Dossier Boston Dynamics — page 2

Vidéo : le robot humanoïde Unitree G1 épate avec des sauts acrobatiques et pirouettes sur patins

Unitree Robotics a publié le 23 avril une vidéo montrant son robot humanoïde G1 exécuter des figures sur rollers et patins à glace : virages à 360 degrés, rotations sur une jambe, et frontflips, le tout en maintenant l'équilibre via un contrôle coordonné des roues et des membres articulés. La plateforme G1 est un hybride roues-jambes lancé en novembre 2025 sous la désignation G1-D, disponible en deux versions. La version Standard, stationnaire, embarque 17 degrés de liberté ; la version Flagship, motorisée par une base à entraînement différentiel capable de 1,5 m/s, monte à 19 DOF. Les deux variantes mesurent entre 126 et 168 cm pour un poids maximal de 80 kg. Chaque bras offre 7 DOF et supporte une charge utile de 3 kg. L'articulation de taille permet 155° de rotation sur l'axe Z et une plage de -2,5° à 135° sur l'axe Y, couvrant une enveloppe de travail verticale de 2 mètres. La perception repose sur une caméra binoculaire en tête et des caméras poignet pour la vision rapprochée. La version Flagship tourne sur un module Nvidia Jetson Orin NX délivrant jusqu'à 100 TOPS, avec une autonomie annoncée de six heures. Cette démonstration illustre une tendance de fond : la mobilité humanoïde sort du strict bipédisme pour intégrer la locomotion hybride. L'association roues et jambes avait été largement laissée de côté au profit du seul marcheur anthropomorphe, considéré comme la voie vers les environnements humains. Unitree repose la question en montrant qu'un humanoïde peut gagner en efficacité énergétique et en polyvalence terrain sans sacrifier l'adaptabilité des membres. Sur le fond, la vidéo reste une démonstration contrôlée, pas un déploiement industriel, et les conditions de tournage ne sont pas précisées. Ce type de footage sélectif est courant dans le secteur et ne documente pas les taux d'échec ni les conditions réelles d'opération. Ce qui est lisible, néanmoins, c'est la maturité des algorithmes de contrôle temps réel et l'apport de l'entraînement en simulation pour des mouvements dynamiques complexes. Unitree, fondée en Chine et connue pour ses quadrupèdes Go1 et B2, a accéléré son virage humanoïde avec le G1 commercialisé à partir de 16 000 dollars en 2024, un prix agressif qui le positionne directement contre les plateformes de recherche d'Agility Robotics (Digit), Figure (Figure 02) et Boston Dynamics (Atlas). Le G1-D intègre un stack logiciel complet couvrant l'annotation de données, la simulation et l'entraînement distribué, ce qui signale une ambition au-delà du hardware : se positionner comme plateforme de développement de modèles d'action (VLA). La prochaine étape attendue du secteur est le passage de ces démos en conditions contrôlées à des déploiements industriels répétables, un saut que ni Unitree ni ses concurrents n'ont encore documenté publiquement à grande échelle.

Deep Robotics déploie des robots quadrupèdes chez FAW pour l'inspection industrielle

Deep Robotics a annoncé le 23 avril 2026 le déploiement de son robot quadrupède Jueying X30 sur un site industriel du groupe FAW (First Automobile Works), l'un des plus grands constructeurs automobiles chinois. Les robots assurent des missions d'inspection automatisée au sein du parc manufacturier, opérant en continu 24h/24 et 7j/7, y compris en conditions de faible luminosité grâce à un module multi-capteurs embarqué. Le Jueying X30 s'intègre aux systèmes de contrôle d'accès du site pour franchir les portes de manière autonome et navigue indifféremment en environnements intérieurs et extérieurs. Les données collectées et les alertes sont centralisées sur une plateforme dédiée pour le suivi et le reporting. L'annonce ne précise pas les métriques clés habituellement attendues dans ce type de déploiement : vitesse de déplacement, autonomie de la batterie, superficie couverte, nombre d'unités déployées ou résultats opérationnels mesurés. Le déploiement chez FAW constitue un signal intéressant pour le marché de l'inspection industrielle quadrupède, qui cherche depuis plusieurs années à dépasser le stade du pilote isolé. L'intégration native au contrôle d'accès et la capacité à opérer en extérieur comme en intérieur répondent à des contraintes réelles des sites manufacturiers à grande échelle, notamment la couverture incomplète des rondes humaines et les difficultés de recrutement pour les postes de nuit. Pour un intégrateur ou un responsable maintenance industrielle, ce type de déploiement valide le cas d'usage "inspection de site" sur un terrain exigeant, même si l'absence de KPI publics rend difficile l'évaluation de la maturité réelle de la solution versus une démonstration commerciale. Deep Robotics, fondée à Hangzhou, développe la gamme Jueying depuis plusieurs années et positionne le X30 comme sa référence pour l'inspection industrielle lourde. La concurrence sur ce segment est dense : Boston Dynamics Spot reste la référence mondiale la plus déployée, Unitree pousse ses modèles B2 sur les marchés sensibles au prix, et ANYbotics (Zurich) avec son ANYmal C est le principal acteur européen actif sur les sites Oil & Gas et manufacturiers. Ghost Robotics (Philadelphie) cible quant à lui les applications défense et sécurité. La prochaine étape pour Deep Robotics sera de publier des données de performance terrain pour crédibiliser ce déploiement au-delà du communiqué de presse.

Système de navigation vision-langage incarné et déployable avec cognition hiérarchique et exploration contextuelle

Une équipe de chercheurs a publié en avril 2026 sur arXiv (référence 2604.21363) un système de navigation embodied par vision et langage (VLN) conçu pour fonctionner en temps réel sur des plateformes robotiques embarquées aux ressources limitées. L'architecture repose sur trois modules asynchrones découplés : un module de perception temps-réel pour l'acquisition continue de l'environnement, un module d'intégration mémorielle pour l'agrégation spatiale et sémantique, et un module de raisonnement pour la prise de décision de haut niveau via un modèle vision-langage (VLM). Le coeur du système est un graphe de mémoire cognitive construit de façon incrémentale, décomposé en sous-graphes pour alimenter le VLM sans saturer la mémoire embarquée. Pour optimiser l'exploration, les auteurs reformulent le problème comme un Weighted Traveling Repairman Problem (WTRP) contextuel, qui minimise le temps d'attente pondéré des points de vue candidats. Les expériences portent à la fois sur des environnements simulés et sur des plateformes robotiques réelles, avec des résultats supérieurs aux approches VLN existantes en taux de succès et en efficacité de navigation. Ce travail s'attaque directement à une tension structurelle du domaine : les systèmes VLN les plus performants exigent des capacités de raisonnement qui restent typiquement hors de portée d'un matériel embarqué. Le découplage en modules asynchrones est une réponse architecturale concrète à cette contrainte, permettant de maintenir une boucle de perception à faible latence sans bloquer le raisonnement lourd. La démonstration sur hardware contraint réel, pas seulement en simulation, est le point de validation critique : elle réduit l'argument du sim-to-real gap qui frappe la majorité des publications académiques sur les VLA et VLN. Pour un intégrateur ou un décideur industriel, cela suggère que des robots capables de suivre des instructions en langage naturel dans des environnements non-structurés pourraient être déployés sans infrastructure GPU dédiée. La navigation embodied par vision et langage est un champ en pleine consolidation, porté par les progrès des VLM multimodaux (GPT-4o, LLaVA, InternVL) et par la disponibilité de benchmarks comme R2R ou REVERIE. La plupart des approches récentes sacrifient soit la généralisation soit la vitesse d'inférence pour tenir sur un robot réel. Ce papier s'inscrit dans un courant de recherche qui cherche à rendre ces systèmes embarquables sans fine-tuning massif, une direction que suivent également des équipes comme celles de CMU, ETH Zurich ou du LAAS-CNRS côté européen. Les prochaines étapes naturelles seraient une évaluation sur des benchmarks standardisés publics et une intégration dans des plateformes commerciales comme Boston Dynamics Spot ou des AMR industriels, mais ces éléments ne sont pas annoncés dans l'abstract.

