HumanoïdesPandaily 8 novembre 2026

X-Humanoid lance Hi-WBC, un modèle de contrôle du corps entier pour les robots humanoïdes Tiangong

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

X-Humanoid, le Centre d'innovation des robots humanoïdes de Pékin, a publié Hi-WBC (Whole-Body Control for Humanoid Intelligence), un modèle généraliste de contrôle du corps entier pour robots humanoïdes, diffusé via sa plateforme d'intelligence incarnée. Annoncé le 2 novembre et détaillé dans un communiqué en chinois le 7 novembre, le modèle traite les mouvements humains de référence comme un guide plutôt que comme un script à reproduire à l'identique. Il les combine avec la dynamique du robot et les contraintes de l'environnement, afin que la machine conserve l'intention du geste tout en ajustant posture, mouvement des articulations et appuis selon la charge, les forces extérieures et le terrain. Trois briques sont décrites. Pour accumuler des compétences sans oublier les précédentes, une architecture de type mixture d'experts et distillation de politiques entraîne d'abord des politiques spécialisées par mouvement ou tâche de manipulation, puis fusionne leurs capacités dans une politique générale. Pour les charges lourdes et l'interaction physique, une approche sensible au contact estime les forces externes à partir des courants des articulations et de l'état du mouvement, puis les associe à une optimisation dynamique à horizon court et à de l'apprentissage par renforcement. Pour les sols irréguliers, un contrôle perceptif exploite la géométrie du terrain afin d'identifier les points d'appui viables et d'adapter placement du pied, balancement de jambe et posture sur pentes, marches et obstacles, le robot pouvant choisir comment et quand franchir un obstacle avant de reprendre sa marche.

Deux vidéos de démonstration accompagnent la publication. La première relie le modèle aux résultats des robots Tiangong à l'épreuve combinée en cinq disciplines d'un événement sportif robotique, où X-Humanoid affirme avoir remporté l'or et l'argent, et être le seul bipède humanoïde médaillé d'or dans les épreuves en scénarios. La seconde montre plusieurs robots rangeant une salle de réunion en un plan continu : ramassage d'une télécommande et de menus objets, déplacement et remise en place de chaises, déplacement d'un tableau blanc, levage d'un sac-poubelle et accroupissement pour ramasser des papiers au sol. Il s'agit de démonstrations de l'entreprise, non de preuves de déploiement commercial.

Pour les intégrateurs et les responsables d'exploitation, l'intérêt tient moins à une percée isolée qu'à la direction prise : un contrôleur unique couvrant locomotion, manipulation chargée et terrain accidenté, plutôt qu'une pile de politiques cloisonnées par tâche. La distillation d'experts vers une politique générale s'attaque à l'oubli catastrophique, un frein réel à l'enrichissement progressif d'un robot en production. L'estimation des forces à partir des courants moteurs, sans capteurs d'effort dédiés, serait par ailleurs un levier de coût et de robustesse si elle tient hors laboratoire. Mais le communiqué ne fournit ni taux de réussite, ni limites de charge utile, ni disponibilité client, et le plan unique de la vidéo ne dit rien du nombre de prises ni des conditions préparées. L'écart entre démonstration et fiabilité répétée reste donc entier.

Le modèle s'inscrit dans la stratégie plus large de X-Humanoid, centre soutenu par Pékin et fabricant de la famille Tiangong, qui a récemment exposé sa feuille de route vers un modèle incarné unifié et des politiques de robots auto-évolutives. Hi-WBC se branche sur le système de décision de tâches et d'ordonnancement multi-robots de la plateforme, et l'entreprise indique qu'il sera amélioré grâce aux retours d'exécution de robots réels. Il fait face à des approches concurrentes de contrôle du corps entier, comme celles de Unitree, UBTech, Figure ou Tesla, dont les contrôleurs restent surtout documentés par des démonstrations. Les prochains indicateurs à surveiller seront des chiffres mesurés, des pilotes industriels nommés et des données issues de flottes opérant en conditions réelles.

