RechercheInteresting Engineering 7 septembre 2026

Le nouveau système de Galbot aide les robots humanoïdes à bouger naturellement pendant une conversation

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Galbot, entreprise chinoise de robotique, a dévoilé RoboGesture, un framework destiné à générer en temps réel des gestes synchronisés avec la parole pour les robots humanoïdes. Développé avec des chercheurs de l'université Tsinghua, de l'université de Pékin, du Beijing Institute of Technology, du Harbin Institute of Technology et du Shanghai Qi Zhi Institute, le système sera présenté à l'European Conference on Computer Vision (ECCV) 2026. Annoncé le 5 septembre 2026 sur le compte X de Galbot, RoboGesture ferme la boucle écoute-réponse-geste en environ deux secondes. Le système convertit la parole entrante en tokens audio via le codec Mimi, puis analyse le signal à plusieurs niveaux : les caractéristiques de bas niveau captent le rythme et les variations de ton, tandis que les couches plus profondes extraient le sens sémantique. La composante sémantique a été entraînée sur 300 catégories de gestes. Les signaux sont ensuite transmis à un modèle de génération de mouvement fondé sur un transformer à diffusion, qui produit des trajectoires dans un espace de mouvement continu plutôt que des commandes fixes, permettant un enchaînement fluide des gestes.

Cette annonce vise une limite récurrente des robots humanoïdes commerciaux : des mouvements souvent perçus comme mécaniques, répétitifs ou déconnectés du discours, un défaut qui nuit à l'acceptation des robots dans des rôles d'accueil, de guide ou d'assistance sociale. Les chercheurs affirment s'attaquer à trois obstacles concrets : le manque de données d'entraînement, la difficulté à relier la parole au mouvement approprié, et les risques de sécurité lorsque des gestes générés par IA sont transférés à un robot physique. Ils identifient également un problème baptisé « éclipse de modalité », où le modèle se met à répéter des gestes issus de ses mouvements précédents au lieu de réagir à la nouvelle parole ; une méthode de guidage nommée Anti-Inertia classifier-free guidance masking est présentée comme correctif. Ces travaux restent toutefois au stade de la recherche académique : la démonstration diffusée sur X ne constitue pas une validation indépendante, et aucun chiffre de déploiement, de coût ou de robustesse en conditions réelles n'est fourni, ce qui invite à la prudence sur la portée réelle du système hors laboratoire.

Galbot s'inscrit dans la vague des start-up chinoises de robotique généraliste qui, comme leurs homologues américaines telles que Figure avec son modèle Figure 03, Tesla avec Optimus, ou les initiatives fondées sur des modèles VLA comme Pi-0 de Physical Intelligence ou GR00T N2 de Nvidia, cherchent à doter les humanoïdes de capacités de manipulation et de perception avancées. RoboGesture se distingue en ciblant spécifiquement la communication non verbale plutôt que la manipulation ou la locomotion, un axe encore peu exploré par une concurrence surtout focalisée sur les tâches industrielles ou logistiques. La présentation prévue à l'ECCV 2026, conférence académique de référence en vision par ordinateur, signale une publication scientifique plutôt qu'un lancement commercial : l'article ne mentionne ni pilote annoncé, ni calendrier de déploiement, ni partenaire industriel identifié à ce stade.

Dans nos dossiers

Figure NVIDIA GR00T Physical Intelligence — π0

À lire aussi

1Interesting Engineering

Nouveau système robotique aide les humanoïdes à maîtriser l'acrobatie sans entraîner chaque mouvement

Des chercheurs ont présenté BeyondMimic, un système d'apprentissage en deux étapes permettant à des robots humanoïdes d'exécuter des mouvements agiles inspirés de l'humain, sans entraînement dédié à chaque geste. La première étape utilise de l'apprentissage par renforcement pour apprendre au robot à suivre une large gamme de mouvements humains, à partir d'environ 2,5 heures de données de capture de mouvement, avec une seule formulation de suivi, une structure de récompense commune et des hyperparamètres partagés plutôt qu'un réglage spécifique par mouvement. Le robot a ainsi appris des centaines de compétences : marche, course, équilibre sur une jambe, sauts, danse, gestes inspirés des arts martiaux, coups de pied retournés et roues. Vingt et un mouvements représentatifs ont ensuite été transférés avec succès sur un robot humanoïde physique. Lors d'une roue aérienne, le robot a atteint une accélération de pointe de 31 m/s² et une vitesse angulaire du bassin de 15,7 rad/s, des valeurs comparables à celles observées chez des athlètes humains entraînés. Une étude auprès de 77 participants a par ailleurs montré une préférence pour les mouvements générés par BeyondMimic par rapport à ceux du robot sans ce système. L'apport principal tient à la seconde étape : un modèle de diffusion latente, entraîné via un autoencodeur variationnel, apprend la distribution sous-jacente des trajectoires état-action plutôt que de simplement rejouer des séquences mémorisées. Un guidage par classifieur à l'inférence permet ensuite d'orienter le robot vers des objectifs non vus à l'entraînement, comme suivre une commande de joystick, naviguer vers des points de passage ou éviter des obstacles, sans réentraîner ni ajuster la politique de base. Cette capacité répond à une limite connue des systèmes de contrôle humanoïde actuels, souvent contraints à des fonctions de récompense spécifiques par tâche et à des transitions rigides entre compétences. Le résultat renforce l'hypothèse selon laquelle un transfert simulation-vers-réel robuste, combiné à une génération de mouvement compositionnelle, peut réduire la dépendance à un réglage manuel massif, un enjeu central pour les intégrateurs qui cherchent à déployer des humanoïdes polyvalents plutôt que des machines à gestes figés. BeyondMimic s'inscrit dans une compétition croissante autour des modèles de contrôle et des architectures vision-langage-action pour humanoïdes, aux côtés d'approches comme GR00T N2 de NVIDIA, Pi-0 de Physical Intelligence, Helix de Figure AI ou les itérations successives d'Optimus chez Tesla. Il s'agit à ce stade d'un résultat de recherche démontré en laboratoire sur un nombre limité de clips, et non d'un produit commercialisé ni d'un déploiement industriel ; aucun calendrier de transfert vers une plateforme commerciale n'est communiqué.