RPG : commutation robuste de politiques pour des transitions fluides entre compétences en combat humanoïde

Une équipe de chercheurs a publié le 21 avril 2026 sur arXiv (2604.21355) un framework baptisé RPG (Robust Policy Gating), conçu pour permettre à des robots humanoïdes d'enchaîner plusieurs compétences de combat dynamique sans instabilité. L'approche repose sur une politique unifiée entraînée avec deux mécanismes de randomisation : la randomisation des transitions de mouvement, qui expose la politique à des états initiaux et terminaux variés entre compétences, et la randomisation temporelle, qui rend l'agent robuste aux coupures imprévises dans la séquence de mouvements. La pipeline de contrôle intègre la locomotion (marche, course) avec les compétences de combat, permettant théoriquement des séquences de durée arbitraire. Le système a été validé en simulation extensive, puis déployé sur le robot humanoïde Unitree G1, la plateforme à 23 DDL du constructeur chinois Unitree Robotics. Le problème central que RPG adresse est connu dans le domaine sous le nom de "skill transition gap" : lorsqu'un agent bascule d'une politique spécialisée à une autre, les états terminaux de la première ne correspondent pas aux états initiaux supposés de la seconde, produisant des comportements hors domaine, des chutes ou des mouvements saccadés. Les approches concurrentes utilisent soit une commutation entre politiques mono-compétence, soit une politique généraliste qui imite des motion clips de référence -- les deux souffrent de ce décalage. RPG propose une solution d'entraînement plutôt que d'architecture, ce qui est notable : la robustesse aux transitions est injectée pendant la phase d'apprentissage, pas via un mécanisme de gating à l'inférence. L'absence de métriques quantitatives dans la publication (temps de cycle, taux de chute, nombre de transitions testées) limite cependant la comparaison directe avec d'autres travaux. RPG s'inscrit dans une vague active de recherche sur le contrôle corps entier des humanoïdes pour des tâches hautement dynamiques, un domaine où les laboratoires UCB, CMU et Stanford publient régulièrement depuis 2023. L'utilisation du G1 comme plateforme de validation est cohérente avec sa popularité croissante en recherche académique, notamment grâce à son coût inférieur à celui des plateformes concurrentes (Boston Dynamics Atlas, Agility Digit). Sur le plan commercial, des acteurs comme Figure AI, 1X Technologies ou Apptronik ciblent des tâches répétitives en entrepôt plutôt que le combat, mais les techniques de transition de compétences développées ici sont directement transposables aux scénarios industriels nécessitant des enchaînements fluides de manipulation et de locomotion. La prochaine étape naturelle serait une évaluation quantitative en conditions adversariales réelles, ainsi qu'un transfert vers des tâches moins "spectaculaires" mais plus proches du déploiement B2B.

Unitree Robotics présente un robot humanoïde à roues et jambes capable de patiner et d'effectuer des figures acrobatiques

Le 23 avril 2026, Unitree Robotics a diffusé une vidéo présentant les capacités de son robot humanoïde hybride à roues et jambes, la plateforme G1-D. Les séquences montrent l'engin enchaîner patinage sur glace, roller, rotations à 360 degrés, pirouettes sur un appui et saltos avant, en alternant de manière autonome entre modes roues et bipède selon les exigences du terrain. L'entreprise positionne cette architecture comme un vecteur de polyvalence pour les robots à usage général, adaptables à des environnements variés sans changement de plateforme matérielle. Aucune métrique technique indépendante (charge utile, degrés de liberté, temps de cycle opérationnel) n'accompagne la publication : il s'agit d'une vidéo promotionnelle dont les conditions précises de tournage restent inconnues. Le contrôle multimodal illustré représente un défi technique réel : la transition fluide entre locomotion roues et locomotion pédestre exige des politiques de contrôle capables de gérer des dynamiques radicalement différentes, généralement entraînées par apprentissage par renforcement. Pour les intégrateurs industriels, la question centrale est celle de la polyvalence opérationnelle : une architecture hybride permet-elle de couvrir plusieurs cas d'usage (logistique en entrepôt et manutention debout) sur un seul déploiement matériel, ou ajoute-t-elle de la complexité sans avantage net ? La réponse reste ouverte tant qu'aucun pilote industriel documenté ne valide les performances hors conditions contrôlées. Unitree Robotics, fondée en 2016 à Hangzhou, s'est imposée avec le Go1, le B2 et l'humanoïde H1 comme l'un des fabricants de robots les plus prolifiques du marché semi-industriel. La plateforme G1-D intègre une solution complète de collecte de données et d'entraînement de modèles pour accélérer l'optimisation des algorithmes de locomotion. Sur le segment humanoïde, la concurrence directe de Figure, Boston Dynamics et Agility Robotics reste sur des architectures entièrement bipèdes, ce qui fait de l'hybridation roues-jambes un pari différenciant mais encore non validé en production. En France et en Europe, aucun acteur ne travaille sur cette architecture spécifique à échelle industrielle, laissant le terrain largement ouvert à l'offre asiatique.

Optimisation cinématique des rapports de longueur des phalanges dans les mains robotiques par dextérité potentielle

Des chercheurs ont publié sur arXiv (référence 2604.20686) un cadre méthodologique permettant d'optimiser les proportions des phalanges dans les mains robotiques à cinq doigts, sans avoir à définir au préalable des objets précis ou des tâches de manipulation. Le système repose sur quatre métriques d'évaluation : la manipulabilité globale, le volume de l'espace de travail atteignable, le volume d'espace de travail partagé entre les doigts, et la sensibilité des extrémités. L'espace de travail est discrétisé via une représentation en voxels, et les mouvements articulaires sont découpés à intervalles uniformes pour permettre une évaluation systématique. L'optimisation s'applique séparément au pouce et aux quatre autres doigts, en excluant les combinaisons de conception qui ne génèrent pas de chevauchement d'espace de travail entre les doigts. Ce travail répond à un problème concret du développement robotique : jusqu'ici, évaluer quantitativement l'impact des ratios de longueur des phalanges sur la dextérité nécessitait de simuler des scénarios de manipulation spécifiques, ce qui rendait la phase de conception longue et peu généralisable. En proposant une fonction objectif pondérée applicable dès la phase de conception cinématique, les auteurs offrent aux ingénieurs un outil de décision précoce, indépendant des cas d'usage. Les résultats montrent que chaque phalange ne contribue pas de manière égale à la dextérité globale, et que le choix des coefficients de pondération ne conduit pas mécaniquement à maximiser chaque indicateur individuellement, en raison de la distribution non uniforme des mesures dans l'espace de conception. La conception des mains robotiques multi-doigts constitue l'un des défis persistants de la robotique humanoïde et de la manipulation industrielle. Des acteurs comme Boston Dynamics, Shadow Robot ou Agility Robotics investissent massivement dans la dextérité des effecteurs, qui conditionne directement l'utilisabilité des robots dans des environnements non structurés. Ce cadre méthodologique, en analysant systématiquement les compromis entre accessibilité, dextérité et contrôlabilité, pourrait accélérer les cycles de prototypage et s'imposer comme référence dans la conception cinématique des mains robotiques de nouvelle génération.

X Square Robot lance WALL-B, un modèle d'IA embarquée pour usage domestique

La startup chinoise X Square Robot a présenté le 21 avril 2026 WALL-B, qu'elle décrit comme le premier modèle fondamental d'IA incarnée au monde basé sur une architecture World Unified Model (WUM). Contrairement aux approches traditionnelles de type Vision-Language-Action (VLA), WALL-B fusionne nativement la vision, le langage, le mouvement et la prédiction physique dans un entraînement conjoint. Le modèle repose sur trois capacités clés : la multimodalité native, la compréhension de la dynamique du monde physique, et la capacité d'auto-amélioration après un échec. Pour construire ce modèle, X Square Robot a utilisé une combinaison de données expérimentales et de scénarios réels, incluant des données collectées dans des centaines de foyers. La société a annoncé qu'en l'espace de 35 jours, des robots équipés de WALL-B et d'un hardware amélioré seront déployés dans de vraies maisons, avec un recrutement d'utilisateurs déjà lancé. Des détails techniques supplémentaires seront dévoilés le 27 avril lors de la première conférence sur les applications de l'IA du Guangdong. Ce lancement marque une rupture significative dans la robotique domestique. Les architectures VLA classiques souffrent de pertes d'information entre leurs modules et peinent à modéliser la physique du monde réel, deux limitations directement adressées par WALL-B. La capacité d'auto-évolution après l'échec est particulièrement notable : elle permettrait à un robot de s'adapter aux imprévus du quotidien sans intervention humaine, ce qui est le principal obstacle à la commercialisation grand public de robots domestiques. Pour les utilisateurs, cela ouvre la voie à des assistants capables de naviguer dans l'environnement complexe et imprévisible d'un foyer réel. La Chine investit massivement dans la robotique humanoïde et incarnée, avec une concurrence intense entre startups locales et géants comme Huawei ou Xiaomi. X Square Robot s'inscrit dans cette dynamique en ciblant explicitement le marché résidentiel, là où des acteurs comme Figure AI ou Boston Dynamics se concentrent davantage sur l'industrie. Pour lever les freins liés à la vie privée, la société a intégré une anonymisation visuelle locale, une autorisation explicite des utilisateurs et des restrictions d'usage strictes. La prochaine étape sera le déploiement en conditions réelles dans des foyers, un test grandeur nature qui déterminera si l'approche WUM tient ses promesses face aux exigences du monde domestique.

