Agility Robotics pousse Digit V5 vers l’autonomie : quand un humanoïde traîne un canapé pour prouver sa robustesse

Un humanoïde qui sort de sa cage

Agility Robotics a publié une vidéo où son robot Digit V5 déplace un canapé, des chaises et des sacs dans une pièce, comme s’il redécorait un salon. Derrière cette démonstration spectaculaire se cache une avancée technique majeure : Digit V5 est désormais conçu pour évoluer hors des cages de sécurité, dans des environnements conçus pour les humains. Jusqu’ici, les robots humanoïdes comme les versions précédentes de Digit étaient cantonnés à des zones confinées, où les risques de collision ou de chute étaient maîtrisés. La version V5 abandonne cette limitation grâce à une combinaison de capteurs, de logiciels et de mécanismes de sécurité repensés.

Le robot embarque désormais des caméras et des capteurs qui surveillent en temps réel les humains à proximité, tandis qu’un modèle de contrôle tout-corps (whole-body control) ajuste en permanence sa posture pour éviter les chutes ou les collisions. Agility Robotics a soumis Digit V5 à des tests extrêmes, comme retirer le sol sous ses pieds : le robot a réussi à maintenir son équilibre et à se rattraper. Ces tests visent à prouver que le robot peut réagir à des perturbations imprévues, un prérequis pour une utilisation en milieu réel.

Une architecture modulaire pour une manipulation robuste

Le cœur de cette avancée réside dans un modèle de contrôle fondation développé par Agility Robotics, décrit comme un "cortex moteur" inspiré du cerveau humain. Ce modèle, entraîné dans le simulateur NVIDIA Isaac Sim pendant l’équivalent de décennies de temps simulé, est un réseau de neurones LSTM de moins d’un million de paramètres. Il gère à la fois l’équilibre dynamique, la locomotion et la manipulation fine, sans nécessiter de reprogrammation pour chaque tâche.

Ce modèle fonctionne en deux couches :

Cette séparation explicite entre locomotion et manipulation permet au robot de s’adapter à des charges variées (jusqu’à 22,7 kg, contre 15,9 kg pour les versions précédentes) et de maintenir une trajectoire stable, même si le centre de gravité change brutalement. Par exemple, lors du déplacement d’un plateau avec un verre d’eau, le robot ajuste la position de ses bras pour éviter que le liquide ne se renverse, une tâche impossible à programmer de manière explicite pour chaque scénario.

Le benchmark SteadyTray : stabiliser une charge en mouvement

Une équipe de l’UC San Diego a poussé le concept plus loin avec ReST-RL, une architecture d’apprentissage par renforcement hiérarchique conçue pour stabiliser des charges non sécurisées pendant la locomotion bipède. Leur approche, évaluée via le benchmark SteadyTray, sépare explicitement la locomotion de la stabilisation de la charge, contrairement aux méthodes "monolithiques" end-to-end qui tentent d’apprendre les deux tâches simultanément.

Les résultats en simulation sont impressionnants :

Le système a été déployé avec succès sur un Unitree G1, un humanoïde léger, pour transporter un plateau avec un verre de vin rempli à moitié. Le robot maintient le plateau à l’horizontale, empêchant le liquide de déborder ou le verre de basculer, même lors de changements de direction ou de perturbations physiques. Cette capacité de généralisation zéro-shot (sans réentraînement supplémentaire) est cruciale pour une utilisation en environnement non structuré.

Pourquoi ces avancées changent la donne

Ces travaux répondent à un défi central de la robotique humanoïde : la stabilisation de charges en mouvement. Les oscillations inhérentes à la marche bipède rendent presque impossible la manipulation précise d’objets non sécurisés (comme un plateau ou un verre) sans une compensation active. Les solutions traditionnelles reposent sur des mécanismes rigides ou des algorithmes de contrôle prédictif coûteux en calcul. Les approches modulaires comme ReST-RL ou le "cortex moteur" de Digit V5 offrent une alternative plus scalable et moins gourmande en ressources.

Pour les industriels, cela ouvre la voie à des applications concrètes :

Et demain ?

Agility Robotics vise une livraison des premiers Digit V5 à ses clients d’ici décembre 2026, avec une promesse claire : éliminer les cages de sécurité pour des environnements humains. La prochaine étape ? Intégrer des modèles de langage pour que le robot comprenne des instructions naturelles ("Pose ce plateau sur la table") et combine locomotion, manipulation et planification en temps réel.

Côté recherche, les équipes explorent des mécanismes de proprioception artificielle, comme la peau sensible développée par l’Université de Tokyo pour le robot Musashi-W. Avec 44 capteurs de pression et d’étirement répartis sur ses articulations, le robot peut détecter des forces internes similaires à celles perçues par les humains, une piste pour améliorer encore la robustesse des mouvements.

Note de Hype-mètre : 4/5 (Démonstrations spectaculaires, mais déploiement à grande échelle encore limité par les coûts et les questions de sécurité).