuter des tâches variées sans reprogrammation dédiée. La prochaine étape pour Tesla consistera à démontrer que sa bibliothèque de comportements et ses gants de capteurs remplaçables réduisent concrètement le temps d'apprentissage de nouvelles tâches et améliorent la fiabilité mécanique, avant d'envisager un déploiement à grande échelle chez des clients industriels.

HumanoïdesOpinion
1 source
Mind Your Steps : un cadre d'apprentissage général pour le suivi précis des appuis de pas chez les robots humanoïdes
Illustration générée par IA
2arXiv cs.RO 

Mind Your Steps : un cadre d'apprentissage général pour le suivi précis des appuis de pas chez les robots humanoïdes

Des chercheurs ont déposé le 9 juin 2026 sur arXiv (réf. 2606.08253) un framework léger pour entraîner des politiques de locomotion humanoïde capables de suivre précisément des appuis en 3D. Les approches dominantes basées sur l'apprentissage par renforcement avec commande de vitesse produisent des humanoïdes robustes, mais sans contrôle explicite du placement des pas : le robot peut marcher sur un pied humain ou rater un appui précis, compromettant les tâches de manipulation en aval. La méthode proposée introduit un "goal sampler" dynamique qui génère des séquences d'appuis variées pendant l'entraînement, rendant la politique agnostique au terrain. Une nouvelle représentation des cibles de pas compense les imprécisions du monde réel (estimation de pose bruitée, détection de contact peu fiable). La politique fonctionne comme un contrôleur bas niveau autonome, couplable à n'importe quel planificateur haut niveau, qu'il soit basé sur des cartes 2.5D, la vision ou un agent VLA. L'intérêt pour les intégrateurs industriels est concret : la précision du placement des appuis conditionne l'ensemble des tâches loco-manipulation, soit la prochaine étape critique avant le déploiement d'humanoïdes dans les entrepôts et lignes de montage. En découplant le contrôleur bas niveau du planificateur, cette architecture permet de substituer l'algorithme de planification sans réentraîner la locomotion, un argument de modularité fort pour des déploiements multi-environnements. Les expériences en simulation et en transfert sim-to-real sur terrains complexes sont présentées comme concluantes, mais ce preprint non encore évalué par les pairs ne fournit pas de benchmark comparatif public ni de métriques de précision standardisées. Ce framework s'inscrit dans la continuité des travaux sur la locomotion bipède précise issus d'ETH Zurich, du MIT et de CMU, que les équipes commerciales (Boston Dynamics Atlas, Agility Robotics Digit, Unitree H1, Figure AI) cherchent à industrialiser. L'abstract ne précise pas la plateforme matérielle utilisée lors des tests réels, ce qui limite la reproductibilité des résultats. La prochaine étape logique serait une évaluation ouverte sur des robots nommément identifiés, assortie de métriques comparables aux approches concurrentes en planification de pas développées à l'EPFL ou à Carnegie Mellon.

UEL'EPFL est citée comme référence concurrente pour la planification de pas, ce qui signale la compétitivité des labos européens dans ce domaine, mais sans impact direct sur des acteurs ou institutions français.

HumanoïdesPaper
1 source
Humanoïdes en usine : pas de passage à l'échelle sans baisse des coûts
Illustration générée par IA
3The Robot Report 

