● Numerama 📅 16/03/2026 à 15:11

Géopolitique 👤 Lisa Imperatrice

🏷️ Tags : chine rag réseau rte

Lecture Zen Résumer l'article « LATENT » de l’université Tsinghua permet au robot humanoïde G1 d’Unitree d’apprendre le tennis avec seulement cinq heures de motion capture humaine. Les chercheurs bâtissent un répertoire de « compétences primitives » à partir de données humaines imparfaites, que l’IA ajuste ensuite pour gagner en précision. En conditions réelles, le système atteint jusqu’à 90,9 % de réussite en coup droit pour renvoyer la balle vers une zone cible. « LATENT » de l’université Tsinghua permet au robot humanoïde G1 d’Unitree d’apprendre le tennis avec seulement cinq heures de motion capture humaine. Les chercheurs bâtissent un répertoire de « compétences primitives » à partir de données humaines imparfaites, que l’IA ajuste ensuite pour gagner en précision. En conditions réelles, le système atteint jusqu’à 90,9 % de réussite en coup droit pour renvoyer la balle vers une zone cible. Recevez tous les soirs un résumé de l’actu importante avec Le Récap’ Baptisé « LATENT », le projet mené par l’université Tsinghua montre qu’un robot humanoïde peut apprendre à jouer au tennis avec très peu de données : le G1 d’Unitree s’entraîne ici à partir de seulement cinq heures de motion capture de joueurs humains. Qu’il s’agisse de tâches ménagères, de sport, d’exploration spatiale ou même de spectacle, les robots humanoïdes multiplient les terrains d’expérimentation. Et l’un d’eux semble particulièrement progresser dans une discipline inattendue : le tennis. En janvier 2026, une démonstration du Walker S2 de l’entreprise UBTECH impressionnait déjà sur le court. Mais dans une vidéo publiée sur X le 15 mars 2026, la méthode d’entraînement change complètement. Grâce au projet LATENT de l’université Tsinghua, le robot humanoïde G1 d’Unitree (dispo sur Amazon) a appris à jouer au tennis… avec seulement cinq heures de données de motion capture de joueurs humains, selon les présentations publiques du projet. 🎾Introducing LATENT: Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion DataDynamic movements, agile whole-body coordination, and rapid reactions. A step toward athletic humanoid sports skills.Project: https://t.co/MFy2NIOsrnCode: https://t.co/A7B5H8PIBh pic.twitter.com/vOnEzkCHXC— Zhikai Zhang (@Zhikai273) March 15, 2026 Ce contenu est bloqué car vous n’avez pas accepté les cookies et autres traceurs. Ce contenu est fourni par Twitter. Pour pouvoir le visualiser, vous devez accepter l’usage étant opéré par Twitter avec vos données qui pourront être utilisées pour les finalités suivantes : vous permettre de visualiser et de partager des contenus avec des médias sociaux, favoriser le développement et l’amélioration des produits d’Humanoid et de ses partenaires, vous afficher des publicités personnalisées par rapport à votre profil et activité, vous définir un profil publicitaire personnalisé, mesurer la performance des publicités et du contenu de ce site et mesurer l’audience de ce site (en savoir plus) En cliquant sur « J’accepte tout », vous consentez aux finalités susmentionnées pour l’ensemble des cookies et autres traceurs déposés par Humanoid et ses partenaires. Vous gardez la possibilité de retirer votre consentement à tout moment. Pour plus d’informations, nous vous invitons à prendre connaissance de notre Politique cookies. J’accepte tout Gérer mes choix Pour rappel, le robot G1 est le petit humanoïde « généraliste » emblématique du constructeur, conçu avant tout comme une plateforme de recherche, de développement et de démonstration en intelligence artificielle et en robotique. Avec ses 1,30 m pour environ 35 kg, il est déjà commercialisé à l’international et bénéficie d’une forte visibilité médiatique, notamment sur les réseaux sociaux. Comment le robot G1 d’Unitree a-t-il appris à jouer au tennis ? Le projet LATENT, porté par des chercheurs de Tsinghua University et des partenaires dont la société Galbot, est détaillé dans une prépublication scientifique déposée sur arXiv, intitulée « Apprentissage des compétences athlétiques d’un humanoïde au tennis à partir de données de mouvement humain imparfaites ». Ce dernier point, à savoir le caractère « imparfait » des données, est central. En effet, les chercheurs n’utilisent pas des matchs complets, mais des fragments de mouvement capturant des « compétences primitives » : coups droits, revers, déplacements latéraux, pas croisés, etc. Ces séquences sont quasi réalistes, mais loin d’être parfaites. Par exemple, il n’y a pas toujours un suivi très précis du poignet au moment de l’impact avec la balle. Résultat : la collecte de données est beaucoup plus simple et rapide. L’idée clé est que même ces clips imparfaits peuvent servir de base pour apprendre comment un corps humain se déplace et coordonne ses membres avant de frapper la balle, que le système corrige ensuite pour atteindre la précision nécessaire au tennis. La méthode détaillée par les chercheurs. // Source : @Zhikai273 sur X Une fois ce « dictionnaire » de gestes humains appris, les chercheurs ajoutent une deuxième couche d’IA chargée de décider, en temps réel, quel mouvement doit être exécuté selon la trajectoire de la balle. Concrètement, le robot observe la position et la vitesse de la balle, choisit un déplacement (se décaler, avancer ou reculer), puis sélectionne et ajuste un geste de frappe issu de son répertoire afin de viser une zone précise du court. Cette stratégie est d’abord entraînée dans un simulateur physique, où le robot virtuel est soumis à des centaines de scénarios avec des vitesses, des rebonds et des erreurs de capteurs différents. Ce type d’approche est souvent décrit comme du « sim-to-real » : le cerveau du robot est d’abord entraîné dans une simulation, où l’on peut multiplier les essais et les erreurs à moindre coût, avant d’être transféré tel quel sur la machine réelle. Pour éviter que le robot soit perdu une fois en dehors du monde virtuel, les chercheurs injectent volontairement des imperfections dans la simulation — bruit de capteurs, variations de rebond ou paramètres physiques aléatoires — afin de le rendre plus robuste aux surprises du monde réel. Le G1 d’Unitree a appris à jouer au tennis. // Source : Projet LATENT sur GitHub Dans leur article, les chercheurs évaluent la performance de leur méthode en mesurant le pourcentage de balles effectivement renvoyées dans le camp adverse. En conditions réelles, ils rapportent par exemple environ 90,9 % de réussite en coup droit et 77,8 % en revers, selon la zone du court visée. Dans les présentations publiques du projet, l’université Tsinghua et ses partenaires évoquent également un robot capable de renvoyer des balles allant jusqu’à 15 m/s, après cet entraînement basé sur seulement quelques heures de motion capture humaine. À noter toutefois qu’ici, l’objectif n’est pas de jouer un match complet de tennis contre un humain, mais de résoudre une tâche plus précise : renvoyer la balle vers une zone cible, dans un environnement très contrôlé. Toute l'actu tech en un clin d'œil Ajoutez Numerama à votre écran d'accueil et restez connectés au futur ! Installer Numerama Pour ne rien manquer de l’actualité, suivez Numerama sur Google ! Crédit photo de la une : Projet LATENT sur GitHub Signaler une erreur dans le texte Ne plus voir cette pub Ne plus voir cette pub Humanoïde robots humanoïdes Tennis Unitree Unitree G1

🔗 Lire l'article original 👁️ 1 lecture