RecherchearXiv cs.RO 5 novembre 2026

Jouer au football comme les humains : un football humanoïde polyvalent et agile appris grâce à des préalables de mouvement latents

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent soccerbot, un cadre d'apprentissage par renforcement hiérarchique publié sur arXiv (2611.06564) qui permet à un humanoïde Unitree G1 de jouer au football avec une gamme complète de compétences: déplacement, dribble, amorti (trapping) et frappe de balle. Le système repose sur un a priori de mouvement latent, distillé à partir de données de capture de mouvement de football humain à grande échelle. Une seule politique conditionnée par la compétence, c'est-à-dire pilotée par une commande qui sélectionne le geste souhaité, exécute l'ensemble de ces actions. Les auteurs précisent que le transfert de la simulation au robot réel se fait en zero-shot, sans réglage supplémentaire sur la machine, grâce à une conception de simulation orientée robustesse. Le résumé ne donne ni taux de réussite, ni vitesse de balle, ni durée des essais, et les démonstrations en conditions réelles restent à ce stade décrites qualitativement par les auteurs eux-mêmes.

L'enjeu dépasse le football. Le jeu combine locomotion agile, manipulation de balle et contacts à fort impact, un régime où les politiques apprises produisent souvent des mouvements saccadés ou peu naturels. Les approches antérieures se répartissaient en deux camps: celles qui couvrent peu de compétences, et celles qui renoncent à tout a priori de mouvement, au prix de comportements peu humains et parfois fragiles pour le matériel. En contraignant l'apprentissage à une variété de mouvements dynamiquement plausibles, soccerbot suggère qu'un a priori latent issu de données humaines peut unifier plusieurs compétences dans une seule politique et assurer des transitions fluides quand on change de geste. Pour les intégrateurs, c'est un signal sur la méthode: la même recette (a priori de mouvement, puis politique de haut niveau) pourrait servir à d'autres tâches riches en contacts, comme la manipulation de charges ou le travail en environnement non structuré. Il faut toutefois rester prudent: le football sur terrain contrôlé reste loin d'un déploiement industriel, et le transfert zero-shot sur un seul robot ne prouve pas la généralité.

Ce travail s'inscrit dans une lignée de recherches qui utilisent la capture de mouvement humain pour doter les humanoïdes de comportements naturels, après les approches de type imitation adversariale et de suivi de mouvement. Le Unitree G1, humanoïde relativement abordable, est devenu la plateforme de référence des laboratoires universitaires, ce qui facilite la reproduction et la comparaison. Le football est aussi un terrain d'évaluation traditionnel, notamment via la RoboCup, où les approches modulaires et à compétences limitées dominent encore. La suite logique serait la publication du code et de vidéos complètes, une évaluation quantitative face aux méthodes concurrentes, et une extension vers des scénarios multi-robots ou des adversaires. À ce stade, il s'agit d'un préprint de recherche, non d'un produit ni d'un déploiement commercial.

Dans nos dossiers

Unitree arXiv cs.RO

À lire aussi

1arXiv cs.RO

Au-delà du retargeting : téléopération humanoïde du corps entier, à faible latence et robuste, grâce à des primitives de mouvement atomiques apprises

Des chercheurs proposent une politique de téléopération du corps entier pour humanoïde qui supprime l'étape de retargeting en ligne, jusqu'ici standard dans ce type de système. Détaillée dans un preprint arXiv (2610.07891v1), l'approche mappe le mouvement humain brut directement vers les commandes articulaires du robot, en une seule passe avant du réseau de neurones. Elle a été testée sur un Unitree G1, en simulation puis sur matériel réel, avec quatre sources d'entrée : casque de réalité virtuelle, capture optique de mouvement, génération de mouvement à partir de texte et vidéo monoculaire. Selon les auteurs, la méthode surpasse les approches de référence en latence et en robustesse. L'abstract ne fournit toutefois ni valeur de latence en millisecondes, ni taux de réussite, ni détail sur les baselines retenues. L'enjeu est double. Le retargeting en ligne, qui adapte la cinématique humaine à la morphologie du robot, ajoute du délai et peut produire des cibles physiquement infaisables, source d'instabilité. Le deuxième problème est la fragilité face aux données hors distribution : les entrées réelles sont bruitées, partielles ou inhabituelles, et les politiques apprises sur des mouvements propres se dégradent alors. Pour y répondre, les auteurs apprennent un codebook de primitives de mouvement du corps entier. Il projette les observations atypiques sur des prototypes de mouvement plausibles et reconstruit un mouvement complet à partir d'entrées incomplètes, par exemple une vidéo qui ne montre qu'une partie du corps. Si les résultats se confirment, cela rapproche la téléopération de la collecte de données à grande échelle, où un opérateur avec un simple casque VR ou une caméra pourrait piloter un humanoïde sans pipeline de calibration lourd. Reste à vérifier la tenue sur des tâches longues, avec contacts et manipulation, qu'un travail de ce type ne démontre pas forcément. Ce travail s'inscrit dans la lignée des politiques de suivi de mouvement pour humanoïdes entraînées en simulation puis transférées au réel, où le G1 de Unitree est devenu la plateforme académique par défaut grâce à son prix relativement bas. Les systèmes de téléopération du corps entier existants reposent généralement sur une chaîne en deux temps, retargeting puis contrôleur de suivi, que cette étude fusionne en une seule politique. Les travaux concurrents poursuivent des objectifs voisins, notamment les modèles de contrôle généralistes comme GR00T chez NVIDIA, qui visent aussi une interface unifiée pour piloter les humanoïdes. Il s'agit ici d'une publication de recherche, pas d'un produit : aucun déploiement industriel ni calendrier commercial n'est annoncé. La prochaine étape logique serait une validation sur d'autres morphologies que le G1 et sur des tâches de manipulation, ainsi que la publication du code et des mesures de latence détaillées.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv 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