Évaluation de l'inférence d'affordance sémantique par VLM pour des morphologies robotiques non humanoïdes

Une équipe de chercheurs publie sur arXiv (2604.19509) une évaluation empirique des modèles vision-langage (VLM) pour l'inférence d'affordances sur des robots à morphologie non humanoïde. L'"affordance" désigne ici la capacité d'un modèle à déterminer quelles actions sont physiquement réalisables par un robot donné face à un objet spécifique. Les auteurs ont constitué un jeu de données hybride combinant des annotations réelles de relations affordance-objet et des scénarios synthétiques générés par VLM, couvrant plusieurs catégories d'objets et plusieurs types de morphologies robotiques. Les résultats montrent une généralisation prometteuse aux formes non humanoïdes, mais des performances très variables selon les domaines d'objets. Le constat central est un schéma systématique de faible taux de faux positifs associé à un fort taux de faux négatifs, révélant que les VLM adoptent des prédictions trop conservatrices. Ce biais est particulièrement prononcé pour les outils inédits et les manipulations non conventionnelles. Pour les intégrateurs qui envisagent d'utiliser les VLM comme couche de planification sémantique, ce résultat est structurellement important. Le biais conservateur offre un avantage de sécurité intrinsèque, les robots n'entreprenant pas d'actions impossibles ou dangereuses, mais le taux élevé de faux négatifs freine l'exploitation réelle : le système refuse des tâches qu'il pourrait pourtant accomplir. Pour un architecte de système ou un COO industriel, cela confirme qu'un VLM seul ne peut pas servir de module d'affordance universel pour des cobots ou des AMR (robots mobiles autonomes) aux morphologies spécifiques. Des couches complémentaires, simulation physique ou vérification cinématique, restent nécessaires pour corriger ce défaut sans sacrifier la sécurité. La recherche sur les affordances VLM s'est construite massivement sur des corpus centrés sur l'interaction humain-objet, laissant les robots non humanoïdes structurellement sous-représentés. Des architectures VLA (Vision-Language-Action) comme pi-zero de Physical Intelligence ou GR00T N2 de NVIDIA ont été évaluées principalement sur des tâches de manipulation humain-like. Cette étude pointe un enjeu distinct pour des plateformes comme Spot de Boston Dynamics ou ANYmal d'ANYbotics, dont les effecteurs et degrés de liberté (DOF) diffèrent fondamentalement de la main humaine. Les auteurs proposent des architectures hybrides et des jeux de données morpho-spécifiques comme prochaines étapes pour réduire le biais conservateur tout en préservant les faibles taux de faux positifs, seul acquis de sécurité clairement démontré.

HALO : locomotion hybride auto-encodée avec dynamiques latentes apprises, cartes de Poincaré et régions d'attraction

HALO (Hybrid Auto-encoded Locomotion with Learned Latent Dynamics) est un framework académique publié en avril 2026 sur arXiv (2604.18887) autour d'un problème central de la robotique bipedale : construire des modèles d'ordre réduit qui représentent fidèlement la dynamique hybride des robots à jambes tout en offrant des garanties formelles de stabilité. L'approche combine un autoencodeur neuronal, qui apprend une représentation latente basse dimension depuis des trajectoires de locomotion périodique, avec une carte de Poincaré apprise dans cet espace latent. Cette carte modélise la dynamique pas-à-pas du cycle de marche ou de saut et permet de construire des régions d'attraction (RoA) via une analyse de Lyapunov, projetables ensuite vers l'espace d'état complet via le décodeur. Les validations sont conduites en simulation sur un robot sauteur et un humanoïde corps entier. Ce travail tente de combler un fossé persistant entre deux familles de méthodes. Les modèles analytiques classiques comme le Linear Inverted Pendulum (LIP) ou le Spring-Loaded Inverted Pendulum (SLIP) offrent des garanties de stabilité rigoureuses, mais approximent mal la dynamique réelle d'un humanoïde haute dimensionnalité. Les méthodes data-driven récentes capturent mieux la physique du système, mais sans transfert formel des propriétés de stabilité au système complet. HALO propose une voie hybride : apprendre la structure de l'espace d'état depuis les données, puis y appliquer les outils classiques de l'automatique. Pour les développeurs de contrôleurs de locomotion, borner formellement des zones de stabilité sans modèle analytique exact constitue un apport potentiellement significatif. L'approche s'ancre dans une littérature établie sur les systèmes dynamiques hybrides à contacts discontinus, notamment les hybrid zero dynamics et les Control Barrier Functions (CBF) développés par Aaron Ames à Caltech. La carte de Poincaré, outil classique pour analyser les orbites périodiques, est ici apprise depuis les données plutôt que dérivée analytiquement. La limite principale reste l'absence totale de validation sur robot physique : les résultats sont exclusivement en simulation, et le gap sim-to-real n'est pas adressé. Les acteurs industriels comme Boston Dynamics, Agility Robotics ou Figure, qui déploient des humanoïdes en environnement réel, resteront prudents avant d'intégrer des RoA apprises sans expérimentation hardware. Les suites logiques impliqueraient des tests sur plateforme physique et une intégration dans des pipelines MPC ou des frameworks comme Drake.

EmbodiedLGR : un graphe léger pour la mémoire sémantique-spatiale des agents robotiques

Des chercheurs ont publié le 23 avril 2026 sur arXiv (référence 2604.18271) les travaux sur EmbodiedLGR-Agent, une architecture mémoire pour robots mobiles combinant graphe sémantique léger et retrieval-augmented generation. Le système repose sur un modèle visuo-langagier (VLM) à faible empreinte paramétrique qui indexe en continu les objets détectés, leurs positions et leurs relations spatiales dans un graphe dense, tout en conservant des descriptions de haut niveau des scènes observées via une couche RAG classique. L'ensemble tourne localement, sans dépendance cloud. Évalué sur le benchmark NaVQA, EmbodiedLGR-Agent atteint des performances état de l'art sur les temps d'inférence et de requête pour les agents robotiques embarqués, tout en maintenant une précision compétitive sur la tâche globale de question-réponse spatiale. Le système a également été déployé sur un robot physique réel, validant son utilité hors simulation. Ce qui mérite attention, c'est moins la précision brute que la latence : dans les interactions humain-robot, un agent qui répond "où sont les ciseaux ?" en temps humain change radicalement l'expérience utilisateur. La majorité des architectures mémoire robotiques actuelles sacrifient la réactivité à la richesse sémantique, ou inversement. L'approche hybride graphe + RAG tente de résoudre ce compromis sans exploser les ressources de calcul embarqué. Le déploiement sur robot physique, et non en simulation pure, est un signal concret, même si l'article ne précise pas la plateforme matérielle ni les métriques de latence chiffrées en millisecondes, ce qui limite la comparabilité directe avec d'autres systèmes. L'enjeu de la mémoire sémantique-spatiale est un chantier ouvert depuis plusieurs années dans la communauté robotique, avec des approches comme les scene graphs neuraux, ConceptGraphs ou encore les travaux de SayPlan. EmbodiedLGR se positionne sur le segment des architectures légères et déployables sur matériel contraint, là où des solutions comme celles de Boston Dynamics ou des startups comme Skild AI misent plutôt sur la puissance de calcul embarquée ou le traitement distant. Sur le front européen, des acteurs comme Enchanted Tools (Mirokaï) ou Wandercraft travaillent également sur la cognition embarquée, mais dans des contextes applicatifs distincts. Les prochaines étapes naturelles seraient une évaluation sur des benchmarks plus récents (Habitat, OpenEQA) et une publication des temps de latence mesurés sur plateforme physique.

