RechercheInteresting Engineering 16 septembre 2026

Des chercheurs créent AthenaZero, un robot qui lance, attrape et frappe la balle au baseball comme un humain

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs dirigée par Andrew Morgan a présenté AthenaZero, un robot à deux bras, deux mains et un torse conçu spécifiquement pour lancer, attraper et frapper une balle de baseball. Contrairement aux robots industriels classiques, la machine a été pensée pour minimiser la masse et la rigidité de ses effecteurs plutôt que pour maximiser la force mécanique brute. Sa masse totale au point d'action a été calibrée pour se rapprocher de celle d'un homme adulte, et la masse effective de ses bras, mesurée en aval de l'épaule, se rapproche davantage de celle d'un bras humain que n'importe quelle autre plateforme robotique comparée dans l'étude. Résultat concret : AthenaZero a atteint une vitesse de lancer de plus de 30 mètres par seconde avec une balle de tennis, une performance qui commence à s'approcher du niveau humain sans l'égaler, les lanceurs professionnels dépassant régulièrement 40 m/s. Les chercheurs ont aussi fait jouer deux unités AthenaZero ensemble à la balle dans un échange soutenu, et associé un seul robot à un joueur humain pour des sessions de lancer et de batting practice. Le robot ne frappe pas systématiquement : il évalue la trajectoire de la balle en temps réel, ajuste son swing en conséquence, et retient son geste si la balle sort de la zone de frappe.

La démonstration vise moins le baseball lui-même, une compétence que les auteurs qualifient eux-mêmes de niche, que la preuve de concept qu'elle porte. Pour l'industrie robotique, l'expérience illustre un décalage persistant entre les progrès des logiciels de contrôle, de plus en plus sophistiqués, et une architecture matérielle restée largement figée sur le modèle lourd et rigide hérité de la robotique industrielle. En montrant qu'un compromis délibéré entre inertie réduite et simplicité mécanique permet une manipulation véritablement dynamique, et non plus seulement des gestes lents et délibérés, l'équipe de Morgan fournit un argument concret pour repenser la conception matérielle des bras et mains robotiques. C'est un enjeu direct pour les intégrateurs et fabricants qui cherchent à faire sortir leurs robots humanoïdes des mouvements prudents et scriptés, vers une réactivité proche du réflexe humain, utile pour la logistique, l'assemblage rapide ou toute tâche imprévisible.

Le constat de départ des chercheurs est que le contrôle robotique a progressé plus vite que le matériel : la plupart des bras robotiques actuels restent construits selon une philosophie mécanique héritée de plusieurs décennies d'automatisation industrielle, privilégiant rigidité et charge utile élevée au détriment de la vitesse et de l'agilité. AthenaZero a été conçu pour tester frontalement l'hypothèse inverse, à savoir qu'une masse d'effecteur plus faible, et donc une inertie réduite, permettrait des réactions plus rapides et des mouvements plus puissants que des concurrents plus lourds. L'étude reste à ce stade une démonstration de recherche, sans annonce de commercialisation, de site pilote ni de calendrier de déploiement. Les auteurs présentent leur approche comme une invitation à aborder les défis de manipulation robotique sous un angle privilégiant la dynamique, une perspective qu'ils jugent applicable bien au-delà du terrain de baseball, vers des scénarios réels imprévisibles où les robots devront réagir plutôt que simplement exécuter.

Dans nos dossiers

Manipulation robotique

À lire aussi

1arXiv cs.RO

La translation comme action passerelle : transférer des compétences de manipulation de l'humain au robot

Une équipe de chercheurs a publié en juin 2026 (arXiv:2606.28133) une méthode pour transférer des compétences de manipulation humaine vers des robots bi-manuels à pinces parallèles, sans passer par une télé-opération coûteuse. Le principe repose sur une représentation d'action dite "pont" : plutôt que de capturer les 6 degrés de liberté (6DoF) du poignet humain rotations incluses, les auteurs n'utilisent que la translation relative du poignet dans le repère de la caméra tête initiale. Cet espace d'action minimal est partagé par les humains et les robots, ce qui élimine la principale source de bruit : l'estimation de la pose rotative d'une main humaine reste imprécise, et les schémas de contact des doigts diffèrent fondamentalement de ceux d'une pince parallèle. Un modèle vision-language-action (VLA) de type Pi-0 est ensuite entraîné avec des tokens d'action entrelacés et un masquage d'attention pour gérer l'absence de certaines composantes selon l'embodiment considéré. Le résultat central est que cette représentation "translation seule" transfère les connaissances de manipulation humaine vers le robot bien plus efficacement que les actions humaines bruitées en 6DoF, et que la performance scale avec la quantité de données humaines disponibles. Les expériences restent confinées à un ensemble de tâches bi-manuelles en laboratoire, ce qui invite à la prudence avant toute généralisation. Pour les intégrateurs B2B cherchant à exploiter des vidéos non instrumentées pour former des robots d'assemblage ou de manutention, c'est une validation de principe utile : les données humaines bon marché deviennent exploitables à condition de définir soigneusement l'espace d'action appris. Cela suggère que la conception de la représentation importe autant que le volume de données brutes. Ce travail s'inscrit dans la course à l'apprentissage cross-embodiment à partir de données humaines peu coûteuses, un front ouvert depuis que RT-2 (Google DeepMind, 2023) a popularisé les VLA multi-modaux. Physical Intelligence a lancé Pi-0 début 2025 comme modèle fondation bi-manuel ; ce papier en adopte l'architecture pour valider une hypothèse d'embodiment transfer distincte. Les concurrents directs incluent OpenVLA (Berkeley), AgiBot World et GR00T N2 (NVIDIA), qui explorent chacun des espaces d'action universels différents. La limite naturelle de cette approche reste les tâches impliquant des rotations fines ou des contacts précis, un angle que les auteurs n'abordent pas encore.