Dans nos dossiers

Unitree UBTech

À lire aussi

1arXiv cs.RO

Transfert de style de mouvement humain pour le contrôle physique de robots humanoïdes

Un groupe de chercheurs présente dans un preprint arXiv (2606.03536, soumis le 3 juin 2026) un framework de transfert de style de mouvement pour robots humanoïdes. Le système prend en entrée un court clip humain illustrant un style moteur désiré (rythme de marche, balancement des bras, posture) et un mouvement cible distinct, puis génère un mouvement corps entier stylisé adapté au robot. Le modèle central est un modèle de diffusion latente multi-condition, sensible à la physique, fusionnant conditions de style, de contenu et de trajectoire. La guidance classifier-free permet d'ajuster l'intensité du style sans réentraîner le modèle. Les références générées sont ensuite converties pour le robot Unitree G1 et exécutées par une politique de suivi corps entier entraînée via une stratégie "cluster-and-distill". Sur 125 essais sur robot réel, la méthode atteint un taux de réussite de 96,0 %, avec moins d'artefacts de contact et de jitter que les baselines orientées animation. Ce résultat remet en question le paradigme dominant où chaque comportement expressif d'un humanoïde est soit capturé en démonstration directe, soit scripté manuellement, deux approches coûteuses et non réutilisables entre contenus de mouvement différents. En permettant à un court clip humain de servir de source de style transférable sur des contenus arbitraires, le framework ouvre la voie à une personnalisation motrice procédurale. L'écart simulation-hardware est adressé directement par des régularisations de cohérence de contact et de lissage temporel imposées lors de l'entraînement, un point de friction récurrent dans la chaîne génération-contrôle. Un taux de 96 % sur 125 essais réels représente un résultat solide pour de la recherche académique dans ce domaine, où beaucoup de travaux restent confinés à la simulation. Le Unitree G1 (environ 16 000 dollars) s'est imposé ces 18 derniers mois comme la plateforme de référence pour la recherche humanoïde académique. Ces travaux s'inscrivent dans la tendance des modèles de diffusion appliqués à la génération de mouvement (MDM, MotionDiffuse), prolongée ici jusqu'au contrôle physique sur hardware réel. Dans la course à l'expression motrice des humanoïdes, Boston Dynamics (Atlas), Figure et 1X investissent massivement côté imitation learning et VLA end-to-end, tandis que ce preprint se positionne sur la génération procédurale contrôlée, approche complémentaire. Du côté européen, Wandercraft et Enchanted Tools (France, robot Mirokaï) travaillent sur des problématiques d'expression motrice proches, sur des architectures distinctes. La suite logique serait l'intégration de ce framework dans des pipelines de téléopération ou d'interfaces humain-robot en conditions industrielles réelles.

UEWandercraft et Enchanted Tools (France) travaillent sur des problématiques d'expression motrice similaires et pourraient s'inspirer de cette approche de transfert de style procédural sur hardware réel.

HumanoïdesPaper

1 source

2Robotics Business Review

Sommet en robotique : un panel fait le point sur la conception des robots humanoïdes

Lors du Robotics Summit & Expo 2026, tenu à Boston au Thomas B. Menino Convention & Exhibition Center devant quelque 3 900 participants, un panel de haut niveau a fait le point sur l'état réel du développement des robots humanoïdes. Alberto Rodriguez, directeur du comportement robot pour Atlas chez Boston Dynamics, y a révélé que l'entreprise a engagé le déploiement de l'ordre de 25 000 humanoïdes Atlas dans des usines, avec un objectif de capacité de production portée à 30 000 unités par an d'ici 2028. Boston Dynamics a conduit une première démonstration en conditions réelles en usine en 2025, architecture entièrement pilotée par les données, puis a présenté Atlas au CES de janvier 2026 pendant une semaine complète. Pour 2026, la société prévoit un retour en usine pour une démonstration plus complète, de bout en bout, connectant le robot au système d'information de l'usine et gérant les exceptions opérationnelles. Du côté d'Agility, dont la marque commerciale s'est récemment stabilisée sous le nom Agility (ex-Agility Robotics), les déploiements du robot Digit avancent avec Amazon, GXO, Schaeffler, Toyota et Mercado Libre, marquant une sortie effective de la phase pilote. Ce que ce panel signale clairement pour les intégrateurs et décideurs industriels, c'est que le vrai verrou n'est plus mécanique ni même algorithmique, mais stratégique. Rodriguez a posé le problème avec précision : sauf pour de rares applications à très grand volume et très stable, presque tous les postes de travail sont des cas uniques. Le défi du passage à l'échelle repose sur trois axes simultanés, hardware, modèles de comportement, et stratégie d'intégration, et l'échec sur l'un suffit à rendre le déploiement économiquement non viable. La décision de Boston Dynamics de commencer par la logistique en manufacturing, un environnement qui exige de la généralité sans imposer encore les contraintes de timing et de sécurité de la ligne d'assemblage, illustre une approche pragmatique et graduée. Ces chiffres de déploiement engagés, 25 000 unités, sont une donnée de marché rare dans un secteur habitué aux annonces sans livraisons. Boston Dynamics, filiale de Hyundai depuis 2021, a traversé une longue période de recherche pure avant de commercialiser Atlas dans sa version électrique présentée en 2024, succédant aux plateformes hydrauliques historiques. Le marché des humanoïdes reste en pleine effervescence : Figure AI avec Figure 03, Tesla avec Optimus Gen 3 sur sa propre ligne de production, Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, et des acteurs émergents comme 1X Technologies ou Apptronik positionnent tous leurs solutions sur des créneaux différents, de l'assemblage léger à la manutention lourde. Côté Europe, Enchanted Tools (France) et Wandercraft restent focalisés sur des niches spécifiques, assistance et rééducation, sans viser encore le marché industriel général. Les prochaines étapes à surveiller : la publication par ASTM International (représenté dans le panel par Aaron Prather) de standards de sécurité pour la cohabitation humains-humanoïdes, et les résultats concrets des déploiements Agility/Amazon, dont les métriques opérationnelles restent pour l'instant non publiques.