Les gens apprécient-ils un entraîneur robot ? Étude de cas avec Snoopie le Pacerbot

Une équipe de chercheurs a développé SNOOPIE (Snoopie Pacerbot), un robot quadrupède autonome conçu pour servir d'entraîneur personnel lors de séances d'interval training. Publié sur arXiv (2604.18331), le travail porte sur une tâche spécifique : guider des coureurs à maintenir un rythme précis sur des intervalles répétés, une discipline où la régularité est critique. Dans les expériences utilisateurs menées, les participants équipés du robot ont respecté leur plan de cadence avec 60,6 % de précision supplémentaire par rapport à un groupe utilisant une Apple Watch, et ont maintenu une vitesse de course 45,9 % plus régulière d'un intervalle à l'autre. Sur le plan subjectif, la préférence pour le robot sur le wearable est nette : facilité d'utilisation (+56,7 %), plaisir de l'interaction (+60,6 %), sentiment d'être bien accompagné (+39,1 %). Ces résultats soulèvent une question concrète pour les intégrateurs et les concepteurs de systèmes d'entraînement connecté : la présence physique incarnée d'un robot apporte-t-elle une valeur ajoutée mesurable par rapport à un écran ou un capteur poignet ? L'étude suggère que oui, au moins dans ce cas précis. Le robot peut ajuster son allure en temps réel, maintenir une distance constante avec le coureur, et fournir un retour visuel et cinétique que ni une montre ni une application mobile ne peuvent reproduire. Cela conforte l'hypothèse que l'embodiment robotique n'est pas qu'un argument marketing dans les contextes d'interaction physique prolongée : il modifie effectivement le comportement de l'utilisateur. Ces données restent néanmoins issues d'une étude de laboratoire à effectif limité, et les conditions réelles (terrain variable, foule, météo) n'ont pas été testées. Les robots quadrupèdes agiles comme ceux de Boston Dynamics (Spot) ou les plateformes issues des travaux de l'ETH Zurich et de CMU ont ouvert la voie à une nouvelle génération de robots capables de se déplacer de manière fiable dans des environnements non structurés. SNOOPIE s'inscrit dans cette lignée en poussant l'usage vers une application grand public et de bien-être, un territoire encore peu exploré par l'industrie. Les concurrents directs dans le créneau coaching physique robotisé sont quasi inexistants à ce stade commercial, mais des entreprises comme Agility Robotics ou Unitree pourraient théoriquement adapter leurs plateformes à ce type d'usage. Les suites annoncées par l'équipe incluent des tests en conditions extérieures et l'intégration de retours verbaux, avec l'ambition de transformer SNOOPIE en dispositif d'entraînement personnalisé adaptatif à plus long terme.

Les géants technologiques chinois accélèrent dans la robotique, un secteur en pleine expansion

Honor, filiale autonome de Huawei depuis 2020 et jusqu'ici positionnée sur les smartphones et wearables, a décroché la médaille d'or au deuxième semi-marathon humanoides de Pékin avec son robot baptisé Lightning, devançant des acteurs spécialisés comme Unitree et X-Humanoid. L'événement, organisé dimanche dernier, réunissait les principaux constructeurs de robots humanoïdes chinois dans une course d'endurance conçue pour évaluer locomotion et robustesse en conditions réelles. Alibaba figure également parmi les grands groupes technologiques qui accélèrent leurs investissements dans le secteur, dans un contexte où Pékin pousse activement à la montée en puissance de la robotique nationale. La victoire d'Honor est significative car elle illustre un phénomène nouveau: les Big Tech généralistes chinois rattrapent en moins de deux ans des spécialistes de la robotique humanoïde qui disposent de plusieurs années d'avance en R&D. Cela suggère que les barrières à l'entrée s'abaissent rapidement, portées par la disponibilité de fondations logicielles communes et d'une chaîne d'approvisionnement matérielle dense en Chine. Pour les intégrateurs industriels, cela annonce une intensification de la concurrence et potentiellement une compression des prix sur les plateformes humanoïdes dans les 18 à 24 prochains mois. Honor n'a lancé sa division robotique qu'en 2025, ce qui rend sa performance d'autant plus notable. La Chine compte désormais plusieurs dizaines de startups humanoïdes, dont Unitree et Fourier Intelligence, mais l'entrée des grandes plateformes tech recompose le paysage compétitif. Côté occidental, Boston Dynamics, Figure AI et Agility Robotics suivront de près cette évolution, notamment pour évaluer si les performances en course se traduisent en fiabilité opérationnelle industrielle.

Le robot humanoïde Digit démontre sa force et son équilibre avec un soulevé de terre de 30 kg

Le robot humanoïde Digit, développé par Agility Robotics (Oregon, États-Unis), vient de réaliser un soulevé de terre de 29 kilogrammes (65 livres) dans un environnement de laboratoire contrôlé. La démonstration met en évidence une coordination corpo-entière, bras, jambes et torse s'ajustent dynamiquement en temps réel pour maintenir l'équilibre sous charge. Selon l'entreprise, l'exercice a été conçu pour tester les limites des actionneurs, la durabilité des articulations et les systèmes de contrôle en temps réel. La politique de contrôle a été entraînée en simulation : un objet virtuel est introduit dans un environnement numérique, permettant au modèle d'apprendre la distribution de charge, les forces de préhension et les déplacements du centre de masse. Des milliers d'essais simulés affinent ensuite la stabilité de prise et le contrôle postural avant transfert sur le robot physique. La version actuelle de Digit embarque également une autonomie batterie de quatre heures, un système d'auto-recharge par docking autonome, des membres renforcés, des effecteurs terminaux avancés, et des protocoles de sécurité industrielle incluant un arrêt de catégorie 1, des PLCs de sécurité et le protocole FailSafe over EtherCAT. Ce que révèle cette démonstration va au-delà du simple exercice de force : elle illustre le passage des trajectoires articulaires programmées manuellement vers des politiques adaptatives apprises, un changement de paradigme significatif pour les intégrateurs industriels. Le sim-to-real, longtemps considéré comme un verrou majeur de la robotique humanoïde, semble ici suffisamment mature pour gérer des tâches de manipulation lourde avec consistance et sans réinitialisation. Pour un COO industriel, la promesse concrète est un robot capable d'empiler des bacs, charger des chariots et manutentionner des matériaux variés de façon autonome et répétable, en complément de robots mobiles autonomes (AMR) qui assurent le transport. La durabilité sous charge soutenue reste toutefois à valider en conditions réelles de production : la vidéo présentée est un test laboratoire, pas un déploiement opérationnel. Agility Robotics a été fondée en 2015 à partir des travaux de l'Oregon State University sur la locomotion bipède. L'entreprise a signé un partenariat stratégique avec Amazon, qui a piloté Digit dans ses entrepôts en 2023-2024. Elle se positionne directement face à Figure AI (Figure 02, partenariat BMW), Boston Dynamics (Atlas), Tesla (Optimus) et 1X Technologies sur le segment de l'humanoïde industriel. Contrairement à Figure ou Tesla qui communiquent davantage sur des capacités de manipulation généraliste, Agility mise sur une intégration logistique ciblée, en couplant Digit aux flottes AMR existantes. Les prochaines étapes annoncées incluent une accélération de la cadence de production et un déploiement élargi dans des environnements entrepôt multi-unités, sans date précise communiquée à ce stade.

