RecherchearXiv cs.RO 18 août 2026

Un robot humanoïde lance une spirale parfaite au football américain

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche publie sur arXiv (arXiv:2608.16642v1) une démonstration de lancer de ballon de football américain en spirale serrée par un robot humanoïde. Le système utilise un Unitree G1 a 29 degrés de liberté (DoF), équipe d'une pince a trois doigts Dex3-1 a 7 DoF. Le mouvement de lancer complet s'exécuté en environ une demi-seconde de mouvements a haut DoF, avec une phase de relâchement critique de moins de 100 millisecondes durant laquelle le ballon glisse de manière partiellement incontrôlée sur les doigts. Le contrôle repose sur une stratégie de commande corps entier couplée : le bas du corps stabilise la posture pendant que le haut du corps opère en deux phases, une phase de lancer par optimisation et suivi de trajectoire, puis une phase de suivi par commande prédictive (MPC) sur le poignet et les doigts encore en contact. Resultats mesures : jusqu'a 93,6% d'efficacité de spin, une erreur d'alignement du nez du ballon de 0,286 radian par rapport a la vitesse linéaire (contre 0 radian pour une spirale idéale a 100% d'efficacité), pour une vitesse linéaire allant jusqu'a 5,35 m/s et une vitesse angulaire de 14,5 rad/s.

Contrairement a l'essentiel des travaux antérieurs sur le lancer robotique, centres sur la génération de vitesses de relâchement dynamiquement réalisables avec des pinces ouvertes simples, cette étude s'attaque explicitement au contrôle de l'injection de spin au moment du détachement, un problème largement néglige pour des objets aérodynamiquement anisotropes comme un ballon ovale. Pour un secteur qui cherche a démontrer une dextérité fine et une gestion fiable des contacts transitoires sur des humanoïdes, ce résultat illustre un progrès technique réel sur un cas d'usage très spécifique plutôt qu'une preuve générale de maturité commerciale : il s'agit d'une validation empirique en laboratoire sur un seul type d'objet, pas d'un produit déployé. Il confirme néanmoins que des architectures combinant optimisation de trajectoire et commande prédictive peuvent gérer des dynamiques de contact sous-actionnées en quelques dizaines de millisecondes, un enjeu directement transférable a des taches industrielles exigeant un relâchement précis d'objets, comme le tri ou l'emballage a cadence rapide.

Le Unitree G1, plateforme chinoise abordable et largement adoptée par les laboratoires de recherche en robotique, sert ici de banc d'essai, dans la lignée d'autres travaux acrobatiques ou sportifs utilises comme benchmarks de dextérité dynamique, face a des plateformes plus onéreuses comme l'Atlas de Boston Dynamics ou l'Optimus de Tesla. Le résume disponible ne précise ni affiliation institutionnelle ni calendrier de suite, et le travail se présente comme une preuve de concept technique plutôt qu'une annonce produit. Il s'inscrit dans une tendance plus large de la recherche en manipulation dextérité, ou des taches ludiques ou sportives comme le lancer, la jonglerie ou l'attrape servent de bancs d'essai intermédiaires avant des applications industrielles a fort enjeu de timing et de précision de contact.

Dans nos dossiers

Boston Dynamics Unitree arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprentissage de compétences réactives de football par vision pour robots humanoïdes

