Dans un retournement de situation qui ne surprendra finalement que ceux qui ne suivent pas de près l’évolution de la tech, un chercheur vient de mettre au point un robot capable de surpasser son propre maître. La discipline ? Le tennis. Le projet, baptisé LATENT, a permis à un humanoïde d’apprendre à manier la raquette, non pas à partir de données professionnelles ultra-léchées, mais en s’appuyant sur des captures de mouvements humains imparfaites. Résultat : le robot est désormais capable de tenir tête à un adversaire lors de longs échanges musclés.
Mené par une équipe de chercheurs de l’Université Tsinghua et de Galbot Inc., le projet s’est attaqué à l’un des plus gros défis de la robotique : enseigner des mouvements agiles et complexes sans disposer d’un manuel d’instruction parfait. Leur système apprend un “espace d’action latent” à partir de fragments de mouvements de tennis humains parfois maladroits. La botte secrète de l’équipe ? Une politique d’IA de haut niveau qui agit comme un véritable coach numérique, corrigeant et combinant ces compétences primitives imparfaites pour réussir à renvoyer la balle de l’autre côté du filet. Tout ce processus est affûté en simulation avant d’être déployé sur un véritable humanoïde Unitree G1 via un transfert “sim-to-real”.
Et le moins que l’on puisse dire, c’est que la méthode fonctionne. Selon l’auteur principal, Zhikai Zhang, la courbe d’apprentissage a été fulgurante. “Le premier jour du déploiement en conditions réelles, le robot était incapable de renvoyer le moindre service”, confie Zhang. “À la fin du projet, je n’arrivais plus à le battre.” Pour les curieux qui souhaitent décortiquer les détails techniques ou tenter d’entraîner leur propre futur champion de Roland-Garros robotisé, l’équipe a mis les détails du projet et le code à disposition. Hyperlien : Page du projet et Hyperlien : Dépôt GitHub.
Pourquoi est-ce une étape cruciale ?
Il ne s’agit pas seulement de créer un partenaire d’entraînement pour les pros du tennis en manque de sparring-partner. La véritable prouesse du système LATENT réside dans sa capacité à apprendre à partir de données “sales” et imparfaites. Jusqu’ici, l’entraînement robotique exigeait des jeux de données méticuleusement curatés, longs et coûteux à produire. En apprenant à corriger et à assembler des exemples imparfaits, cette approche pourrait accélérer de manière spectaculaire l’apprentissage de tâches complexes dans le monde réel. C’est un pas de géant vers des robots capables d’apprendre “sur le tas” dans des environnements imprévisibles, de l’entrepôt logistique aux zones de catastrophe, sans avoir besoin d’une démonstration parfaite à chaque fois.