RecherchePaper

1 source

2arXiv cs.RO

Un système rapide, résilient et adaptable pour les comportements de loco-manipulation des robots humanoïdes

Une équipe de recherche a publié le 2 septembre 2026 sur arXiv (2609.01518) un système d'architecture comportementale pour la loco-manipulation sur robots humanoïdes, conçu pour tourner localement et être modifié en temps réel pendant l'exécution. L'architecture combine des Affordance Templates centrées objets, une structure en arbre organisant la logique des tâches, et une scène de perception éditable au runtime, exécutée par un contrôleur corps entier combinant marche et mouvements du buste, avec une interface opérateur synchronisée en continu pour superviser et corriger à la volée. Testé sur un Unitree H1-2 et un second robot nommé Alex sur six variantes de tâches, le système franchit une porte à pousser en 34 secondes et trie six balles par couleur en 45 secondes sous perturbation humaine directe. Des sessions d'autorat chronométrées montrent la création ou l'adaptation d'un comportement de loco-manipulation en quelques heures. Ce résultat nuance un discours dominant dans la robotique humanoïde, où la performance repose de plus en plus sur des modèles vision-langage-action entraînés de bout en bout, à la manière de Pi-0, GR00T N2 ou Helix. Les auteurs affirment que leur approche, explicitement programmée plutôt qu'apprise, reste compétitive face à ces systèmes récents, tout en offrant un avantage opérationnel : créer ou corriger un comportement en heures plutôt qu'en semaines de collecte de données. Pour les intégrateurs et décideurs industriels, cela ouvre une voie alternative moins dépendante de gigantesques jeux de démonstrations, potentiellement plus rapide à auditer sur site, même si les chiffres de cycle avancés restent issus de démonstrations contrôlées. Le travail s'inscrit dans la course à l'autonomie des humanoïdes pour des tâches physiquement pénibles, dangereuses ou répétitives, un terrain disputé par Figure AI avec Figure 03, Tesla avec Optimus Gen 3 ou NVIDIA avec GR00T, majoritairement pariés sur l'apprentissage à grande échelle. En misant sur une architecture éditable localement et supervisée par un opérateur, les auteurs positionnent leur système comme complémentaire, voire alternatif, à ces approches pilotées par les données. Aucun acteur français ou européen n'est cité, et cette publication reste à ce stade une contribution de recherche sur arXiv plutôt qu'un produit commercialisé, sans calendrier annoncé de pilotes au-delà des six tâches démontrées.

RecherchePaper

1 source

3Interesting Engineering

Un nouveau système d'IA aide les robots à transférer leur entraînement virtuel vers des tâches réelles