Une équipe de recherche présente, dans une version mise à jour d'un preprint arXiv (2511.03996v2), un contrôleur basé sur l'apprentissage par renforcement qui permet à des robots humanoïdes d'acquérir des réflexes de football pilotés par la vision, en couplant directement perception visuelle et contrôle locomoteur plutôt que de séparer les deux étapes dans un pipeline modulaire. Entraîné en simulation avec des "adversarial motion priors" pour produire des mouvements naturels, le système repose sur une architecture encodeur-décodeur et un module de perception virtuelle reproduisant le bruit et les échecs de détection d'une caméra embarquée. Le robot exécute ainsi, avec la seule vision embarquée, la recherche du ballon, sa poursuite et des frappes multidirectionnelles. Face à une méthode de référence basée sur des règles fixes, l'erreur d'estimation de la position du ballon chute de 46%, le temps avant frappe diminue jusqu'à 64%, et le taux de réussite atteint environ 90% en zone offensive, testé lors de compétitions RoboCup réelles. Ce résultat contredit une pratique répandue en robotique humanoïde, qui consiste à séparer perception et contrôle ou à supposer une détection quasi parfaite. En intégrant l'incertitude visuelle directement dans l'apprentissage de la politique, les auteurs montrent qu'un contrôleur de bout en bout peut rester réactif malgré un bruit de détection réaliste, fréquent dès la sortie du laboratoire. Pour les équipes travaillant sur des humanoïdes destinés à des environnements dynamiques, au-delà du seul football, cette boucle fermée perception-contrôle suggère une piste généralisable à des tâches de manipulation ou de navigation exigeant une adaptation continue sous perception dégradée, un enjeu clé pour combler l'écart entre simulation et conditions réelles. Il s'agit d'une contribution académique publiée sur arXiv en version révisée, non d'une annonce de produit commercial: aucune entreprise ni modèle de robot n'est nommé, la validation s'appuyant sur une plateforme générique testée dans le cadre de la RoboCup Humanoid League, compétition où plusieurs équipes universitaires confrontent depuis des années leurs algorithmes de locomotion et de perception. Aucun acteur français ou européen n'apparaît dans cette publication. Les auteurs n'annoncent ni calendrier de déploiement industriel ni partenariat, se limitant à évoquer la poursuite des tests en conditions de compétition réelle.

RecherchePaper

1 source

2arXiv cs.RO

DAVIS : un cadre actif de bout en bout basé uniquement sur la profondeur pour le football humanoïde

Un article publié le 24 septembre 2026 sur arXiv (2609.28175) présente DAVIS, un framework qui apprend à des robots humanoïdes des gestes de contact au football à partir d'une seule caméra de profondeur montée sur la tête, sans module de perception ni de planification supplémentaire à l'exécution. Ce flux vidéo est combiné à un historique proprioceptif et à une commande de tâche optionnelle de faible dimension pour produire directement des cibles PD sur les 25 degrés de liberté du robot. Pour compenser les pertes fréquentes de vue du ballon dues aux mouvements du robot lui-même, DAVIS apprend une géométrie auxiliaire sensible à la visibilité et combine un recuit progressif de la vérité terrain vers la prédiction, des curricula de tâches et des a priori de mouvement de type AMP pour passer de la simulation au réel. Deux compétences, le tir cadré et le dribble directionnel, sont validées en simulation puis testées sur un robot réel, le Noetix E1, avec des études d'ablation à l'appui. L'intérêt du travail tient à la contrainte qu'il s'impose : prouver qu'une seule caméra de profondeur, sans suivi externe ni pile de perception dédiée, suffit à des gestes dynamiques de contact en corps entier, ce qui réduirait le matériel et le calcul embarqué nécessaires à un déploiement réel. Cela nourrit le débat sur l'écart entre démonstrations simulées et comportement réel des humanoïdes, mais la validation reste limitée à deux gestes isolés sur un seul robot, pas à un match complet, ce qui appelle à la prudence sur la portée réellement démontrée. Pour les équipes de recherche en robotique, DAVIS propose surtout une méthode, pas un produit : une alternative plus frugale aux architectures VLA généralistes entraînées sur de vastes corpus multimodaux. Ce travail s'inscrit dans l'essor du football comme banc d'essai pour les humanoïdes, terrain occupé depuis des années par la RoboCup Humanoid League et plus récemment par des démonstrations d'entreprises chinoises comme Unitree ou Booster Robotics. Noetix Robotics, dont le E1 sert ici de plateforme d'expérimentation réelle, reste un acteur peu connu hors de ce créneau académique. Contrairement aux modèles VLA généralistes comme Pi-0, GR00T N2 ou Helix, entraînés sur image RGB et langage pour la manipulation, DAVIS se limite volontairement à la profondeur, sans langage ni RGB, au service de gestes sportifs précis. Les auteurs annoncent des ablations complémentaires mais aucun calendrier de déploiement pilote, signe d'un travail encore au stade de la recherche académique plutôt que de la préparation commerciale.

