La téléopération transforme le geste humain en données

La téléopération consiste à commander un robot à distance. L’opérateur peut utiliser un casque de réalité virtuelle, des contrôleurs, une caméra ou un système de suivi du corps. Le robot ne devient pas autonome pendant cette phase : il exécute les commandes transmises, avec l’aide de contrôleurs qui maintiennent son équilibre et traduisent les gestes humains vers ses articulations.

Cette interaction sert aussi à produire des démonstrations. Chaque session peut enregistrer les observations du robot, ses mouvements et les actions demandées. Le projet TRILL recueille ainsi des démonstrations via une interface VR pour entraîner des compétences de loco-manipulation — des tâches où l’humanoïde doit se déplacer tout en agissant sur son environnement. Les auteurs ont évalué leur méthode en simulation et sur un robot réel, dans le périmètre des tâches étudiées.

Open-TeleVision explore le même besoin de données avec un retour visuel immersif. Dans l’étude publiée à CoRL, les opérateurs voient l’environnement en stéréoscopie et leurs mouvements de bras et de mains sont reproduits par le robot. Les chercheurs ont utilisé le système sur quatre tâches longues et précises, avec deux humanoïdes. C’est une validation ciblée, pas la preuve d’une dextérité générale.

L’imitation apprend une politique, pas une intelligence universelle

L’apprentissage par imitation utilise les démonstrations pour entraîner une politique de contrôle : une fonction qui choisit une action à partir de ce que le robot observe. L’objectif n’est pas de rejouer mécaniquement une trajectoire unique, mais d’apprendre une régularité suffisante pour reproduire la compétence dans les situations couvertes par l’entraînement.

La difficulté tient notamment au coût des bonnes données. Un humanoïde possède de nombreuses articulations, doit rester stable et interagit avec des objets réels. Les démonstrations peuvent varier selon l’opérateur, le point de vue ou la précision du matériel. Une politique peut donc réussir dans une configuration et échouer dès que l’objet, la lumière ou la position de départ change.

Le mot « imitation » ne signifie pas non plus que le robot comprend l’intention humaine au sens large. Il décrit ici une méthode d’apprentissage fondée sur des exemples. La portée réelle dépend du jeu de données, de la tâche, du robot et des tests.

La simulation fournit de l’échelle, mais pas une copie parfaite du réel

La simulation permet d’essayer beaucoup de mouvements sans user un robot physique ni exposer son matériel à chaque chute. Elle facilite aussi l’entraînement parallèle et la variation des conditions : masses, frottements, positions ou perturbations. Une politique peut ainsi accumuler une expérience impossible à collecter aussi vite dans un laboratoire.

Mais un simulateur reste un modèle. Les moteurs, les délais de commande, les contacts et les surfaces ne se comportent jamais exactement comme dans le monde physique. C’est le problème du transfert « sim-to-real ». Un rapport du Robotics Institute de Carnegie Mellon décrit par exemple une boucle où des déploiements sur un humanoïde réel servent à apprendre une correction de dynamique, ensuite réinjectée dans la simulation. Cette méthode vise un écart précis ; elle ne supprime pas toutes les incertitudes du terrain.

Une réussite simulée est donc une étape de développement, pas une garantie. Elle doit être suivie de tests physiques, avec des critères de sécurité, de répétabilité et de robustesse.

Les approches se complètent plus souvent qu’elles ne s’excluent

Un pipeline peut commencer par des gestes humains, entraîner une politique d’imitation, l’améliorer ou la tester en simulation, puis revenir sur le robot réel. Les données physiques révèlent alors les erreurs que le modèle virtuel ne reproduisait pas. Cette boucle explique pourquoi les frontières entre téléopération, imitation et simulation sont moins nettes que ne le suggèrent certaines annonces.

Le contexte industriel ajoute encore une autre contrainte : il faut obtenir des données variées sans multiplier les interventions coûteuses. Notre article sur Mecka AI illustre cette recherche de données humaines pour entraîner des robots, mais une stratégie d’entreprise ou une levée de fonds ne valide pas à elle seule la généralisation d’une méthode.

