HumanoïdesInteresting Engineering 30 juillet 2026

Humanoïdes : mouvement complet du corps et raisonnement multi-étapes avec Gemini Robotics 2

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Google a présenté Gemini Robotics 2, un modèle conçu pour piloter des robots humanoïdes dans leur intégralité, marche, flexion, équilibre et manipulation d'objets inclus, avec la capacité de coordonner plusieurs machines et de s'adapter à différents corps robotiques après seulement quelques heures d'entraînement. Le système s'accompagne de deux modèles complémentaires, Gemini Robotics ER 2, dédié au raisonnement de haut niveau, et Gemini Robotics On-Device 2, exécuté localement sans connexion cloud. Lors des démonstrations, le modèle a piloté l'Apollo 2 d'Apptronik pour ramasser un arrosoir, traverser une pièce et le poser sur une étagère basse, et le même checkpoint a également fonctionné sur d'autres plateformes comme le Franka Duo. Google évoque aussi des gains de dextérité: les mains à cinq doigts d'Apollo 2 peuvent nouer un sac poubelle, refermer un sachet Ziploc ou dévisser une ampoule, tandis que sur des pinces industrielles à deux doigts le modèle réalise des insertions précises et de la manipulation d'outils. ER 2 est disponible via Google AI Studio et en prévisualisation privée sur la Gemini Enterprise Agent Platform, le modèle vision-langage-action et la version embarquée restant réservés à des partenaires en accès anticipé. Google a également introduit ASIMOV-Agentic, un benchmark de sécurité évaluant si un robot refuse une action dangereuse, détecte l'incertitude ou sollicite une aide humaine.

Ce saut du pilotage de bras isolés au contrôle corporel complet est significatif pour l'industrie: la plupart des humanoïdes actuels restent limités à des tâches répétitives programmées, et la promesse d'un même modèle transférable d'une morphologie à l'autre avec moins de 200 exemples d'entraînement collectés en quelques heures s'attaque directement au problème du sim-to-real et du coût d'intégration, un point clé pour les industriels qui hésitent encore à déployer ces machines à grande échelle. Il faut toutefois noter que les métriques avancées, plusieurs minutes de tâches enchaînant des centaines de décisions, proviennent de démonstrations contrôlées et que le déploiement reste cantonné à des partenaires triés sur le volet: on est encore loin d'un produit généralisé sur le terrain.

Cette annonce prolonge Gemini Robotics, lancé plus tôt dans l'année et limité à la manipulation sur table, en l'étendant au mouvement corporel complet. Elle intervient dans un paysage où Figure AI développe son propre modèle Helix, Tesla avance sur Optimus, Physical Intelligence mise sur Pi-0 et NVIDIA sur GR00T N2, chacun cherchant à imposer son architecture VLA comme standard pour les humanoïdes de nouvelle génération. Apptronik, partenaire de longue date de Google pour Apollo, reste pour l'instant le principal terrain de test visible de cette technologie, dont l'ouverture à d'autres intégrateurs dépendra des retours de ce programme d'accès anticipé.

Dans nos dossiers

Figure Apptronik Apollo IA physique & VLA NVIDIA GR00T

À lire aussi

1Robotics & Automation News

Google DeepMind dévoile Gemini Robotics 2, alors qu'un humanoïde d'Apptronik démontre une IA corps entier

Google DeepMind a dévoilé Gemini Robotics 2, une nouvelle suite de modèles d'IA destinée à donner aux robots humanoïdes une autonomie accrue grâce à un contrôle du corps entier, une dextérité avancée et une capacité de collaboration entre plusieurs robots. La démonstration s'appuie sur Apollo 2, l'humanoïde d'Apptronik, désormais capable d'exécuter des mouvements autonomes du corps entier : marche, accroupissement, flexion, et d'autres actions coordonnées qui combinent équilibre dynamique et manipulation fine, sans scripts préprogrammés pour chaque geste. Cette annonce marque une étape notable dans la course aux robots humanoïdes généralistes : elle déplace le curseur au-delà de la simple manipulation d'un bras robotique isolé vers un contrôle unifié de l'ensemble du corps piloté par un même modèle d'IA. Pour les intégrateurs et décideurs industriels, c'est un signal que les modèles vision-langage-action (VLA) commencent à passer à l'échelle sur des plateformes physiques complètes, un point encore contesté dans le secteur où beaucoup de démonstrations restent téléopérées ou limitées à des tâches très encadrées. Reste à vérifier, comme souvent avec ce type d'annonce, si les séquences montrées reflètent un comportement fiable et répétable ou des prises sélectionnées. Ce lancement s'inscrit dans la continuité de Gemini Robotics, la première famille de modèles robotiques de Google DeepMind, et prolonge le partenariat entre le laboratoire et Apptronik, déjà engagé sur le développement d'Apollo. Il intervient alors que la concurrence s'intensifie, avec Figure et son modèle Figure 03, Tesla et Optimus, ou encore 1X et son robot Neo, chacun cherchant à démontrer une autonomie et une polyvalence suffisantes pour un déploiement industriel réel plutôt qu'une simple vitrine technologique.