RechercheOpinion

1 source

2arXiv cs.RO

Un robot humanoïde lance une spirale parfaite au football américain

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.

RecherchePaper

1 source

3arXiv cs.RO

Quand un robot surpasse l'humain : apprendre auprès de démonstrateurs contraints

Des chercheurs ont publié sur arXiv (2510.09096, version 3, mai 2026) une approche algorithmique permettant à un robot d'apprendre une politique de contrôle plus efficace que celle démontrée par un opérateur humain contraint. Le constat de départ est simple : les interfaces classiques d'apprentissage par démonstration, enseignement kinesthésique, joystick, transfert sim-to-real, imposent des contraintes physiques ou logicielles qui empêchent l'expert de montrer un comportement optimal. Un joystick, par exemple, ne pilote un bras robotique que dans un plan 2D, alors que le robot est capable de trajectoires dans un espace à six degrés de liberté ou plus. Sur un bras WidowX en conditions réelles, la méthode proposée complète une tâche de manipulation en 12 secondes, soit dix fois moins que le behavioral cloning classique dans les mêmes conditions. L'enjeu dépasse la performance brute. Pour les intégrateurs industriels et les équipes de robotique appliquée, cela signifie qu'une démonstration médiocre, captée en atelier par un opérateur avec un contrôleur limité, n'est plus un plafond de performance. Le système infère un signal de récompense uniquement à partir des états observés (sans avoir besoin des actions de l'expert), puis étend ce signal aux états non explorés par interpolation temporelle. Le robot peut ainsi emprunter des chemins que l'humain n'a jamais montrés, réduisant la longueur des trajectoires et le temps de cycle. C'est une rupture par rapport au paradigme standard de l'imitation : au lieu de copier le geste, la machine reconstruit l'intention et optimise librement pour l'atteindre. Cela répond directement à l'un des points de friction majeurs du déploiement terrain, où la qualité des données de démonstration est rarement maîtrisée. L'apprentissage par imitation (imitation learning / LfD) est un domaine actif depuis plusieurs années, avec des approches comme GAIL, IRL ou DAgger. Ce travail s'inscrit dans le courant de l'apprentissage par renforcement inverse (IRL) contraint, mais avec une spécificité : il ne suppose pas que l'expert est optimal, ce qui le distingue de la majorité des formulations classiques. Les concurrents directs sur ce créneau incluent des travaux récents autour de VLA (Vision-Language-Action models) comme pi-0 de Physical Intelligence, qui cherchent également à généraliser au-delà des démonstrations vues. Le bras WidowX utilisé est une plateforme open-source abordable, ce qui favorise la reproductibilité. Les prochaines étapes naturelles seraient la validation sur des tâches multi-étapes et des morphologies robotiques plus complexes, notamment des humanoïdes où le gap entre contraintes de télé-opération et capacités physiques réelles est particulièrement marqué.

UEImpact indirect : les laboratoires européens (INRIA, CEA-List) et intégrateurs industriels travaillant sur l'apprentissage par démonstration pourraient exploiter cette approche IRL, mais aucun acteur FR/EU n'est impliqué dans la publication.

RecherchePaper

1 source

4arXiv cs.RO

Robot Drummer : un humanoïde apprend les compétences rythmiques de la batterie

Des chercheurs ont présenté Robot Drummer, un framework de simulation permettant à des robots humanoïdes d'apprendre à jouer de la batterie, dans un article mis à jour sur arXiv (arXiv:2507.11498v3). L'équipe modélise le jeu de batterie comme une succession d'événements de contact minutés, baptisée "Rhythmic Contact Chain". Pour gérer la durée des morceaux, chaque piste est découpée en segments de longueur fixe, et une seule politique d'apprentissage par renforcement est entraînée en parallèle sur l'ensemble de ces segments plutôt que morceau par morceau. Les auteurs ont testé leur méthode sur plus de trente titres populaires et rapportent des scores F1 élevés, avec un apprentissage efficace même sur des performances musicales longues. Le système fait émerger des comportements proches de ceux d'un batteur humain, comme les frappes en croisant les bras ou une répartition adaptative des baguettes entre les mains. Le projet reste pour l'instant purement simulé, sans déploiement sur un robot physique ; une page dédiée (robotdrummer.github.io) présente les résultats. L'intérêt de ces travaux dépasse le simple exercice de style musical. La batterie impose une contrainte rare dans la robotique humanoïde : une synchronisation à la fraction de seconde, des contacts répétés à grande vitesse, et une coordination fine entre plusieurs membres sur des durées de plusieurs minutes, bien au-delà des tâches de manipulation ou de locomotion habituellement étudiées. Démontrer qu'une politique de RL unique peut apprendre ce type de comportement long et précis constitue un test de charge utile pour les architectures de contrôle destinées, à terme, à des tâches industrielles exigeant elles aussi rapidité et coordination multi-membres sous contrainte de timing strict. Les humanoïdes ont beaucoup progressé ces dernières années sur l'équilibre, la marche et la préhension d'objets, mais les domaines expressifs comme la performance artistique restaient largement inexplorés. Ce travail s'inscrit dans une tendance plus large consistant à utiliser des tâches créatives ou ludiques comme bancs d'essai pour la dextérité et la coordination robotique. La prochaine étape logique, non abordée dans cette publication, serait le transfert de cette politique de simulation vers un robot physique réel, avec les défis classiques de sim-to-real que cela implique.

RecherchePaper

1 source