MotionDisco explore une voie sans démonstration téléopérée

MotionDisco, présenté en juin 2026, cherche à découvrir automatiquement des trajectoires longues et riches en contacts. Selon les auteurs, le cadre combine une recherche évolutionnaire guidée par un grand modèle de langage, un optimiseur de trajectoires et une stratégie d’élagage. Les mouvements trouvés servent ensuite à entraîner des politiques de suivi transférées sur un humanoïde réel.

Dans ce cadre précis, « sans téléopération » signifie que les trajectoires ne viennent pas d’un opérateur humain ni d’un retargeting de démonstrations humaines. Cela ne signifie pas que le système apprend sans objectif, sans simulateur, sans ingénierie ou sans validation. Notre article consacré à MotionDisco détaille les mouvements présentés par l’équipe et leur contexte expérimental.

Cette approche n’est pas directement comparable à TRILL ou Open-TeleVision sur un classement unique : les tâches, les robots et les protocoles diffèrent. Elle montre surtout qu’une partie des données de mouvement peut être produite autrement que par démonstration humaine.

Ce qu’il faut regarder derrière une démonstration de robot

Pour évaluer une annonce, commencez par identifier la tâche exacte et les conditions du test. Le robot recommence-t-il depuis plusieurs positions ? L’environnement change-t-il ? Combien d’essais réussissent ? Une intervention humaine est-elle nécessaire ? La politique a-t-elle été testée uniquement en simulation, sur un prototype ou dans un déploiement opérationnel ?

Il faut également distinguer les concepts durables des exemples datés. La téléopération restera un moyen de commande et de collecte ; l’imitation restera un apprentissage à partir de démonstrations ; la simulation restera une approximation utile. En revanche, MotionDisco, TRILL et Open-TeleVision sont des travaux associés à des matériels, des dates et des protocoles particuliers.

La question la plus utile n’est donc pas « quelle méthode gagne ? », mais « quelles données, quel environnement et quelle validation ont produit cette compétence ? ». C’est cette chaîne de preuves qui permet de distinguer une démonstration impressionnante d’une capacité réellement robuste.

The post Comment apprend un robot humanoïde ? Téléopération, imitation et simulation appeared first on NextOfGen.

La source présente également des travaux sur la locomotion quadrupède, le mouvement global des humanoïdes, les mains robotisées, les robots domestiques, les systèmes autonomes et l’exploration spatiale. Il s’agit d’une compilation vidéo plutôt que d’un rapport expérimental unique : les résultats, leurs conditions de test et leurs limites ne sont pas détaillés de manière homogène. La portée technologique reste néanmoins claire, car plusieurs démonstrations portent sur des problèmes d’autonomie et de contrôle difficiles.

MotionDisco cherche des mouvements sans téléopération

Selon la présentation de l’ATARI Lab et l’article scientifique, MotionDisco découvre « from scratch » des mouvements humanoïdes de longue durée, riches en contacts, sans s’appuyer sur la téléopération ni sur le recalage de mouvements issus de démonstrations humaines. Les auteurs présentent cette contribution comme la première découverte et le premier déploiement de compétences de longue durée obtenus entièrement par recherche évolutionnaire automatisée. Cette précision est importante. Une grande partie des approches de robotique humanoïde utilise des données produites par des opérateurs ou capturées sur des personnes, puis adaptées au corps du robot. MotionDisco vise au contraire une génération autonome de comportements.

La démonstration montre un humanoïde qui saisit une boîte, se déplace et monte sur une table. Ce type de séquence concentre plusieurs contraintes : maintenir l’équilibre, choisir des points de contact, coordonner les jambes et les bras, puis enchaîner les actions sur une durée relativement longue. Les mouvements présentés peuvent sembler inhabituels, mais cette étrangeté constitue aussi un signal de la liberté laissée au système pour explorer des solutions.

La courte compilation vidéo d’IEEE Spectrum ne fournit toutefois ni métrique comparative, ni précision sur le temps d’apprentissage, ni indication détaillée sur la robustesse du comportement dans d’autres environnements. Le papier primaire comporte, lui, des évaluations et des études d’ablation. Il est donc prématuré d’y voir une solution prête pour l’industrie. L’intérêt est ailleurs : réduire la dépendance aux démonstrations humaines pourrait faciliter la constitution de bibliothèques de mouvements et accélérer l’apprentissage de tâches difficiles à montrer manuellement.

