L'humanoïde en cuisine et le raccourci de Stanford : piloter un robot sans modèle d'action

Le laboratoire TML de Stanford a présenté en septembre 2026 HomeBody (un chercheur de Caltech figure aussi parmi les auteurs), un système de recherche qui confie la conduite d'un robot humanoïde directement à un modèle de vision et de langage de pointe. Comme l'indique la page du projet et comme l'a rapporté The Decoder le 27 septembre, l'approche saute la couche intermédiaire habituellement occupée par un modèle d'action (VLA) entraîné. À sa place, le modèle d'OpenAI — appelé "GPT Astra" sur la page de Stanford et "GPT-6 Astra" par The Decoder — sollicite directement une bibliothèque de cinq compétences motrices existantes et coordonne la navigation sur carte, la saisie et la dépose d'objets, l'ouverture de tiroirs et la saisie dans un tiroir ouvert.

Avant d'agir, l'Unitree G1 explore son environnement pour en reconstruire un jumeau numérique dans Nvidia Isaac Sim par un processus real2sim, et enregistre la position en trois dimensions des objets dans une mémoire spatiale. Cette carte interne lui permet de retrouver des objets même lorsqu'ils sortent de son champ de vision immédiat. Le calcul embarqué tourne sur un ordinateur portable doté d'un seul GPU RTX 4090, qui gère le contrôle du bras et de la main à 250 Hz et les mises à jour de la politique AMO à 50 Hz ; le modèle d'OpenAI, lui, est interrogé via API. Dans la démonstration qualitative publiée par les chercheurs, le robot a rangé une cuisine qu'il n'avait jamais vue à partir d'une demande générale, sans entraînement propre à ce contexte.

Le système montre toutefois les contraintes typiques d'une technologie encore immature. Les auteurs soulignent que "la latence de raisonnement de GPT Astra introduit des pauses entre les compétences" et que la durée totale des tâches "est aussi limitée par la portée de l'humanoïde, ses capacités de manipulation et l'endurance du matériel" (notre traduction), en particulier la surchauffe des servomoteurs des doigts. La reconstruction de l'environnement demande en outre un temps de préparation et entraîne des coûts d'API non chiffrés. Au moment de notre vérification, le code du dépôt GitHub officiel n'est pas encore public, aucune licence n'est indiquée, aucun article arXiv n'y est associé et on ignore si l'essai a été répété dans plus d'une cuisine. Aucune statistique n'est disponible sur le taux de réussite ou le nombre d'essais ; le chiffre de 95 % qui circule en ligne ne concerne pas HomeBody : il semble provenir d'une évaluation tierce de bras robotiques I2RT YAM, que nous n'avons pas pu vérifier sur une source primaire.

Sauter la traduction motrice intermédiaire pour s'en remettre directement à une intelligence de pointe est une expérience fascinante, mais elle nous rappelle que la physique n'a pas le même tempo que le calcul pur. Si le geste doit se figer en attendant que le modèle réponde via API, la fluidité reste un objectif encore lointain. — Olya