HumanoïdesActu

1 source

2arXiv cs.RO

Locomotion corps entier des humanoïdes : apprentissage par génération et suivi de mouvement

Des chercheurs proposent un cadre de locomotion humanoid corps-entier combinant un modèle de diffusion entraîné sur des mouvements humains retargetés avec un tracker de mouvements par apprentissage par renforcement (RL), le tout déployé sur le robot Unitree G1. Le système génère en temps réel des trajectoires de référence adaptées au terrain, puis un module de suivi les exécute sur le robot complet, en s'appuyant uniquement sur la perception embarquée. Lors des tests matériels, le G1 a franchi avec succès des boîtes, des haies, des escaliers et des combinaisons de terrains mixtes, sans recourir à des capteurs externes ni à un calcul déporté. L'enjeu technique central que ce travail adresse est connu dans le secteur sous le nom de "lower-body dominance" : les approches RL classiques avec reward shaping tendent à produire une locomotion efficace mais raide, concentrée sur les jambes, au détriment de la coordination du buste et des bras. À l'inverse, l'imitation pure de mouvements de référence limite la capacité d'adaptation en ligne aux obstacles imprévus. Le couplage proposé -- générer à la volée la référence adaptée au terrain puis la tracker en boucle fermée -- représente une architecture crédible pour combler ce gap, même si les vidéos de démonstration présentées restent sélectionnées et ne constituent pas encore une validation sur terrain non contrôlé à large échelle. Le Unitree G1, commercialisé depuis 2024 à environ 16 000 dollars, est devenu un banc de test standard pour les laboratoires académiques en locomotion humanoid, au même titre que l'Atlas de Boston Dynamics pour les groupes industriels. Ce travail s'inscrit dans une vague de publications exploitant les modèles de diffusion pour la génération de mouvements robotiques, une tendance initiée notamment par les travaux sur pi0 (Physical Intelligence) et GR00T N2 (NVIDIA). Les auteurs annoncent des résultats quantitatifs montrant que la fine-tuning en boucle fermée améliore la généralisation ; la prochaine étape logique serait une validation sur des terrains non vus pendant l'entraînement et un déploiement en conditions industrielles réelles.

HumanoïdesPaper

1 source

3Robotics Business Review

Mobile manipulators et humanoïdes : l'avenir de la robotique

Depuis un an, les startups de robotique humanoïde et logicielle se multiplient chaque semaine, captant l'attention médiatique et des milliards de dollars d'investissement. The Robot Report a publié un rapport gratuit intitulé « Mobile manipulators and humanoids: The future of robotics », accompagné d'une liste de plus de 200 fournisseurs de robots humanoïdes vérifiés dans le monde, avec leur localisation, le type de système développé et leur statut, en développement ou déjà commercialisé. Le document reprend une session keynote du Robotics Summit & Expo 2026 consacrée aux choix techniques nécessaires pour faire mûrir ces systèmes, en s'appuyant sur les leçons tirées de la montée en échelle de l'industrie automobile. Il inclut un entretien avec Jan Zizka, PDG de Brightpick, fournisseur slovaque de manipulateurs mobiles, sur la combinaison d'un robot mobile autonome (AMR) et d'un bras manipulateur, ainsi que des contributions de Lattice Semiconductor sur la fiabilité et la sécurité des humanoïdes dotés d'IA, de Palm Garden AI sur sa technologie Coherence Guard appliquée à l'hôtellerie et au soin, et d'Unidata sur la collecte de données égocentriques pour l'entraînement des compétences. Le rapport pointe un décalage entre l'engouement médiatique et financier pour les humanoïdes et la réalité opérationnelle du secteur : la plupart des humanoïdes en restent au stade des essais commerciaux, tandis que des manipulateurs mobiles semi-humanoïdes ou non humanoïdes équipent déjà des usines et des entrepôts. Pour les intégrateurs et décideurs B2B, cette distinction oriente les arbitrages entre systèmes bimanuels généralistes encore immatures et solutions spécialisées déployables dès aujourd'hui, un débat directement abordé par Brightpick dans le rapport. Ce dernier identifie aussi les verrous techniques qui subsistent : gestion de l'énergie embarquée, perception à 360 degrés à coût maîtrisé, et collecte/traitement des données pour entraîner les modèles d'IA et les modèles du monde, signe que le passage à l'échelle des architectures vision-langage-action n'est pas encore acquis, malgré les démonstrations mises en avant par les fabricants. Ce travail s'inscrit dans le suivi régulier du secteur mené par The Robot Report, qui documente depuis plusieurs années l'évolution des fournisseurs de robotique mobile et humanoïde à l'échelle mondiale. Le positionnement concurrentiel qu'il dresse oppose des acteurs déjà commercialisés comme Brightpick à une constellation bien plus large de plus de 200 entreprises travaillant sur des plateformes humanoïdes à des stades variés, de la recherche à la vente. Les contributions de Lattice Semiconductor, Palm Garden AI et Unidata illustrent la structuration progressive d'un écosystème de fournisseurs spécialisés, sur le matériel embarqué, l'interaction humain-machine et la collecte de données, autour des grands fabricants de robots. Disponible en téléchargement gratuit via un formulaire, le rapport ne fixe pas de calendrier précis de déploiement mais vise à donner aux intégrateurs et ingénieurs robotique un état des lieux factuel des capacités actuelles en matière de locomotion, de dextérité manuelle et d'entraînement flexible des compétences.