Les atouts de la chaîne d'approvisionnement asiatique pourraient donner à l'Asie un avantage sur les États-Unis dans la course à l'IA, selon Foo de Granite Asia

Jixun Foo, associé gérant de Granite Asia et vétéran du capital-risque technologique asiatique, estime qu'Asia dispose d'un avantage structurel sur les États-Unis dans la prochaine phase de la course à l'IA. Selon lui, le développement de l'IA a franchi un cap décisif : après deux ans de percées sur les modèles de fondation (LLMs, VLMs), le secteur entre dans une phase d'applications physiques, robotique, automatisation industrielle, systèmes embarqués, où la capacité à produire du matériel à grande échelle devient aussi déterminante que la recherche algorithmique. Ce changement de paradigme est stratégiquement important pour les intégrateurs et décideurs industriels : il déplace le centre de gravité compétitif des data centers vers les chaînes d'approvisionnement. La Chine, le Japon, la Corée du Sud et Taiwan concentrent une part dominante de la fabrication mondiale de composants électroniques, de moteurs, d'actionneurs et de capteurs, précisément les éléments critiques pour déployer des robots physiques à l'échelle industrielle. Un avantage logistique et manufacturier peut compenser, au moins partiellement, un retard sur les modèles de base. Granite Asia, fonds hongkongais actif dans les technologies deeptech et la mobilité, s'inscrit dans un mouvement plus large de repositionnement des investisseurs asiatiques sur l'IA physique. Les concurrents américains, Figure AI, Agility Robotics, Boston Dynamics, misent sur l'excellence des modèles (VLA, GR00T N2, pi0), mais dépendent largement de composants fabriqués en Asie. La thèse de Foo rejoint celle de plusieurs analystes : la prochaine bataille ne se gagnera pas uniquement dans les laboratoires, mais sur les lignes de production.

Maniformer lance une plateforme de données d'IA physique tout-en-un pour préparer l'ère de l'AGI

Maniformer, startup chinoise spécialisée dans l'infrastructure de données pour l'IA physique, a officiellement lancé sa plateforme de services de données en un seul guichet, accompagnée de la gamme matérielle MEgo et du système de gouvernance MEgo Engine. La gamme MEgo comprend trois composants : le MEgo Gripper pour la capture de données de manipulation robotique, le MEgo View, un dispositif de collecte portable à tête montée, et le MEgo Engine pour le traitement et la gouvernance des données. Ces outils affichent une précision millimétrique, une synchronisation sub-milliseconde et une perception panoramique supérieure à 300 degrés. Le système est nativement compatible avec le robot G2 Air, garantissant la cohérence entre environnements simulés et réels. Selon Yao Maoqing, président-directeur général, l'entreprise vise une capacité de production de dizaines de millions d'heures de données d'ici 2026, puis des dizaines de milliards d'heures d'ici 2030. Le problème que Maniformer cherche à résoudre est structurel : les données d'interaction physique réelle disponibles pour l'IA incarnée représentent moins de 1/20 000 de ce qui existe pour les grands modèles de langage. Ce déficit, combiné à l'absence de standards, à des problèmes de qualité hétérogène et à des inadéquations entre offre et demande, freine concrètement la commercialisation des robots autonomes. En proposant une infrastructure full-stack couvrant la télé-opération réelle, la collecte sans robot dédié et la génération synthétique par simulation, Maniformer cherche à décorréler la production de données de la disponibilité des plateformes robotiques elles-mêmes, une approche qui, si elle tient ses promesses, pourrait accélérer significativement le cycle sim-to-real pour les intégrateurs et les équipes R&D. L'analogie revendiquée avec l'électricité ou l'eau comme utilities est ambitieuse ; elle reste à valider à l'échelle industrielle. L'entreprise s'inscrit dans un contexte de course mondiale aux données d'entraînement pour robots humanoïdes et manipulateurs, où des acteurs comme Physical Intelligence (Pi-0), Boston Dynamics, Figure AI ou Unitree investissent massivement dans leurs propres pipelines de données propriétaires. La stratégie de Maniformer est différente : se positionner en fournisseur tiers d'infrastructure, à la manière d'un AWS pour la donnée physique. L'initiative "Hive" annoncée vise à fédérer des partenaires mondiaux pour co-construire des standards sectoriels, une démarche de standardisation qui, si elle aboutit, pourrait bénéficier à l'ensemble de l'écosystème, y compris aux acteurs européens comme Enchanted Tools ou Wandercraft qui peinent à constituer des datasets suffisants. La prochaine étape annoncée est le déploiement d'un réseau global de collecte de données, sans calendrier précis communiqué au-delà de l'horizon 2026.

Le nouveau modèle de Google rend les cerveaux robotiques un peu plus intelligents

Google DeepMind a publié cette semaine Gemini Robotics-ER-1.6, un nouveau modèle de vision et de langage conçu pour aider les robots à interpréter leur environnement. Pour illustrer ses capacités, Boston Dynamics, qui dispose d'un accord pour intégrer Gemini dans ses robots humanoïdes, a publié une vidéo de ses robots quadrupèdes utilisant le modèle pour lire un thermomètre lors d'une inspection dans une installation industrielle. Selon les benchmarks internes de Google, les gains restent modestes sur un seul flux caméra : le modèle n'améliore que marginalement la capacité du robot à détecter la fin d'une tâche par rapport aux versions précédentes. En revanche, les performances progressent nettement lorsque le robot exploite plusieurs flux caméra simultanément. C'est précisément là que réside l'enjeu pratique : la majorité des environnements robotiques industriels, qu'il s'agisse d'usines ou d'entrepôts, s'appuient sur plusieurs points de vue combinés, comme une caméra en hauteur et une caméra fixée sur le bras du robot. Le système doit être capable de fusionner ces perspectives pour construire une compréhension cohérente de ce qu'il accomplit et savoir quand la tâche est terminée. Ce lancement s'inscrit dans une course intense entre les grands laboratoires d'IA pour doter les robots d'une intelligence de perception plus robuste. Google DeepMind et Boston Dynamics ont formalisé leur partenariat autour de Gemini pour les robots humanoïdes, signalant une convergence entre les modèles de fondation et la robotique physique. Si les progrès annoncés restent incrémentaux, l'amélioration sur les configurations multi-caméras est directement applicable aux déploiements industriels existants, ce qui pourrait accélérer l'adoption de robots autonomes dans des environnements de travail réels. Les prochaines versions du modèle seront à surveiller pour évaluer si ces gains se traduisent en performances significatives sur des tâches complexes en conditions réelles.

Le vrai défi de la robotique n’est pas technique

Dominique Carricart, expert en intégration robotique industrielle, publie le 16 avril 2026 une tribune dans laquelle il défend une thèse contre-intuitive : depuis trente ans de terrain, les projets robotiques n'échouent pas pour des raisons techniques, mais pour des raisons humaines. Son point de départ est autobiographique : en 1996, embauché chez Renault à 23 ans pour accompagner la transition des robots hydrauliques vers les robots électriques, il se heurte immédiatement à la résistance de techniciens expérimentés qui maîtrisaient une logique câblée que les écoles n'enseignaient déjà plus. Ce choc de cultures lui a appris une règle qu'il observe depuis dans chaque projet : l'intégration d'une technologie ne se réduit pas à son installation. La vraie variable d'échec, c'est la question que chaque opérateur se pose en silence dès qu'un robot entre dans l'atelier, "Est-ce que mon emploi va disparaître ?", et que les directions évitent systématiquement d'aborder. Cette peur non adressée se traduit en coûts opérationnels concrets : désengagement, sabotage passif, robots tournant durablement sous leurs capacités nominales, pannes non signalées. Carricart identifie quatre profils récurrents chez les industriels : ceux qui refusent la technologie par crainte du risque, ceux qui l'utilisent sur un périmètre très restreint sans aller plus loin, ceux qui ont investi dans un robot aujourd'hui à l'arrêt faute de compétences internes pour le reprogrammer, et enfin les plus paradoxaux, ceux qui ont éliminé tout contrôle humain au profit de l'automatisation et génèrent des taux de rebut élevés. L'enseignement commun à ces quatre cas : le problème n'est jamais la machine. C'est la gouvernance humaine qui l'entoure. Pour les intégrateurs et les directeurs industriels, cette grille de lecture est directement actionnable : le ROI d'un déploiement robotique est autant une fonction de l'accompagnement du changement que de la performance mécanique. Ce constat prend une dimension nouvelle avec l'émergence des robots humanoïdes, dont plusieurs modèles étaient visibles au salon Global Industrie 2026. Leur argument commercial central, les ateliers existants étant conçus pour des corps humains, un robot anthropomorphe s'y intègre sans refonte d'infrastructure, est réel, mais Carricart souligne un effet collatéral ignoré : l'impact psychologique d'un humanoïde mobile est radicalement différent de celui d'un bras dans une cage. Un manipulateur industriel est perçu comme un outil ; un robot qui marche et saisit des objets dans l'espace de travail humain déclenche des réponses émotionnelles d'une autre nature. L'auteur, dont la tribune s'inscrit dans un contexte de montée en puissance des acteurs du secteur, Figure, Boston Dynamics, 1X, et côté francophone des initiatives comme Enchanted Tools, ne cite pas de déploiements chiffrés ni de données comparatives, ce qui limite la portée empirique de l'argument, mais la trajectoire observée depuis 1996 donne à son propos une crédibilité de praticien que les annonces de laboratoire ne contredisent pas.

