Auteure丨Wu Simong
Rédaction丨Cen Feng, Ma Xiaoning
Si vous avez joué à Mario Tennis ou à TopSpin, vous ne considérerez probablement pas le tennis comme une affaire particulièrement complexe. La balle arrive, on déplace le personnage, on juge le point de chute, on appuie sur la touche de frappe au bon moment. Surtout dans Mario Tennis Aces, le jeu décompose même le tennis en un langage gestuel très intuitif : coup droit, revers, lift, slice, lob, et même des coups spéciaux qui exigent un timing d'une précision parfaite. Image du jeu Mario Tennis Aces Le tennis dans la réalité est bien sûr bien plus complexe que tout cela ; ce que fait le jeu, c'estle « mapping d'actions »(action mapping), qui consiste essentiellement à traduire une opération de « touche » très abstraite du joueur en tout un ensemble de mouvements corporels complexes du personnage. Le joueur n'a pas besoin de savoir comment ce mouvement est accompli, car le contrôle moteur intermédiaire est pris en charge par le système du jeu. Le moment où la balle touche le sol, quand le corps pivote à la taille, vers où le pied doit se porter, à quelle vitesse le bras doit s'élancer : presque tout cela est masqué dans le jeu. Ce que voit le joueur n'est qu'une entrée simple, et le moteur du jeu se charge de la traduire en une longue séquence complète de mouvements corporels. Même si la balle file à toute vitesse, le personnage ne perdra jamais l'équilibre faute de pouvoir ajuster son centre de gravité à temps, et encore moins sera-t-il déséquilibré pour avoir eu un pas de retard. Mais si l'on remplace ce personnage capable de « frapper d'une simple pression » par un véritable robot humanoïde, l'« incarnation » rendra les choses complètement différentes.L'intelligence incarnée exige au contraire que le robot reprenne à son compte ce processus corporel que le jeu avait masqué, c'est-à-dire le fossé entre l'intention et le mouvement.Il doit d'abord déterminer d'où vient la balle, puis décider quand bouger et de combien ; à l'approche du point de frappe, les jambes, la taille, le tronc, les épaules, les bras et les poignets doivent se coordonner. Le contact entre la raquette et la balle ne dure peut-être qu'un très court instant, et pendant ce laps de temps, le robot doit en même temps gérer sa propre posture, la vitesse des articulations, la friction, le poids de la raquette et la vitesse de la balle adverse. Le tennis devient ainsi un problème de robotique très intéressant. Ce n'est pas comme saisir un gobelet immobile en laboratoire. La balle ne cesse de voler, le point de frappe change constamment, et le robot ne peut pas se contenter de réussir un mouvement une seule fois : il doit le répéter correctement dans un état en perpétuel changement. Il ne lui suffit plus de « savoir quoi faire », mais de faire en sorte que tout son corps produise une réaction coordonnée en quelques centaines de millisecondes, voire moins. C'est précisément ce que tente IROS 2026 au travers d'un travail de l'équipe de Galaxy General (GaLbot), de l'université Tsinghua, de l'université de Pékin, de l'Institut de recherche Shanghai Qizhi et du Shanghai Artificial Intelligence Laboratory, à savoirLATENT, qui cherche à y répondre. Le titre de l'article lui-même est passionnant :Apprentissage de compétences athlétiques de tennis humanoïdes à partir de données imparfaites de mouvement humain. Le mot-clé n'est pas « perfect », mais bien « imperfect ». L'équipe de recherche n'a pas fourni au robot un jeu de données de matchs professionnels de tennis humain soigneusement sélectionné, complet et exact. Au contraire, elle a délibérément pris pour point de départ des données de mouvement humain imparfaites, pour que le robot apprenne les capacités corporelles les plus fondamentales du tennis, puis, grâce à l'apprentissage par renforcement et à la simulation, combine ces capacités en des stratégies capables de réellement frapper la balle. Autrement dit, ce qu'ils veulent résoudre n'est pas « comment copier intégralement les mouvements humains dans le robot », mais une question plus proche de la réalité :si la démonstration que l'humain fournit au robot est dès le départ incomplète et imprécise, que peut-il encore en apprendre ?