UELes entreprises françaises (Enchanted Tools, Wandercraft) restent cantonnées aux niches assistance/rééducation sans feuille de route vers l'industriel général, creusant un écart stratégique avec les déploiements à grande échelle désormais en cours en Amérique du Nord.

HumanoïdesActu

1 source

3Interesting Engineering

Une entreprise américaine dévoile R-Noid, un robot humanoïde pour les usines, hôtels et entrepôts

Robot.com, société américaine, a annoncé le lancement commercial de R-Noid, un robot humanoïde destiné aux environnements industriels, logistiques, hospitaliers et de restauration. Proposé selon un modèle Robot-as-a-Service (RaaS), le système serait déployable en huit à douze semaines, de l'évaluation initiale du site jusqu'à l'opération autonome. R-Noid mesure 1,7 mètre, pèse 90 kilogrammes, et embarque deux bras à 7 degrés de liberté (7-DOF) capables de manipuler des charges allant jusqu'à 4 kilogrammes chacun, complétés par un torse articulé à 4-DOF offrant une portée verticale de 0 à 1,9 mètre. Sa base mobile holonome permet des déplacements omnidirectionnels sans modification des infrastructures existantes. Au lancement, le robot couvre 19 tâches réparties en cinq catégories : Restaurant Assistant, Packer, Picker, Folder et Host, comprenant notamment le montage de cartons, le picking en entrepôt, le transfert de pièces plastiques sur lignes de production, le support en cuisine et le pliage de linge. L'autonomie annoncée est d'environ trois heures sur batterie, avec la possibilité de fonctionner en continu branché au secteur, et une architecture d'effecteurs terminaux modulaire permet de changer d'outil selon la tâche. Ce qui distingue techniquement R-Noid, c'est l'empilement logiciel retenu. La manipulation est pilotée par pi-0.7, le modèle vision-langage-action (VLA) développé par Physical Intelligence, dont les travaux sur les politiques généralisées font référence dans la communauté robotique. La navigation et l'autonomie terrain reposent sur les Foundation Field Models (FFM) de FieldAI, conçus pour opérer sans cartographie préalable dans des environnements dynamiques. L'inférence embarquée est assurée par des modules NVIDIA Jetson, et la validation pré-déploiement passe par NVIDIA Isaac Sim. Ce choix d'assembler trois couches tierces spécialisées plutôt que de développer une stack propriétaire reflète une tendance croissante chez les intégrateurs humanoïdes. Reste que le RaaS humanoïde n'a pas encore fait ses preuves à l'échelle industrielle : l'annonce ne mentionne ni clients nommés ni volumes déployés, ce qui la place davantage du côté du lancement commercial que du déploiement réel en production. Robot.com s'inscrit dans une vague d'acteurs cherchant à industrialiser l'humanoïde en contournant la difficulté du hardware par un modèle de service. Ses concurrents directs incluent Figure AI avec le Figure 03 déployé chez BMW, Agility Robotics présent chez Amazon, 1X Technologies et Apptronik, tous positionnés sur les marchés industriels et logistiques. Du côté européen, Wandercraft développe Atalante X pour la rééducation médicale, et la française Enchanted Tools positionne Miroka sur l'hospitalité, segment également ciblé par la catégorie Host de R-Noid. Aucune tarification n'est communiquée. Les prochaines étapes seront déterminantes : Robot.com devra démontrer que ses délais de déploiement de huit à douze semaines tiennent en conditions réelles, et que pi-0.7 maintient ses performances hors des environnements contrôlés où les VLA ont jusqu'ici surtout été validés.