Alibaba lance son premier robot incarné via Amap, en débutant par un chien robot

La filiale d'Alibaba Amap (connue aussi sous le nom Gaode, leader chinois de la cartographie et navigation mobile) s'apprête à commercialiser son premier produit robotique : un robot quadrupède. Selon des sources internes citées par le média chinois IThome, il s'agirait du premier robot physique jamais lancé par le groupe Alibaba. L'annonce reste pour l'instant au stade de fuite interne, sans date de sortie ni spécifications techniques publiées, payload, degrés de liberté et prix sont inconnus à ce stade. Ce mouvement indique qu'Alibaba étend sa stratégie IA au-delà du cloud et des LLM vers l'intelligence incarnée, un pivot observé chez plusieurs géants technologiques asiatiques. L'équipe d'intelligence embodied d'Amap travaillerait également sur des humanoïdes, et aurait constitué ce qu'elle décrit comme le plus grand moteur de données de navigation embodied de l'industrie, une affirmation difficile à vérifier sans audit indépendant. La maîtrise de la navigation longue séquence (long-horizon tasks) est effectivement un verrou technique clé pour les robots opérant en environnement ouvert. Amap dispose d'un atout structurel rare : une base de données cartographiques et de trajectoires humaines massive, issue de ses centaines de millions d'utilisateurs actifs en Chine, potentiellement exploitable pour entraîner des politiques de navigation robot. Dans un marché quadrupède dominé par Unitree et Boston Dynamics, Alibaba arrive tard mais avec des ressources data considérables. Les concurrents chinois comme Unitree (G1, B2) et DeepRobotics sont déjà en déploiement commercial, ce qui positionne ce lancement davantage comme une entrée stratégique que comme une rupture technologique immédiate.

Les entreprises chinoises de robotique misent sur les robots quadrupèdes comme principale source de revenus

Les entreprises chinoises de robotique misent de plus en plus sur les robots quadrupèdes comme moteur de revenus principal. AgiBot, acteur majeur de la robotique humanoïde en Chine, vient de filialiser son département quadrupède dans une entité indépendante baptisée AgiQuad. Qiu Heng, directeur des opérations de la nouvelle structure, a déclaré lors d'un briefing presse que l'objectif était d'éviter que l'unité "vive dans l'ombre du géant humanoïde" et de lui permettre une croissance à grande échelle. Dans le même temps, Amap prépare le lancement prochain d'un modèle quadrupède commercial. Ce repositionnement stratégique révèle un écart persistant entre l'attrait médiatique des humanoïdes et leur réalité commerciale. Les quadrupèdes, plus stables mécaniquement, plus simples à déployer en environnement industriel, et déjà éprouvés dans l'inspection d'infrastructure, l'agriculture ou la sécurité, génèrent des revenus concrets là où les humanoïdes restent majoritairement en phase pilote. La décision d'AgiBot de séparer les deux activités suggère que les cycles de vente et les profils clients sont suffisamment distincts pour justifier une structure dédiée, signal que le marché quadrupède arrive à maturité commerciale en Chine. AgiBot s'est imposé ces dernières années comme l'un des développeurs humanoïdes les plus actifs en Chine, aux côtés d'Unitree et de Fourier Intelligence. Sur le segment quadrupède, Unitree domine avec ses séries Go et B, tandis qu'à l'international, Boston Dynamics reste la référence avec Spot. La création d'AgiQuad positionne AgiBot sur une concurrence directe avec ces acteurs, avec l'avantage d'un écosystème industriel chinois intégré et des coûts de production structurellement inférieurs.

Plus précis que LeBron ? Découvrez CUE7, le robot basketteur révolutionnaire de Toyota

Toyota a dévoilé le 14 avril 2026 la septième génération de son robot basketteur CUE7, une machine capable de tirer au panier, dribbler et se déplacer avec une précision remarquable. Par rapport à son prédécesseur CUE6, ce robot a été considérablement allégé, passant de 120 kg à 74 kg, et adopte une structure à deux roues inversées qui améliore sa stabilité et son agilité. Techniquement, CUE7 repose sur une combinaison de vision artificielle, de planification de mouvement et d'un système hybride mêlant apprentissage par renforcement et contrôle classique : le robot analyse le panier, calcule la distance, ajuste sa posture et déclenche le tir avec une régularité quasi mécanique. En 2019 déjà, la version CUE3 avait enchaîné 2 020 lancers francs réussis d'affilée, une série arrêtée volontairement par les ingénieurs alors que la machine pouvait continuer. En 2024, CUE6 avait décroché un record Guinness avec un tir longue distance impressionnant. Au-delà de l'exploit sportif, CUE7 représente une étape concrète dans le développement de ce que Toyota appelle l'intelligence artificielle incarnée, des systèmes capables d'interagir physiquement avec leur environnement de façon autonome et adaptative. Le basket-ball n'est pas un choix anodin : ce sport impose des défis simultanés complexes, comme la détection de cible, le calcul de trajectoire, la coordination motrice et l'ajustement en temps réel, ce qui en fait un terrain d'expérimentation idéal pour des technologies destinées à des applications industrielles, médicales ou domestiques beaucoup plus larges. La capacité du robot à apprendre de ses erreurs et à affiner ses gestes par itération rapproche son fonctionnement de celui d'un athlète humain s'entraînant séance après séance. Le projet CUE est né à l'origine d'une initiative parallèle portée par des employés passionnés de Toyota, avant d'être intégré dans une démarche de recherche plus structurée. Depuis ses débuts sous forme de prototype LEGO, la série a progressé de génération en génération vers plus d'autonomie, de mobilité et de précision. CUE7 marque le saut le plus visible à ce jour, avec un robot capable non seulement de tirer mais aussi de se déplacer et de dribbler. Cette trajectoire s'inscrit dans une course plus large menée par les grands acteurs industriels, Toyota, Boston Dynamics, Figure, Tesla, pour doter les robots humanoïdes et semi-humanoïdes de capacités physiques comparables à celles de l'humain, ouvrant la voie à des usages concrets dans des environnements non structurés.

Vidéo : Ce robot quadrupède utilise l’IA pour imiter la souplesse de la vie sauvage

Des chercheurs du Korea Advanced Institute of Science and Technology (KAIST) ont présenté DreamWaQ++, un système de contrôle pour robots quadrupèdes qui combine caméras, LiDAR et capteurs embarqués pour analyser le terrain en temps réel et adapter chaque pas avant tout contact avec le sol. Lors des tests, le robot a grimpé un escalier de 50 marches en 35 secondes, couvrant plus de 30 mètres à l'horizontale et 7 mètres de dénivelé. Il a également négocié des pentes à 35 degrés, bien au-delà de ce qu'il avait rencontré durant son entraînement, et franchi des obstacles plus hauts que lui tout en portant une charge supplémentaire, le tout en sollicitant moins ses moteurs. Le système repose sur un apprentissage par renforcement capable de fusionner plusieurs flux de données simultanément sans surcharge de calcul, et peut basculer d'un mode de détection à un autre en cas de défaillance d'un capteur. Ce qui change fondamentalement avec DreamWaQ++, c'est le passage d'une locomotion réactive à une locomotion anticipatoire. Les robots quadrupèdes antérieurs s'appuyaient exclusivement sur des capteurs proprioceptifs, codeurs articulaires, centrales inertielles, et ne détectaient un obstacle qu'au moment du contact physique. DreamWaQ++ perçoit l'environnement avant de l'atteindre, analyse la géométrie du sol et recalcule la trajectoire immédiatement, sans planificateur externe. Le robot choisit lui-même son chemin, s'arrête parfois quelques instants pour observer, puis repart : un comportement qui évoque directement celui d'un animal en milieu inconnu. Cette autonomie de décision réduit les risques de chute dans des contextes où une intervention humaine est difficile ou dangereuse. Les applications visées par l'équipe de KAIST couvrent l'inspection industrielle, l'agriculture, la foresterie et les interventions d'urgence en zones sinistrées, autant de secteurs où la mobilité en terrain non structuré est aujourd'hui un verrou technologique. La robotique quadrupède a connu une accélération notable ces dernières années, portée par des acteurs comme Boston Dynamics et ses concurrents chinois tels qu'Unitree, mais la capacité à généraliser au-delà des situations d'entraînement reste un défi central. DreamWaQ++ s'inscrit dans une tendance plus large qui consiste à intégrer la perception extéroceptive profonde dans la boucle de contrôle bas niveau, réduisant la dépendance à la cartographie préalable. L'équipe envisage d'étendre l'approche à d'autres morphologies de robots, bipèdes et à roues inclus, ce qui pourrait accélérer le déploiement de machines autonomes dans des environnements réels non balisés.