RecherchePaper

1 source

3arXiv cs.RO

ContactMimic : interaction avec des objets par un robot humanoïde grâce au contrôle des contacts

Wiping a board, sitting on a chair ou pousser un meuble : ces tâches semblent réussies dès que le robot atteint la bonne posture, mais sans contact physique réel avec l'objet, elles échouent en pratique. C'est le constat de départ de CONTACTMIMIC, un framework d'apprentissage présenté dans un article publié le 10 juillet sur arXiv (2607.08742). L'équipe y ajoute aux trajectoires de points-clés classiques (keypoint tracking) des commandes de contact binaires, définies au niveau de chaque partie du corps. La politique résultante s'appuie sur deux ingrédients : des récompenses qui suivent explicitement le contact et un schéma d'augmentation de trajectoires conçu pour casser la corrélation entre géométrie des points-clés et étiquettes de contact. Résultat, le robot peut produire ou supprimer un contact à la demande, indépendamment de sa pose. Sur 10 mouvements d'interaction homme-objet testés en simulation, CONTACTMIMIC dépasse les trackers uniquement basés sur les points-clés, sans recourir à des récompenses spécifiques à chaque tâche. Le transfert sim-to-real a été validé sur 5 mouvements réels. L'enjeu dépasse la démonstration technique : la plupart des pipelines d'imitation de mouvement pour humanoïdes optimisent la fidélité cinématique, pas l'interaction physique effective, un angle mort qui limite l'utilité pratique des politiques de manipulation whole-body déployées sur des plateformes comme Figure 03, Optimus ou des architectures VLA type GR00T N2, Pi-0 ou Helix. Découpler contact et géométrie ouvre la voie à des contrôleurs capables d'exécuter des tâches ménagères ou industrielles réelles (essuyer, pousser, s'asseoir) sans réentraînement par tâche, un prérequis pour que les humanoïdes sortent de la démonstration scriptée. Le travail s'inscrit dans la lignée des méthodes de suivi de points-clés pour le contrôle corps entier des humanoïdes, dont il expose les limites via des ablations confirmant la nécessité de l'augmentation de trajectoires. Aucun partenaire industriel n'est mentionné : il s'agit pour l'instant d'une contribution de recherche en simulation et validation restreinte en réel, dont les vidéos sont disponibles en ligne, sans calendrier de déploiement annoncé.

RecherchePaper

1 source

4arXiv cs.RO

SkillX : apprentissage unifié de politiques multi-compétences pour le football humanoïde

Une version révisée de l'article SkillX (arXiv 2609.06718v2) décrit un framework d'apprentissage par renforcement pour le football joué par des robots humanoïdes. Plutôt que d'empiler des pipelines spécifiques à chaque tâche, SkillX apprend et combine plusieurs compétences atomiques, dribble, contrôle de balle, tir, dans une seule politique conditionnée par des commandes. Le système combine des priors de mouvement adversariaux propres à chaque compétence, des critiques dédiés, et un encodeur temporel sensible aux objets pour suivre le ballon. Testé en simulation puis sur un robot humanoïde réel, le Noetix E1, il enchaîne les compétences de façon robuste sur des séquences longues, avec un transfert sim-to-real réussi, sans métriques chiffrées communiquées. Le travail cible un problème concret pour l'industrie humanoïde : la plupart des démonstrations d'interaction avec des objets reposent sur des architectures découpées par tâche, compliquant déploiement et transitions. En montrant qu'une politique unique peut apprendre et enchaîner plusieurs compétences interactives sur un robot physique, ce résultat renforce l'hypothèse que des politiques génératives unifiées peuvent remplacer les architectures modulaires historiques du contrôle robotique. Le football humanoïde sert ici de banc d'essai pour le contrôle dynamique du corps entier (équilibre, locomotion, manipulation combinés), pertinent pour les intégrateurs cherchant des architectures généralisables ; mais l'article reste académique, sans métriques de robustesse en conditions variées ni comparaison chiffrée avec les pipelines critiqués, ce qui situe la contribution au stade de preuve de concept. Le football humanoïde s'est imposé comme terrain d'évaluation pour la recherche en contrôle robotique, dans la lignée de compétitions type RoboCup, imposant équilibre dynamique, locomotion rapide et interaction précise avec un objet mobile. Les approches précédentes séparaient l'apprentissage de chaque compétence avant de l'enchaîner via des règles de commutation manuelles, fragiles face aux transitions imprévues. SkillX unifie cet apprentissage dans une seule politique, une direction cohérente avec la tendance vers des politiques génératives conditionnées par le langage ou les commandes en robotique humanoïde. Le choix du Noetix E1, humanoïde du fabricant chinois Noetix Robotics, comme plateforme de test illustre la diversification des plateformes de recherche ; sans partenariat industriel ni feuille de route commerciale annoncés, la suite logique serait l'extension à des scénarios multi-robots ou à des environnements moins contrôlés qu'un laboratoire.

RecherchePaper

1 source