RechercheInteresting Engineering 16 octobre 2026

Deux robots humanoïdes s'associent pour jouer au tennis de table en double et échangent plus de 10 coups

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs de l'Université de Hong Kong, du Shanghai Innovation Institute, d'Archon Robotics et de NVIDIA ont présenté PingpongDuo, un cadre de contrôle qui permet à deux robots humanoïdes de jouer au tennis de table en double. Le système doit gérer un espace restreint côté table, des frappes en alternance stricte, et l'obligation pour chaque robot de dégager la zone centrale après son coup pendant que son partenaire prépare le suivant. L'architecture est hiérarchique. Un planificateur d'équipe choisit les positions cibles des deux robots, un estimateur de risque appris évalue les collisions possibles entre mains, pieds et corps, et un filtre de sécurité corrige les plans dangereux en donnant la priorité au robot sur le point de frapper. Au niveau individuel, deux politiques distinctes pilotent le jeu de jambes et la raquette. La première a été entraînée sur des vidéos de doubles humains, avec une bibliothèque d'environ 200 séquences de déplacement. La seconde affine sept articulations du bras à partir de l'état du robot et de la position et vitesse estimées de la balle. En simulation, le taux de retour de balle progresse de 13,2 % face à la meilleure méthode de référence, avec une erreur de positionnement d'environ 2 cm pendant le dégagement. En conditions réelles, deux Unitree G1 ont enchaîné plus de 10 frappes alternées consécutives. Un robot a réalisé un cycle de dégagement et de récupération de 2,15 m en 2,4 s, avec une vitesse de pointe de 2,23 m/s.

L'intérêt dépasse le ping-pong. La plupart des travaux de tennis de table humanoïde portent sur un robot seul face à un adversaire ou à une machine. Ici, le problème est la coordination multi-robots dans un espace partagé, avec contraintes de collision et de timing, ce qui est proche de ce que rencontreront des humanoïdes travaillant côte à côte sur une ligne ou dans un entrepôt. La démonstration montre aussi qu'une politique apprise à partir de données humaines, associée à une couche de sécurité explicite, peut gérer des mouvements rapides et dynamiques sur une plateforme de série comme le G1. La calibration du simulateur sur des mesures réelles de vol de balle, de rebond et de contact raquette rend par ailleurs le transfert simulation vers réel plus crédible. Il faut toutefois rester prudent : l'avantage de 13,2 % est mesuré en simulation uniquement, la série de plus de 10 échanges est un résultat de laboratoire dont on ignore le taux de réussite sur l'ensemble des essais, et aucune application industrielle n'est annoncée.

Le contexte explique les limites. Le système dépend d'une capture de mouvement externe pour suivre la balle et ne modélise pas l'effet, ce qui l'éloigne d'un match réel. Les chercheurs prévoient d'étudier la perception embarquée, l'estimation du spin et des stratégies autonomes d'attaque et de défense. Le projet s'inscrit dans une série de travaux sur le tennis de table robotisé, désormais portés par des plateformes humanoïdes bon marché comme celles d'Unitree, et la participation de NVIDIA signale l'intérêt de l'écosystème simulation et apprentissage par renforcement pour ces tâches à haute dynamique. L'article ne mentionne aucun acteur européen. La prochaine étape logique est de supprimer la dépendance à la capture de mouvement : c'est là que se jouera la possibilité de transposer ces résultats hors du laboratoire.

Dans nos dossiers

Unitree

À lire aussi

1arXiv cs.RO

PingpongDuo : tennis de table humanoïde agile en double, avec coordination d'équipe sûre