UELe rapport met en avant Brightpick, fournisseur slovaque de manipulateurs mobiles, illustrant la presence d'acteurs europeens deja commercialises face a la vague d'humanoides encore en phase d'essai.

HumanoïdesPaper

1 source

4arXiv cs.RO

Apprentissage multi-allures pour robots humanoïdes par renforcement avec prior de mouvement adversarial sélectif

Des chercheurs ont publié en avril 2026 sur arXiv (preprint 2604.19102) une méthode d'apprentissage par renforcement permettant à un humanoïde à 12 degrés de liberté de maîtriser cinq allures dans un cadre politique unifié : marche normale, marche militaire cadencée (goose-stepping), course, montée d'escaliers et saut, avec un espace d'action et une formulation de récompense identiques pour toutes. La contribution centrale est une stratégie appelée AMP sélectif (Adversarial Motion Prior sélectif) : l'AMP, qui guide l'apprentissage en comparant les mouvements générés à des données de référence de type mocap, est appliqué uniquement aux allures périodiques et stables (marche, goose-stepping, escaliers), et délibérément omis pour les allures dynamiques (course, saut) où sa régularisation briderait trop le mouvement. L'entraînement repose sur PPO (Proximal Policy Optimization) avec randomisation de domaine en simulation, et les politiques sont déployées sur le robot physique par transfert sim-to-réel zéro-shot, sans phase d'adaptation supplémentaire. Les expériences quantitatives montrent que l'AMP sélectif surpasse une politique AMP uniforme sur les cinq allures : convergence plus rapide, erreur de suivi réduite et meilleurs taux de succès sur les allures stables, sans dégrader l'agilité des allures explosives. Pour les équipes d'ingénierie robotique, ce résultat renforce l'idée qu'une politique monolithique bien structurée peut remplacer plusieurs contrôleurs spécialisés, réduisant la complexité du système embarqué. La réussite du transfert zéro-shot valide par ailleurs l'efficacité de la randomisation de domaine pour combler le sim-to-real gap sur un humanoïde à 12 DOF, un résultat cohérent avec des travaux récents d'ETH Zurich et de Carnegie Mellon sur les robots bipèdes. L'Adversarial Motion Prior a été formalisé par Xue Bin Peng et al. (UC Berkeley, 2021) comme mécanisme pour imiter des mouvements de référence dans un cadre RL sans récompense artisanale excessive. Des équipes chez Agility Robotics, Figure AI et Boston Dynamics explorent des variantes similaires, mais la plupart des publications se concentrent sur une ou deux allures à la fois. Ce preprint propose une généralisation plus large, bien que le robot utilisé (12-DOF, sans identification de marque dans l'abstract) reste une plateforme expérimentale dont les performances hors simulation restent à confirmer sur des terrains non contrôlés. Aucune entité française ou européenne n'est impliquée. Les étapes suivantes naturelles incluent l'extension à davantage de DOF, l'intégration de primitives de manipulation et des tests en conditions réelles variées.

HumanoïdesPaper

1 source