Vidéo : ce robot humanoïde sprinte à une vitesse jamais vue

Le robot humanoïde H1 de la start-up chinoise Unitree Robotics a atteint une vitesse de 10,1 mètres par seconde lors d'un test de sprint filmé et publié le 11 avril 2026. La vidéo, diffusée sur le compte officiel d'Unitree, montre la machine traverser une piste d'athlétisme à pleine allure, maintenant une foulée stable et régulière sans rupture d'équilibre visible. Le H1 pèse environ 62 kg pour une longueur de jambe de 80 cm, des proportions proches d'un coureur humain de gabarit moyen. Unitree précise que le dispositif de mesure comporte une légère marge d'erreur, mais la démonstration reste spectaculaire et a largement dépassé les cercles spécialisés de la robotique. Cette performance place le H1 dans une catégorie inédite pour un robot à pattes bipèdes. À titre de comparaison, le record du monde du 100 mètres détenu par Usain Bolt depuis 2009 correspond à une vitesse de pointe d'environ 12,4 m/s. L'écart se resserre, ce qui alimente un débat sérieux sur la trajectoire d'amélioration de ces systèmes. Pour l'industrie, cela signifie que les robots humanoïdes ne sont plus cantonnés à des tâches lentes et contrôlées : la mobilité rapide ouvre des perspectives concrètes en logistique d'urgence, intervention en environnement hostile, ou assistance physique dans des contextes où la réactivité compte. Pour les ingénieurs et compétiteurs du secteur, c'est aussi un signal fort sur l'état de l'art accessible avec du matériel grand public, le H1 n'est pas un prototype de laboratoire confidentiel. Unitree s'est imposé ces dernières années comme l'un des acteurs les plus actifs de la robotique humanoïde abordable, face à des concurrents comme Boston Dynamics, Figure AI ou Agility Robotics. L'approche biomécanique du H1, qui s'inspire directement de l'anatomie humaine pour synchroniser articulations et moteurs, est au coeur de sa stratégie différenciante. La prochaine étape se profile déjà : le 19 avril 2026 se tient la deuxième édition du semi-marathon de robots humanoïdes, un événement qui devrait réunir plusieurs machines en compétition directe sur la même ligne de départ. Les analystes anticipent un niveau de concurrence nettement supérieur à la première édition, ce qui pourrait à nouveau repousser les limites connues de vitesse et d'endurance pour ce type de système. La question n'est plus de savoir si les robots peuvent courir vite, mais jusqu'où cette courbe de progression va s'accélérer.

L'étude des attitudes humaines envers les robots par l'expérience

Au cours de l'été 2025, le RAI Institute a installé une expérience robotique gratuite et éphémère au centre commercial CambridgeSide de Cambridge, Massachusetts. Sur environ 10 000 visiteurs accueillis, une partie a pu prendre en main les commandes d'un robot quadrupède Spot, fabriqué par Boston Dynamics et considéré comme l'un des robots commerciaux les plus reconnaissables du marché. L'espace se divisait en deux zones : un musée présentant des robots historiques et contemporains, dont des prototypes du RAI Institute comme l'UMV, et une arène de conduite appelée "Drive-a-Spot". Les participants utilisaient un contrôleur adaptatif inspiré des manettes de jeu vidéo, avec des boutons larges utilisables par des enfants dès deux ans comme par des personnes de plus de 90 ans. L'arène changeait de décor toutes les quelques semaines, alternant entre un environnement d'usine, un domicile, un hôpital et un scénario de catastrophe extérieure. L'objectif principal de cette initiative était double : offrir au grand public une rencontre directe avec des robots de pointe, et mesurer scientifiquement l'évolution des perceptions après une interaction réelle. Les visiteurs volontaires remplissaient un questionnaire avant et après avoir conduit le Spot, évaluant leur niveau de confort et la pertinence du robot dans différents contextes professionnels et domestiques. Cette méthodologie est précieuse car la majorité des opinions sur la robotique se forment à partir de la culture populaire et des réseaux sociaux, deux vecteurs qui privilégient les récits sensationnels au détriment d'une représentation fidèle des capacités réelles des machines. Ce que beaucoup de visiteurs ont découvert avec surprise, c'est que Spot est capable d'ajuster ses déplacements de manière autonome pour franchir des obstacles, même lorsqu'il est simplement supervisé par une manette. Cette étude s'inscrit dans un moment charnière pour l'industrie robotique, où les questions d'acceptabilité sociale deviennent aussi stratégiques que les défis techniques. Le RAI Institute, dirigé par Marc Raibert, l'un des fondateurs historiques de la robotique à pattes, cherche à combler le fossé entre les avancées en laboratoire et la perception publique. Le choix des quatre scénarios de l'arène n'est pas anodin : il oppose des environnements où les robots sont déjà largement acceptés, comme l'industrie et les situations d'urgence, à des cadres où l'ambivalence est documentée, notamment le domicile et les établissements de santé. Les résultats de l'enquête, portant sur un échantillon représentatif de la population générale, devraient alimenter la réflexion des concepteurs de robots sur la manière d'intégrer ces machines dans des espaces partagés avec les humains.

Semaine nationale de la robotique : dernières avancées en IA physique et ressources

À l'occasion de la Semaine nationale de la robotique aux États-Unis, NVIDIA met en avant ses avancées dans le domaine de l'intelligence artificielle physique, c'est-à-dire l'IA appliquée à des robots capables d'agir dans le monde réel. L'entreprise présente cette semaine une série de technologies couvrant la simulation, la génération de données synthétiques et l'apprentissage automatique pour robots, destinées aux développeurs qui souhaitent concevoir des machines autonomes opérationnelles dans des environnements complexes. L'enjeu est considérable : ces outils permettent de réduire drastiquement le temps nécessaire pour passer de l'entraînement en environnement virtuel au déploiement sur le terrain. Concrètement, un robot peut aujourd'hui apprendre à naviguer, saisir des objets ou réagir à des imprévus dans un simulateur NVIDIA avant d'être testé dans une usine, une serre agricole ou une centrale énergétique. Ce raccourci entre simulation et réalité est l'un des verrous techniques les plus critiques de la robotique industrielle. NVIDIA se positionne comme la colonne vertébrale de cette transition, en proposant des plateformes intégrées qui couvrent l'ensemble de la chaîne de développement robotique. La compétition dans ce secteur s'intensifie, avec des acteurs comme Boston Dynamics, Figure AI ou Agility Robotics qui cherchent eux aussi à industrialiser leurs solutions. La Semaine de la robotique sert ici de vitrine stratégique pour NVIDIA, qui entend s'imposer comme fournisseur incontournable d'infrastructure IA pour la prochaine génération de robots autonomes dans l'industrie, l'agriculture et l'énergie.

💬 Le vrai sujet ici, c'est pas la Semaine de la robotique, c'est NVIDIA qui s'impose discrètement comme le AWS de la robotique industrielle. La réduction du gap sim-to-real, c'est le verrou qui bloquait tout depuis des années, et là ils ont une vraie réponse technique. Reste à voir si les industriels européens vont jouer le jeu ou rester dépendants d'une stack américaine de plus.