01
Cinq heures de données imparfaites
Si l'on veut vraiment que le robot apprenne d'un joueur de tennis humain, la méthode la plus intuitive serait d'enregistrer ce joueur dans son intégralité. De la position de préparation jusqu'au déplacement, à la frappe, au retour à la position, puis à la frappe suivante. Idéalement, il faudrait aussi une grande quantité de balles différentes, de points de chute différents, de postures corporelles différentes, voire des matchs complets. Ainsi, le robot ne verrait pas seulement « comment mouvoir le bras », mais un ensemble complet de comportement tennistique. Le problème, c'est que de telles données sont extrêmement difficiles à collecter. Sans compter que si la cible est un robot humanoïde, la structure corporelle de l'être humain et celle du robot ne sont pas identiques. La longueur des bras, l'amplitude des articulations, le poids du corps et la force musculaire d'un humain diffèrent de ceux du robot ; même si un système de capture de mouvement enregistre fidèlement les gestes d'une personne, rien ne garantit que le robot puisse les exécuter à l'identique. LATENT a pris un autre chemin. L'équipe de recherche a recruté 5 joueurs de tennis amateurs et, dans une zone de capture d'environ 3 mètres × 5 mètres, a enregistré environ 5 heures de données de mouvement humain. Cet espace représente même moins qu'une très petite partie d'un court de tennis standard. Les chercheurs n'ont pas demandé aux joueurs de disputer des matchs complets, mais ont concentré leur attention sur les gestes corporels les plus fondamentaux du tennis, notamment coup droit, revers, ainsi que des déplacements comme le pas glissé latéral ou le pas croisé. Capture de mouvement des gestes du tennis humain Ces gestes peuvent paraître fragmentés. Une personne fait deux pas sur le côté, une personne accomplit un coup droit, une personne réalise un revers. Ils ne permettent pas de reconstituer un match complet de tennis, et encore moins de dire au robot « où frapper la balle suivante ». Mais l'équipe de recherche estime que ces fragments contiennent tout de même quelque chose d'essentiel :comment l'être humain utilise son corps face au tennis.C'est ce que l'article appelle « imperfect human motion data ». Ce caractère « imparfait » comporte au moins deux niveaux.Premièrement, il n'est pas assez précis.Les mouvements humains obtenus par capture de mouvement ne signifient pas que le robot puisse les reprendre tels quels sans aucune modification, notamment pour les gestes locaux comme le poignet : il existe des écarts évidents entre les données humaines et le corps du robot.Deuxièmement, il n'est pas assez complet.Ce que l'équipe a collecté, ce sont des gestes de base du tennis, et non un ensemble complet de comportements de match. Les données peuvent indiquer au robot comment se déplacer, comment frapper, mais ne lui disent pas directement quelle stratégie choisir face à des balles différentes. L'approche traditionnelle verrait facilement dans ces défauts des problèmes : les données manquent de précision ? Alors on en collecte davantage ; les données sont incomplètes ? Alors on en collecte encore plus. LATENT, lui, fait un petit pas de côté. L'équipe n'a pas cherché à réparer ces données pour en faire un « manuel parfait du tennis humain », mais à les traiter comme un a priori. Le robot n'a pas besoin d'être la copie d'un athlète humain en particulier ; il doit d'abord savoir comment l'être humain utilise, en gros, son corps dans un sport rapide comme le tennis. Cette distinction est importante. Car pour l'apprentissage par renforcement, explorer depuis zéro toutes les possibilités de mouvements corporels coûte extrêmement cher. Un robot humanoïde à 29 degrés de liberté n'a pas le choix entre seulement « frapper » et « ne pas frapper ». À chaque instant, il peut modifier l'état de ses jambes, de sa taille, de son tronc, de ses épaules et de ses bras. Partant de zéro, il ne sait même pas quels mouvements corporels peuvent être considérés comme raisonnables. Les données de mouvement humain, même réduites à des fragments, peuvent d'abord lui tracer des limites approximatives. C'est comme une personne qui prend une raquette de tennis pour la première fois. On n'a pas besoin de lui offrir d'abord un programme complet d'entraînement professionnel ; il lui suffit de savoir « voilà à peu près comment les humains se placent, se déplacent et frappent », et ensuite seulement il pourra, par essais et erreurs, trouver son propre style. Ce que fait LATENT peut sans doute se comprendre comme l'acquisition par le robot d'une telle « intuition corporelle ».02
Ce dont le robot a besoin, c'est d'un « langage corporel »