Des chercheurs de l'Aston University et de l'University of Birmingham ont publié dans Scientific Reports une méthode d'entraînement robotique visant à réduire le "sim-to-real gap", ce fossé persistant entre les performances d'un robot en simulation et son comportement réel. L'approche, développée dans le cadre du projet REBELION financé par UK Research and Innovation, utilise un générateur de variations d'environnement piloté par IA : pendant la phase de simulation, le système introduit automatiquement des perturbations (bruit capteur, variabilité des matériaux, forces inattendues) pour entraîner le robot à des conditions plus proches du terrain. La validation expérimentale porte sur des tâches de manipulation et de découpe impliquant une interaction physique avec des matériaux, puis un ajustement avec un volume minimal de données réelles. Le cas d'usage mis en avant est le recyclage de batteries lithium-ion, où les robots doivent opérer autour de cellules endommagées ou potentiellement dangereuses, rendant les cycles de test physiques coûteux et risqués. L'intérêt industriel est direct : la dépendance à de longs cycles de test en environnement réel est l'un des principaux freins au déploiement rapide de robots dans des lignes de production ou des ateliers de recyclage. En permettant de compresser l'essentiel de l'apprentissage en simulation tout en garantissant un transfert fiable avec peu de données réelles, cette approche pourrait raccourcir significativement les timelines d'intégration et réduire les coûts opérationnels pour les industriels. Elle valide aussi une hypothèse qui fait débat dans le secteur depuis plusieurs années : que le sim-to-real gap n'est pas une fatalité, mais un problème d'exposition à la variance pendant l'entraînement. La vision formulée par le Dr. Alireza Rastegarpanah, assistant professor en applied AI and robotics à Aston University, est celle de systèmes robotiques "plug-and-play", entraînés une fois en simulation et redéployés rapidement dans un nouveau contexte sans reconfiguration lourde. C'est une promesse ambitieuse, et les résultats publiés restent limités à un périmètre de tâches contrôlées ; aucun chiffre de performance comparative (taux de succès, cycles de recalibration) n'est rendu public dans la version relayée. Le sim-to-real gap est un problème structurel documenté depuis les premières applications de reinforcement learning en robotique. Des acteurs comme Boston Dynamics, Agility Robotics ou encore Wandercraft (France, exosquelettes) utilisent des combinaisons de domain randomization et de transfert par imitation pour y répondre, avec des niveaux de maturité variables selon les tâches. Le projet REBELION s'inscrit dans un effort européen plus large sur l'automatisation du recyclage de batteries, filière en forte croissance avec l'essor des véhicules électriques. Les prochaines étapes annoncées par l'équipe visent à élargir la méthode à des environnements industriels plus incertains et à des applications en manufacturing avancé et opérations autonomes, sans calendrier précis communiqué.

UELa méthode du projet REBELION (financé UKRI, inscrit dans un effort européen) pourrait accélérer le déploiement de robots dans les filières EU de recyclage de batteries lithium-ion, secteur stratégique pour la transition électrique.

RecherchePaper

1 source

4arXiv cs.RO

T-GMP : des modèles de mouvement génératifs conditionnés par le terrain pour une locomotion humanoïde naturelle et polyvalente

Des chercheurs ont mis en ligne une version révisée sur arXiv (arXiv:2606.06944v2) d'un article présentant T-GMP (Terrain-conditioned Generative Motion Priors), un module destiné à améliorer la marche des robots humanoïdes sur des terrains variés. Contrairement aux méthodes classiques d'apprentissage par renforcement, qui s'appuient sur des priors de mouvement figés, T-GMP apprend une variété latente de mouvements conditionnée par le terrain à partir d'un petit nombre de démonstrations expert associant états du robot et type de sol. Ce module permet des transitions de style fluides entre modes de marche, ce qui autorise une politique de contrôle unique capable de s'adapter aux variations de terrain plutôt que de nécessiter des politiques séparées. T-GMP est intégré dans un pipeline d'apprentissage adversarial : un discriminateur module dynamiquement les contraintes de naturel du mouvement selon les caractéristiques locales du sol, guidant la génération vers des trajectoires à la fois variées et proches du mouvement humain. Les auteurs ajoutent une pénalité de pose du pied (Foothold Penalty) pour favoriser des appuis sûrs sur terrains difficiles. Les expériences montrent que T-GMP surpasse les méthodes de référence sur trois critères : naturel du mouvement, diversité des mouvements et taux de réussite de la traversée, tout en conservant une coordination physique cohérente du corps. L'enjeu soulevé est un compromis récurrent en locomotion humanoïde : les politiques entraînées par imitation adversariale produisent des mouvements naturels mais figés sur un style unique, alors que diversifier le comportement dégrade en général le réalisme du geste. En conditionnant explicitement les priors sur le terrain plutôt que sur un style fixe, T-GMP vise à lever ce compromis, une seule politique restant capable de traverser des sols hétérogènes sans changer de réseau ni perdre en naturel. Pour les équipes qui développent des humanoïdes destinés à sortir des sols plats d'usine ou de laboratoire, entrepôts, chantiers, extérieurs, cette robustesse du déplacement touche directement l'un des principaux freins actuels à la commercialisation des humanoïdes généralistes. L'approche s'inscrit dans la tendance à rapprocher imitation de mouvement et généralisation par renforcement, plutôt qu'à multiplier des contrôleurs spécialisés par type de terrain. T-GMP prolonge la lignée des méthodes d'apprentissage de mouvement adversarial (proches des Adversarial Motion Priors désormais courantes en recherche sur la locomotion humanoïde), en y ajoutant un conditionnement terrain absent des approches à style fixe. Le document est une version révisée (v2) d'un preprint, sans mention de partenaire industriel, de plateforme robotique nommée ni de déploiement sur matériel réel : les résultats rapportés relèvent donc de benchmarks en simulation face à des méthodes concurrentes, pas d'une validation sur robot physique en conditions réelles. Aucun calendrier de transfert vers du matériel ni d'intégration à une plateforme humanoïde commerciale n'est communiqué, ce qui situe T-GMP au stade de la recherche méthodologique plutôt que du produit prêt à déployer.

RecherchePaper

1 source