PingpongDuo, un cadre de contrôle hiérarchique publié sur arXiv (2610.20579), s'attaque au double de tennis de table pour robots humanoïdes. Il s'agit d'un travail de recherche, sans produit ni déploiement commercial. Le double impose deux contraintes que le simple n'a pas: les coéquipiers doivent frapper en alternance stricte et se partagent un espace réduit. Se replacer vite dégrade la précision de frappe, et des déplacements non coordonnés créent des risques de collision. Le système fonctionne à deux niveaux. Un planificateur d'équipe choisit conjointement les positions cibles et écarte les propositions jugées risquantes par des estimations de risque apprises, en préservant de préférence la cible du frappeur courant. Au niveau individuel, des compétences distinctes de jeu de jambes et de frappe associent mobilité et contrôle précis de la raquette. Elles sont guidées par des références de mouvement humain, dont du jeu de jambes capté sur de vrais doubles, et entraînées à partir des états produits l'une par l'autre pour enchaîner rapidement. Un résiduel sur le bras porteur de la raquette corrige ensuite la frappe grâce au retour d'un simulateur calibré sur des mesures réelles de vol de balle et de contact. Les résultats chiffrés sont encourageants. En simulation, le taux de retour de balle progresse de 13,2 % face à l'état de l'art, avec une erreur de positionnement d'environ 2 cm lors du dégagement. Sur matériel réel, un robot réalise un cycle de dégagement et de récupération de 2,15 m en 2,4 s, avec une vitesse de pointe de 2,23 m/s. Deux robots enchaînent plus de 10 frappes consécutives en alternance stricte. Ces chiffres demandent toutefois du recul: le gain de 13,2 % ne vaut que contre une base de référence choisie par les auteurs et en simulation. Une série de 10 échanges reste courte comparée à un vrai point de double, et le résumé ne précise ni le modèle de robot, ni le taux de réussite sur matériel, ni la variabilité des conditions. L'intérêt dépasse le ping-pong. La coordination multi-robots dans un espace partagé, avec des contraintes de sécurité et des échanges rapides, est un problème que rencontreront les humanoïdes en logistique ou en atelier. L'article suggère qu'un filtre de risque appris, couplé à des compétences entraînées séparément, peut rendre cette coordination praticable. Le calibrage du simulateur sur des mesures physiques et la correction résiduelle en ligne vont dans le sens d'une réduction de l'écart simulation-réel, l'un des obstacles les plus coûteux de l'apprentissage par renforcement pour humanoïdes. Ce travail prolonge les démonstrations de tennis de table en simple, déjà établies par plusieurs laboratoires. Le passage au double marque une étape vers le multi-agent incarné. Il n'annonce toutefois ni pilote industriel ni calendrier. Les prochaines étapes probables sont des échanges plus longs, des adversaires humains et des tests de robustesse hors du cadre de laboratoire.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Rhythm : apprentissage du contrôle interactif corps entier pour deux robots humanoïdes

Des chercheurs ont publié en mars 2026 sur arXiv un framework baptisé Rhythm, conçu pour piloter simultanément deux robots humanoïdes Unitree G1 en interaction physique directe. Le système repose sur trois composants : un module IAMR (Interaction-Aware Motion Retargeting) qui génère des références de mouvement réalistes à partir de captures de données humaines, une politique d'apprentissage par renforcement IGRL (Interaction-Guided Reinforcement Learning) qui modélise les dynamiques de contact couplées via des récompenses basées sur des graphes, et un pipeline de transfert sim-to-real permettant de déployer ces comportements sur robots physiques. Les comportements validés incluent l'accolade et la danse synchronisée entre deux G1, transférés de simulation vers le monde réel. Il s'agit d'un travail académique, pas d'un produit commercialisé. L'intérêt technique est dans la résolution du problème de contact couplé multi-corps : quand deux humanoïdes se touchent, les efforts mécaniques se propagent en boucle entre les deux chaînes cinématiques, rendant le contrôle instable. Rhythm aborde ce problème par des récompenses graph-based qui capturent explicitement l'interaction entre les deux agents, plutôt que de traiter chaque robot indépendamment. Pour un intégrateur ou un ingénieur robotique, c'est une validation que le sim-to-real fonctionne même pour des dynamiques de contact bilatérales, un verrou qui bloquait la plupart des approches multi-robots à manipulation physique. Cela ouvre la voie à des tâches collaboratives exigeant une coordination fine, comme le port de charges lourdes à deux, le transfert d'objets ou l'assemblage bimanuel étendu. Le robot Unitree G1 est une plateforme commerciale accessible (environ 16 000 dollars), ce qui donne à ces résultats une reproductibilité supérieure aux travaux sur robots propriétaires. Dans la course aux humanoïdes, les acteurs comme Figure (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0) et Boston Dynamics se concentrent sur des déploiements unitaires en environnement industriel ; la coordination physique entre deux humanoïdes reste un espace peu exploré commercialement. Rhythm ne s'inscrit pas encore dans une roadmap produit annoncée, mais la disponibilité du code sur arXiv et le choix du G1 suggèrent une communauté de recherche qui converge vers la standardisation des plateformes, préfigurant des pilotes industriels à horizon 18-36 mois.

RecherchePaper

1 source

3arXiv cs.RO

CMoE : mélange d'experts contrastif pour le contrôle de mouvement et l'adaptation au terrain des robots humanoïdes