Des robots confrontés à des contraintes physiques

La sélection présente aussi un robot quadrupède de Deep Robotics équipé de pinces. La vidéo insiste sur l’usage de ces appendices pour interagir avec l’environnement. Une pince robotique n’est utile que si le système sait localiser l’objet, l’atteindre, gérer le contact et adapter son mouvement aux incertitudes. L’association entre locomotion et préhension rapproche ces machines des tâches d’inspection ou d’intervention, même si la source ne décrit pas de déploiement opérationnel précis.

Agility met de son côté en scène un humanoïde dans une séance d’exercices. L’objectif annoncé est de mettre à l’épreuve l’amplitude de mouvement du corps entier. Coordonner simultanément les articulations, les vitesses et les corrections d’équilibre reste un problème de contrôle complexe. Une telle démonstration ne prouve pas qu’un robot maîtrise une tâche professionnelle, mais elle révèle les exigences mécaniques et logicielles nécessaires à des mouvements fluides.

Autre exemple, un robot bipède volant explore une manœuvre de freinage aérien. Ses jambes orientent des propulseurs installés au niveau des pieds afin de modifier l’attitude de l’appareil pendant le vol. La vidéo est associée à un article scientifique, mais les informations fournies ici ne permettent pas d’évaluer les performances ou les conditions précises de l’essai.

Dextérité, autonomie et robotique spatiale

La main MIDAS est présentée comme une plateforme open source intégrant des capteurs tactiles. Elle vise la manipulation, la téléopération et la recherche en apprentissage robotique. Les capteurs tactiles peuvent compléter la vision en renseignant le robot sur la pression, le glissement ou le contact. Pour les entreprises, ce type de matériel ouvert peut réduire les barrières d’expérimentation, à condition que les logiciels, les modèles et la reproductibilité suivent.

Dans l’espace, Dextre, le manipulateur installé à l’extrémité du Canadarm2, est montré en train de décharger du matériel depuis le compartiment non pressurisé d’un véhicule Dragon. La séquence rappelle l’importance des systèmes téléopérés et robotisés pour les opérations orbitales, où chaque intervention doit composer avec l’absence de gravité, la distance et les contraintes de sécurité.

Les Tumblenauts explorent une autre approche. Ces robots miniatures inspirés des bactéries sont conçus pour inspecter collectivement des habitats pressurisés en microgravité. Leur locomotion aléatoire de type « run-and-tumble » et leur coopération en essaim rompent avec les architectures très complexes utilisées pour obtenir des déplacements précis. Le projet reste présenté comme une recherche, mais il ouvre une piste pour surveiller des zones difficiles d’accès avec des unités simples et redondantes.

Ce que ces démonstrations changent concrètement

La compilation inclut enfin des robots destinés à la maison, une main robotique, le pipeline AI Sapiens de ROBOTIS pour apprendre des mouvements humanoïdes à partir d’une vidéo capturée au smartphone, ainsi que le projet EDGE de LUMOS Robotics. Ces initiatives ne sont pas au même niveau de maturité et certaines relèvent surtout de la présentation ou de l’appel à partenaires. Elles illustrent néanmoins la diversité des voies explorées : apprentissage depuis la vidéo, assistance domestique, plateformes ouvertes et développement communautaire.

Pour les entreprises, la leçon principale est que l’autonomie ne se résume pas à ajouter un modèle d’intelligence artificielle. Elle exige une combinaison de capteurs, de contrôle, de mécanique, de planification et de validation dans des environnements imprévisibles. Pour les utilisateurs, les bénéfices attendus sont des robots capables d’accomplir davantage de tâches sans guidage permanent. Mais avant une adoption large, il faudra vérifier leur fiabilité, leur sécurité et leur capacité à généraliser au-delà des démonstrations vidéo.

The post MotionDisco révèle des mouvements inédits pour les humanoïdes appeared first on NextOfGen.