UEL'entrée de R-Noid sur le segment hospitalité crée une pression concurrentielle directe pour la française Enchanted Tools (Miroka) et indirectement pour Wandercraft, en illustrant la rapidité à laquelle des acteurs américains s'attaquent aux niches où des acteurs européens se positionnaient.

HumanoïdesOpinion

1 source

4Interesting Engineering

Un robot humanoïde atteint 85 % de réussite lors d'un essai en conditions réelles avec le modèle GO-3 d'AGIBOT

AGIBOT, entreprise chinoise de robotique, a dévoilé le 29 octobre GO-3 Preview, un modèle d'IA incarnée conçu pour que les robots apprennent en continu et améliorent leurs compétences après leur déploiement. Il repose sur une architecture baptisée World Reasoning Action Model (WRAM), qui relie le raisonnement sur la tâche, la prédiction des résultats et la génération des actions. L'entraînement combine deux sources de données: des vidéos humaines à la première personne, qui montrent comment les gens manipulent les objets au quotidien, et des trajectoires de robots, qui associent observations visuelles, actions physiques et conséquences. En pré-entraînement, le modèle est présenté comme capable d'aborder des tâches inconnues dans des cadres variés (domiciles, cuisines, configurations multi-robots) et de manipuler avec dextérité sans réglage fin pour chaque activité. Quelques démonstrations suffiraient pour apprendre des séquences complexes, comme la préparation d'un jianbing, la crêpe salée chinoise, ou l'assemblage de Lego après fine-tuning, avec un agent IA qui coordonne les étapes. Pour le post-entraînement, AGIBOT a développé Genie Evolver, un système distribué qui fusionne les données d'environ 100 robots physiques, des simulations physiques et des modèles du monde. Deux démonstrations l'illustrent: au curling de table, un robot a dépassé la performance moyenne d'humains testés après quatre heures de pratique en ligne, et un autre a retiré cinq blocs consécutifs d'une tour sans la faire tomber. Le framework d'agent Genie Master doit permettre au robot d'identifier ses erreurs, d'ajuster son comportement et de conserver l'expérience acquise. AGIBOT l'a montré avec un robot G2 dans un vrai magasin de proximité, où la machine a diagnostiqué les causes de ses échecs et mémorisé les corrections sans intervention humaine. Selon l'entreprise, GO-3 Preview se classe premier sur trois classements d'IA incarnée: RoboDojo, RoboTwin et RoboColiseum. Le code complet doit être publié en open source d'ici fin 2026. L'enjeu dépasse le score de benchmark: il porte sur le passage du robot « entraîné une fois, figé ensuite » à un robot qui s'améliore en service. Si l'apprentissage en ligne à partir des échecs fonctionne hors laboratoire, il réduirait le coût d'adaptation par site, qui reste le principal frein des intégrateurs face aux modèles vision-langage-action (VLA) actuels, souvent très sensibles au changement d'environnement. Des réserves s'imposent toutefois. Le titre de l'article évoque un taux de succès de 85 % en conditions réelles, mais les éléments disponibles ne précisent ni le nombre d'essais, ni la définition de la tâche, ni la durée de l'essai en magasin. Le curling et la tour de blocs sont des démonstrations choisies, sans protocole publié, et un classement sur des benchmarks, dont certains sont en simulation, ne garantit pas la fiabilité en exploitation. Le modèle est de plus une préversion: aucune livraison ni déploiement commercial n'est annoncé, et la promesse d'open source reste à vérifier à l'échéance. AGIBOT, qui commercialise déjà des humanoïdes de la gamme Genie, dont le G2, se place dans une course où les approches d'apprentissage continu se multiplient. Figure avec Helix, Physical Intelligence avec ses modèles π, NVIDIA avec GR00T et Tesla avec Optimus misent aussi sur des modèles généralistes entraînés sur de grands volumes de données, souvent en les gardant fermés. L'ouverture annoncée par AGIBOT, dans la lignée de ses précédents modèles GO, pourrait lui donner un avantage d'adoption auprès des laboratoires et des intégrateurs, notamment européens, qui cherchent une base ouverte plutôt qu'une pile propriétaire. Le prochain jalon vérifiable sera la publication des poids et du code d'ici fin 2026, puis des chiffres de fiabilité sur des déploiements clients mesurés dans la durée.

UEUn modèle ouvert annoncé pour fin 2026 pourrait offrir aux laboratoires et intégrateurs européens une alternative aux piles propriétaires, sans déploiement européen explicite à ce stade.

HumanoïdesActu

1 source