Vidéo du vendredi : le robot bipède Roadrunner sort du lot

Un nouveau robot bipède à roues baptisé « Roadrunner » a été dévoilé par le Robotics and AI Institute : pesant environ 15 kg, il peut basculer de manière fluide entre une configuration de roues côte à côte et une configuration en ligne, tout en intégrant des modes de marche à pied. Ses jambes entièrement symétriques lui permettent d'orienter ses genoux vers l'avant ou vers l'arrière pour contourner des obstacles. Un seul algorithme de contrôle gère l'ensemble des modes de locomotion, et plusieurs comportements complexes — comme se relever depuis le sol ou tenir en équilibre sur une seule roue — ont été déployés directement sur le matériel sans entraînement supplémentaire. En parallèle, la NASA a officialisé deux missions robotiques majeures : SkyFall, qui enverra une flotte d'hélicoptères de nouvelle génération sur Mars pour repérer des sites d'atterrissage humains et cartographier les réserves de glace souterraine, et MoonFall, qui déploiera quatre drones mobiles autour du pôle sud lunaire pour préparer l'arrivée des astronautes Artemis. Les drones lunaires opéreront de manière autonome pendant 14 jours terrestres, explorant notamment des zones constamment dans l'ombre. Par ailleurs, des chercheurs du MIT Media Lab et du Politecnico di Bari ont présenté dans Science Robotics des « muscles à fibres électrofluidiques » — des actionneurs souples qui déplacent un liquide par champ électrique, sans pièces mobiles, intégrables directement dans des textiles. Ces avancées illustrent une convergence de tendances qui redéfinissent la robotique mobile. Le Roadrunner incarne une nouvelle génération de robots à locomotion multimodale capables de s'adapter dynamiquement à leur environnement, réduisant le besoin de systèmes spécialisés distincts pour chaque terrain. Les missions SkyFall et MoonFall représentent quant à elles une montée en puissance des robots autonomes dans l'exploration spatiale : là où Ingenuity était un démonstrateur technologique unique, la NASA passe désormais à des flottes coordonnées avec des objectifs opérationnels concrets. Les muscles artificiels du MIT ouvrent une voie vers des robots portables et des exosquelettes textiles, avec des applications potentielles en médecine de rééducation et en assistance aux personnes âgées. Le contexte général est celui d'une accélération sans précédent de la recherche en robotique incarnée. Le robot quadrupède open-source MEVIUS2, comparable en taille au Spot de Boston Dynamics et capable de grimper des escaliers, montre que la robotique avancée se démocratise via l'open source. Boston Dynamics, de son côté, met en avant ses protocoles de tests de fiabilité pour les performances live de Spot, signalant une maturité commerciale croissante. La démonstration d'un cadre de planification multi-robots coordonnant simultanément 40 engins terrestres et aériens illustre enfin que la robotique en essaim sort progressivement des laboratoires. La compétition internationale s'intensifie, portée par des institutions académiques, des agences spatiales et des acteurs privés qui convergent vers les mêmes jalons : autonomie, robustesse et déploiement à grande échelle.

Amazon rachète Fauna Robotics pour lancer son premier robot humanoïde domestique

Amazon a annoncé le rachat de Fauna Robotics, une startup spécialisée dans la robotique humanoïde, marquant une nouvelle étape dans la stratégie de l'entreprise pour conquérir le marché domestique. Cette acquisition permet à Amazon de disposer pour la première fois d'un robot capable d'effectuer des tâches physiques à domicile, comme ramasser des objets au sol — des jouets, par exemple. Les détails financiers de la transaction n'ont pas été divulgués, mais l'opération témoigne d'un investissement stratégique majeur dans la robotique grand public. Ce pivot représente une rupture nette avec Astro, le précédent robot d'Amazon lancé en 2021 : un simple écran monté sur roues, utile pour la surveillance ou les appels vidéo, mais incapable d'interagir physiquement avec son environnement. Un robot humanoïde domestique fonctionnel ouvrirait un marché considérable — des millions de foyers en quête d'assistance pour des tâches quotidiennes répétitives. Pour Amazon, c'est aussi une extension naturelle de l'écosystème Alexa vers la couche physique du foyer, transformant une enceinte connectée en assistant incarné. La course au robot domestique s'intensifie depuis plusieurs années. Figure AI, Physical Intelligence, Boston Dynamics ou encore Tesla avec Optimus investissent massivement ce segment. Amazon, fort de son expérience en robotique d'entrepôt avec ses milliers d'unités déployées dans ses centres logistiques, dispose d'une base technologique solide pour accélérer. L'acquisition de Fauna Robotics lui offre vraisemblablement une équipe spécialisée et des brevets ciblant spécifiquement les usages résidentiels, là où la manipulation d'objets dans des espaces non structurés reste le défi technique central.

Il y a 30 ans, les robots ont appris à marcher sans tomber

En 1996, Honda a présenté le Prototype 2 (P2), le premier robot humanoïde autonome capable de marcher sans tomber. Mesurant 183 centimètres pour 210 kilogrammes, le P2 pouvait contrôler sa posture pour maintenir l'équilibre et actionner plusieurs articulations simultanément. Cette réalisation vient d'être reconnue comme un IEEE Milestone, avec une cérémonie de dédicace prévue le 28 avril au Honda Collection Hall, sur le circuit Mobility Resort Motegi au Japon. Derrière cette prouesse, quatre ingénieurs Honda : Kazuo Hirai, Masato Hirose, Yuji Haikawa et Toru Takenaka, qui avaient lancé le projet dès 1986 avec l'ambition de créer un robot domestique capable de monter des escaliers, contourner des obstacles et manipuler des outils. Cette avancée a redéfini les standards de la robotique mondiale. Avant le P2, aucun robot ne pouvait se déplacer de manière autonome sans perdre l'équilibre — le WABOT-1, construit en 1973 à l'Université Waseda de Tokyo, pouvait certes marcher et parler japonais, mais de façon instable et sans capacité à éviter les obstacles. L'équipe Honda a dû repenser entièrement la biomécanique humaine : analyser les mouvements du corps, adapter le nombre d'articulations (hanches, genoux, chevilles, épaules), et installer des moteurs DC avec des systèmes de réduction harmonique pour concilier compacité et couple élevé. Les premiers prototypes, comme le E0 — une simple paire de jambes — mettaient 15 secondes par pas. Chaque itération a permis de passer de la marche statique en ligne droite à une locomotion dynamique et autonome, ouvrant la voie aux robots humanoïdes modernes comme l'ASIMO ou ceux développés aujourd'hui par Boston Dynamics, Figure ou 1X. Quand C-3PO est apparu sur grand écran en 1977, l'idée d'un androïde marchant et interagissant comme un humain relevait de la science-fiction. Il aura fallu près de vingt ans à l'ingénierie réelle pour rattraper cette vision — et le P2 en a posé la première pierre concrète.

Amazon rachète Fauna, fabricant de robots « accessibles »

Amazon a acquis Fauna, une startup spécialisée dans la robotique humanoïde grand public, dans une opération dont les détails financiers n'ont pas été divulgués. Cette transaction marque l'entrée officielle du géant technologique sur le marché en pleine expansion des robots humanoïdes destinés aux consommateurs. Ce rachat est significatif car il signale qu'Amazon ne se contente plus de la robotique industrielle et logistique — domaine où il est déjà très actif via ses entrepôts automatisés. En ciblant un fabricant positionné sur l'accessibilité et l'aspect « approchable » des robots, Amazon vise directement le marché domestique, potentiellement pour des usages à domicile ou en interaction directe avec les clients. La robotique humanoïde grand public connaît une effervescence sans précédent, avec des acteurs comme Figure, 1X ou Boston Dynamics se disputant ce nouveau terrain. Amazon rejoint ainsi une course technologique qui s'intensifie rapidement.

L'IA physique fait son entrée triomphale et tout le monde veut en profiter

Le Physical AI, qui décrit les systèmes AI opérant dans le monde réel, gagne en popularité. Des entreprises occidentales comme Nvidia, Arm, Siemens et Google investissent massivement dans cette technologie, créant des plateformes et des semiconducteurs pour robots et véhicules intelligents. En Chine, l'accent est mis sur la construction matérielle de ces robots, avec des entreprises comme Boston Dynamics opérant directement dans des usines comme celle de Hyundai en Géorgie. Une enquête révèle que 58% des dirigeants d'entreprises mondiales utilisent déjà le Physical AI, et ce chiffre monte à 80% pour les plans futurs.