Une équipe de recherche présente CMoE (Contrastive Mixture of Experts), un framework d'apprentissage par renforcement en une seule étape pour la locomotion de robots humanoïdes sur terrains complexes. L'article, référencé arXiv:2603.03067v2 et publié en version révisée, part d'un constat technique : dans une architecture classique de mixture of experts (MoE), le réseau de gating censé activer sélectivement des experts selon le terrain finit en pratique par répartir presque uniformément l'activation entre eux, annulant l'intérêt de la spécialisation. CMoE corrige ce défaut par une contrainte d'apprentissage contrastif qui rend les activations d'experts cohérentes sur un même type de terrain tout en les différenciant d'un terrain à l'autre. Testée sur le robot humanoïde Unitree G1, la méthode permet de franchir des marches continues jusqu'à 20 cm de haut et des espaces jusqu'à 80 cm de large, avec une démarche jugée robuste et naturelle sur des terrains mixtes, des résultats présentés comme supérieurs aux méthodes existantes. Le code est publié en accès libre. Pour l'industrie robotique, ce travail cible un goulot d'étranglement précis : la généralisation de la locomotion sur terrain non structuré, condition nécessaire à tout déploiement hors laboratoire. L'architecture MoE gagne du terrain pour doter un même modèle de comportements moteurs spécialisés, mais l'étude montre que sa spécialisation théorique ne se matérialise pas sans mécanisme correctif dédié, un avertissement pour les équipes qui empilent des experts sans vérifier leur activation réelle. Les chiffres de franchissement donnent un repère concret pour comparer les capacités locomotrices annoncées par différents laboratoires, mais restent des résultats obtenus en conditions expérimentales contrôlées sur une seule plateforme, sans validation en déploiement réel. CMoE s'inscrit dans la lignée des travaux adaptant les architectures mixture of experts, popularisées par les grands modèles de langage, au contrôle moteur des robots à pattes et humanoïdes, un domaine où plusieurs équipes cherchent à dépasser les limites des politiques de marche uniques entraînées par renforcement. Le choix du Unitree G1 confirme le rôle de ce robot chinois disponible dans le commerce comme banc d'essai de référence pour la recherche académique en locomotion humanoïde. En publiant leur code, les auteurs visent à permettre à la communauté de reproduire et d'étendre leurs résultats, sans annoncer de partenariat industriel, de pilote commercial ni de calendrier de transfert vers un produit, ce qui situe ce travail au stade de la recherche plutôt que du déploiement.

RecherchePaper

1 source

4arXiv cs.RO

Being-M0.7 : un modèle du monde et de l'action latent pour robots humanoïdes

Being-M0.7 est un modèle monde-action latent pour robots humanoïdes, présenté dans un preprint arXiv (2610.11283v1). Il vise la loco-manipulation, c'est-à-dire la coordination de la marche et de la manipulation en anticipant l'évolution de la scène et les mouvements du corps entier. Ses auteurs s'appuient sur un corpus constitué à partir de plus de 10 000 heures de données brutes centrées sur l'humain. Ce corpus mêle trois types de flux: vidéo seule, mouvement seul, et paires vidéo-mouvement. L'entraînement se fait en trois temps. Un pré-entraînement apprend la dynamique visuelle et la structure cinématique du corps entier. Un « mid-training » robot adapte ensuite ce prior aux points de vue et à la dynamique corporelle des robots. Enfin, un post-entraînement d'action greffe un « action expert » qui combine les représentations prédictives du prior figé avec les images courantes et la proprioception, par attention croisée à portes (gated cross-attention), pour produire des commandes corps entier exécutables. Les auteurs annoncent le meilleur taux de succès agrégé parmi les baselines comparées sur le benchmark SIMPLE. Sur des tâches réelles de loco-manipulation avec un Unitree G1, le modèle égale la meilleure baseline sans la dépasser. Le résumé ne donne ni chiffres de succès, ni liste des tâches, ni nombre d'essais. L'intérêt tient à l'attaque d'un goulot d'étranglement connu: les démonstrations robot sont rares et coûteuses, alors que la vidéo et la capture de mouvement humaines abondent. Leur exploitation se heurte à deux obstacles. Beaucoup de jeux de données n'ont qu'une modalité, et le mouvement humain ne se traduit pas directement en actions robot. Prédire conjointement les états visuels latents futurs et le mouvement pousse les représentations visuelles à encoder la cinématique à venir. L'étape intermédiaire robot et l'action expert servent de pont vers l'exécution. Le résultat réel reste nuancé. L'avantage est net en simulation, mais il disparaît sur le matériel: la parité avec la meilleure baseline sur G1 suggère que l'écart simulation-réel n'est pas résolu et que le gain du pré-entraînement sur données humaines reste à démontrer au-delà de benchmarks maîtrisés. Les intégrateurs doivent y voir une piste de recherche prometteuse pour réduire la dépendance à la téléopération, et non une capacité prête pour le déploiement. Il s'agit d'une publication académique, sans produit, sans pilote industriel ni calendrier de commercialisation. Ce travail s'inscrit dans la vague des modèles monde-action et des VLA (vision-langage-action) appliqués aux humanoïdes, où plusieurs acteurs cherchent à exploiter la vidéo humaine à grande échelle. On y trouve des modèles généralistes de type Pi-0, GR00T ou Helix, et des approches qui prédisent le futur visuel pour guider l'action. Le Unitree G1, humanoïde abordable très répandu dans les laboratoires, sert de plateforme de validation commune, ce qui facilite la comparaison entre équipes. La version «0.7» laisse penser à une série de modèles Being, dont les itérations précédentes ne sont pas détaillées ici. Les suites à surveiller sont la publication du code, des poids et des protocoles d'évaluation, ainsi que des tests sur des plateformes plus variées et des tâches plus longues. Une confirmation indépendante sur matériel réel dira si l'avantage observé en simulation se maintient.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source