3arXiv cs.RO

Vers un style de tennis professionnel pour robots humanoïdes grâce à une planification et un suivi de mouvement adaptatifs

Des chercheurs ont publié le 21 août 2026 sur arXiv (référence 2608.20087v1) AdaPT, un système de planification et de suivi de mouvement adaptatif qui apprend à des robots humanoïdes à servir et échanger au tennis avec un style proche de celui des joueurs professionnels, directement à partir de vidéos de retransmissions télévisées. L'architecture est hiérarchique : un planificateur génère la trajectoire cinématique stylisée, tandis qu'un module de suivi (tracker) l'exécute en interférant le moins possible avec le plan initial. Validée en simulation, l'approche a ensuite révélé un écart important entre simulation et réel sur le robot Unitree G1, la précision du suivi se dégradant à cause de la planification autorégressive et du bruit de perception ; pour corriger cela, les auteurs ont entraîné le tracker à suivre des vitesses d'exécution randomisées et conditionné le planificateur via un adaptateur de vitesse appris. Les politiques AdaPT ont ensuite été déployées sur le robot humanoïde grand format Dobot Atom (1,7 mètre), capable de servir en conditions réelles sans capture de mouvement, avec vidéos et code publiés sur le site du projet. Ce résultat illustre concrètement la possibilité de transférer un mouvement stylisé et physiquement exigeant, appris depuis de simples vidéos, vers un robot humanoïde grande taille opérant sans motion capture ni environnement contrôlé, un enjeu central pour l'industrie face au fossé habituel entre démonstrations et performance réelle. Il faut toutefois le lire comme un résultat de recherche académique et non comme un produit commercialisé : aucune annonce de volumes, de prix ni de partenariat industriel n'accompagne la publication, et les essais restent limités en nombre. La méthode elle-même dépasse le seul tennis, puisqu'elle traite un problème plus général, générer des mouvements stylistiques complexes sans sacrifier la performance de la tâche, pertinent pour toute application humanoïde exigeant dextérité et fluidité. Ce travail s'inscrit dans une vague récente de recherches sur des humanoïdes jouant à des sports de balle, un domaine où plusieurs laboratoires ont récemment montré des frappes ou services au tennis, badminton ou ping-pong, souvent via des architectures de type VLA ou du renforcement pur. AdaPT se distingue par la combinaison d'une imitation de style issue de vidéos de diffusion et d'une architecture planificateur/tracker pensée spécifiquement pour limiter la dégradation lors du transfert simulation-réel. Les tests ont porté sur deux plateformes, le Unitree G1, standard courant en recherche sur la locomotion, et le Dobot Atom, humanoïde grand format du fabricant chinois Dobot. Les auteurs n'annoncent aucun calendrier de pilote commercial, se limitant à publier code et vidéos et à souligner des enseignements algorithmiques et d'ingénierie pour de futurs systèmes humanoïdes sportifs.

RecherchePaper

1 source

4arXiv cs.RO

Apprentissage de a priori de mouvement sensibles au contexte pour le contrôle d'humanoïdes

Publié sur arXiv (référence 2608.03234v1), le framework Context-Aware Motion Priors (CMP) s'attaque à un défaut connu de l'apprentissage par imitation de mouvements chez les humanoïdes : les motion priors classiques, appris une fois sur tout le jeu de données de référence, sont appliqués uniformément durant l'entraînement sans distinguer les mouvements pertinents pour la tâche en cours. CMP apprend une compatibilité contexte-mouvement à partir des trajectoires de politique les plus prometteuses, tout en restant ancré sur les démonstrations de référence. Les scores obtenus repondèrent la supervision pour entraîner un adaptateur léger conditionné par le contexte, sans étiquetage manuel ni étape de découverte de compétences séparée. L'approche est validée avec deux familles de priors, Adversarial Motion Priors et Score-Matching Motion Priors, sur cinq tâches de contrôle humanoïde. L'enjeu dépasse la performance académique. L'imitation de mouvements par renforcement est la méthode dominante pour doter les humanoïdes de comportements fluides, une brique reprise dans la plupart des piles logicielles du secteur, de Figure à Unitree. Son talon d'Achille reste le caractère générique du prior, incapable de distinguer un mouvement utile d'un mouvement parasite selon la tâche, ce qui pèse sur l'efficacité d'échantillonnage, un facteur critique quand chaque itération d'entraînement coûte du temps de calcul en simulation. En démontrant un gain constant de performance sur cinq tâches sans labellisation additionnelle, CMP s'attaque à un goulot d'étranglement identifié de la recherche en contrôle humanoïde, sans pour autant constituer un système déployé sur robot physique ni un produit annoncé par un fabricant. Le travail s'inscrit dans la lignée des Adversarial Motion Priors, popularisées à partir de 2021 pour l'animation de personnages physiques puis largement reprises dans le contrôle humanoïde par renforcement, et des Score-Matching Motion Priors plus récentes, inspirées des modèles de diffusion. CMP se positionne comme une couche d'adaptation contextuelle au-dessus de ces deux familles plutôt que comme une méthode concurrente. La publication ne précise ni affiliation institutionnelle ni calendrier au-delà de l'article arXiv lui-même ; si les résultats se confirment sur des tâches plus complexes, la suite logique serait une intégration dans les pipelines d'entraînement sim-to-real des acteurs humanoïdes qui s'appuient déjà sur des motion priors pour la locomotion et la manipulation.

RecherchePaper

1 source