Humanoïdes en usine : pas de passage à l'échelle sans baisse des coûts

BMW a annoncé le déploiement de l'humanoïde Figure 03 dans son usine de Spartanburg, en Caroline du Sud, après un pilote jugé concluant avec le modèle précédent, Figure 02. Cette annonce illustre un constat plus large du secteur : le principal obstacle à l'adoption des robots humanoïdes en usine n'est plus tant l'intelligence artificielle que la rentabilité économique. Les systèmes de vision ont mûri, les modèles de fondation progressent et le matériel s'est nettement amélioré, actionneurs plus puissants, mobilité accrue, effecteurs plus fiables, y compris les mains, longtemps le point faible du domaine. Plusieurs acteurs affichent déjà des résultats concrets : Generalist réalise des tâches de manipulation précises, Agility Robotics revendique des résultats prouvés en entrepôt, et Alt-Bionics développe des mains robotiques qui améliorent à la fois la dextérité des humanoïdes et l'état de l'art des prothèses. Mais sur le terrain du tri de colis, les meilleures démonstrations humanoïdes plafonnent autour de 1 000 prises à l'heure en conditions contrôlées, contre 1 300 à près de 3 000 prises à l'heure pour des robots spécialisés. Un développeur humanoïde de premier plan chiffre le coût d'un robot à plusieurs centaines de milliers de dollars, un montant qui n'est amorti que si la machine tourne en continu, sur plusieurs équipes. Ce basculement du débat, de "les robots peuvent-ils faire le travail" à "peut-on justifier le coût", change la donne pour les intégrateurs et les décideurs industriels. Il remet en cause l'idée reçue selon laquelle la polyvalence des humanoïdes suffirait à les imposer face à l'automatisation spécialisée : en production à haut volume, un système dédié, optimisé de bout en bout pour une tâche unique, reste plus rentable qu'une machine généraliste, même compétente. Le modèle de supervision évolue aussi : la téléopération, où un opérateur contrôle le robot en continu, limite mécaniquement le passage à l'échelle puisqu'elle mobilise presque toute l'attention humaine par machine. Le modèle qui se dessine est plutôt celui d'une supervision de haut niveau, où une personne peut surveiller une cinquantaine de robots ou plus et n'intervient qu'en cas d'imprévu, chaque intervention servant ensuite à réentraîner l'IA. Cette part d'intervention humaine devrait diminuer avec le temps, mais elle ne devrait jamais totalement disparaître, ce qui tempère les promesses d'autonomie totale. Le déploiement chez BMW s'inscrit dans la continuité du pilote Figure 02 lancé sur le même site de Spartanburg, déjà identifié comme terrain d'essai pour l'automatisation humanoïde chez le constructeur allemand. Il reste toutefois une annonce de déploiement faisant suite à un pilote jugé réussi, et non la preuve d'une adoption validée à grande échelle sur la durée. Le paysage concurrentiel reste ouvert entre plusieurs approches complémentaires, la manipulation fine chez Generalist, la logistique d'entrepôt chez Agility Robotics, la dextérité manuelle chez Alt-Bionics, sans qu'aucun acteur n'ait encore démontré une rentabilité robuste à grande échelle. La suite dépendra largement de la baisse des coûts unitaires : plusieurs développeurs travaillent sur des humanoïdes moins chers, une évolution qui pourrait faire basculer le calcul économique dans un nombre croissant d'applications industrielles au cours des prochaines années.

UEBMW, constructeur allemand, valide sa strategie humanoide sur son site americain de Spartanburg ; cela peut influencer ses choix d'automatisation dans ses usines europeennes, mais aucun deploiement en France ou en UE n'est annonce a ce stade.

HumanoïdesOpinion
1 source
TAGA : apprentissage du regard actif adapté au terrain pour une locomotion humanoïde agile et généralisable
Illustration générée par IA
4arXiv cs.RO 

TAGA : apprentissage du regard actif adapté au terrain pour une locomotion humanoïde agile et généralisable

Des chercheurs ont publié sur arXiv (référence 2606.05880) un cadre d'apprentissage baptisé TAGA pour "Terrain-aware Active Gaze", conçu pour améliorer la locomotion agile des robots humanoïdes sur des terrains variés et difficiles. L'approche fusionne vision, proprioception et commandes de mouvement pour guider le modèle dans l'anticipation des obstacles et la sélection active des zones d'intérêt dans le scan de hauteur du terrain. Le résultat le plus notable annoncé est une traversée de brèches atteignant 1,2 mètre en conditions réelles, présentée par les auteurs comme la plus grande distance rapportée pour la locomotion humanoïde perceptive. Le système démontre également la sélection fiable de points d'appui (foothold selection), la traversée de plateformes surélevées et la navigation sur des appuis épars. Ce qui distingue TAGA des approches classiques est l'émergence des comportements de regard actif par apprentissage par renforcement seul, sans supervision supplémentaire ni guidage explicite. En s'inspirant de la manière dont les humains orientent naturellement leur regard vers les zones du sol pertinentes lors de la marche, le modèle apprend à concentrer son attention sur les régions informatives du scan terrain. Cela augmente la densité d'information des observations tout en respectant les contraintes computationnelles embarquées typiques des plateformes humanoïdes. Pour les ingénieurs robotiques, c'est un signal positif sur la convergence possible entre efficacité computationnelle et robustesse perceptive, deux contraintes souvent antagonistes dans les systèmes embarqués temps réel. La locomotion perceptive humanoïde est un champ de recherche très actif où plusieurs équipes cherchent à combler le fossé simulation-réel. Des plateformes comme ANYmal (ANYbotics) ou les robots Boston Dynamics ont posé des références solides pour la locomotion tout-terrain sur quadrupèdes, mais les humanoïdes ajoutent des défis mécaniques liés à leur centre de masse élevé et leur dynamique plus instable. L'absence de mention d'une plateforme matérielle spécifique dans ce preprint limite pour l'instant la reproductibilité externe des chiffres annoncés, et la métrique de 1,2 m reste auto-rapportée sans benchmark tiers. La prochaine étape naturelle sera la validation sur des humanoïdes commerciaux comme Unitree H1/G1, Fourier GR-1 ou Figure 02/03, dont les équipes publient régulièrement des benchmarks similaires.

HumanoïdesPaper
1 source