L'équipe de recherche n'a pas simplement injecté au robot les mouvements humains capturés, articulation par articulation. La vraie difficulté se trouve justement là :les mouvements humains ne sont pas des mouvements de robot.Quand une personne frappe, son cerveau ne calcule pas explicitement « de combien de degrés plier le genou gauche, tourner la hanche droite, incliner le tronc ». Ces gestes finissent par former une coordination corporelle. Si le robot devait directement décider à chaque instant comment mouvoir ses 29 degrés de liberté, l'espace d'apprentissage serait immense, et il serait facile d'aboutir, au cours de l'apprentissage par renforcement, à des mouvements non naturels, voire instables. Schéma du cadre de la méthode LATENT LATENT a donc d'abord entraîné un traceur de mouvement (motion tracker), permettant au robot d'apprendre les schémas de mouvement corporel contenus dans les mouvements humains. Puis l'équipe a comprimé ce traceur en un espace d'actions latent continu (latent action space), autrement dit l'espace d'actions latent évoqué. Pour employer une image plus concrète, cela ressemble à un « dictionnaire de gestes ». Le robot n'a pas besoin de recalculer à chaque fois comment les 29 articulations doivent coopérer : il peut d'abord choisir dans ce dictionnaire un mouvement corporel déjà appris, puis l'ajuster selon la balle qui se présente. Cet espace d'actions possède en outre une caractéristique essentielle : il ne fixe pas le robot aux mouvements humains. Les démonstrations humaines ne fournissent qu'un a priori gestuel ; face à une vraie balle, le robot doit encore apprendre par lui-même. Voilà pourquoi l'article ne fait pas de « l'imitation de l'humain » l'objectif final. Supposons qu'un joueur humain ait un geste du poignet au moment de frapper, et que ce geste ne soit pas fiable pour G1 : alors le robot n'a aucune raison de s'y tenir coûte que coûte. L'équipe a même traité spécifiquement le poignet droit : elle a abaissé sa fiabilité lors de la phase de suivi du mouvement, pour que le robot ne puisse pas trop dépendre de ce geste local entaché d'erreur, puis a laissé la politique de haut niveau le corriger au moment de réellement frapper la balle. Ce concept revient un peu à laisser délibérément au robot une vis pas tout à fait serrée. Si un système ne fonctionne que lorsque cette vis est parfaitement exacte, la moindre erreur dans la réalité peut faire échouer tout le geste. À l'inverse, si le robot est dès le départ contraint d'apprendre à accomplir le mouvement grâce à la coopération des jambes, des hanches, du tronc, des épaules et du reste du corps, alors même si le poignet dévie, il garde la possibilité d'ajuster tout son corps pour renvoyer la balle. C'est là un aspect très intéressant de LATENT :les données humaines ne sont pas la réponse finale que le robot doit poursuivre, mais plutôt un point de départ dans son apprentissage des mouvements du corps.Ensuite, l'équipe de recherche a encore dû affronter un problème classique de l'apprentissage par renforcement. Lorsque le robot possède déjà un « dictionnaire de gestes », l'apprentissage par renforcement, pour améliorer le taux de retour de balle, ne risque-t-il pas de sauter au hasard entre des gestes totalement différents du dictionnaire ? La réponse est : possible. L'équipe a donc proposé le Latent Action Barrier, en abrégé LAB. Il contraint les actions générées par la politique de haut niveau, afin que celle-ci ne s'écarte pas trop facilement de la distribution d'actions initiale. Latent Action Barrier Ici, le « Barrier » n'enferme pas le robot, mais trace une frontière pendant l'exploration. L'article utilise la distance de Mahalanobis pour mesurer l'écart d'une action, plutôt que la simple distance euclidienne. La raison est facile à comprendre : les échelles et les plages de variation des différentes dimensions d'action ne sont pas les mêmes, et on ne peut pas traiter les variations dans toutes les directions comme des « écarts » équivalents. L'expérience a aussi démontré la valeur de cette contrainte. Dans la tâche de coup droit, la stratégie LATENT complète atteint un taux de succès de 96,52 % ; sans LAB, il chute à 93,12 %. Mais la différence la plus évidente apparaît dans la qualité du geste : l'indice de fluidité du mouvement passe de 25,61 à 37,64, et le couple articulaire de 7,40 à 12,53. Autrement dit, ce que LAB améliore réellement, ce n'est pas seulement « la capacité à renvoyer la balle », mais la capacité du robot à accomplir la tâche avec moins de mouvements brusques, violents et mécaniques. C'est très comparable à la différence chez l'humain. Une personne peut parfois réussir à renvoyer la balle, mais si chaque frappe repose sur des à-coups violents, des arrêts soudains et des corrections incessantes, un tel geste est difficile à tenir. Une capacité motrice vraiment utile, ce n'est pas réussir une fois, mais transformer le succès en une habitude corporelle stable.03
Les robots non plus ne peuvent pas apprendre uniquement dans un « monde propre »
À ce stade, le robot dispose déjà de mouvements et d'une stratégie. Mais il reste un problème plus important : le monde simulé et le monde réel ne sont pas identiques. Dans le simulateur, les chercheurs connaissent la masse de la balle, son élasticité, la résistance de l'air, ainsi que la masse du corps du robot et ses paramètres de frottement. D'où vient la balle et à quelle vitesse, tout peut être contrôlé avec précision. Dans la réalité, le rebond d'une balle de tennis n'est jamais exactement le même, le centre de gravité de la raquette peut présenter de légères erreurs, et le frottement du sol varie. Les articulations, les actionneurs et les capteurs du robot comportent eux aussi des erreurs. Sans compter que le système réel présente des latences, du bruit et des observations parfois perdues. Si le robot n'apprend à jouer que dans un « monde simulé parfait », dès qu'il passe au réel, les mouvements appris peuvent immédiatement devenir inefficaces. L'approche adoptée par LATENT ne consiste pas à rendre le monde simulé aussi parfait que possible, mais au contraire :à introduire activement l'incertitude dans le monde simulé.L'équipe de recherche a randomisé des paramètres tels que la masse du corps du robot, son centre de gravité, le frottement des pieds, le frottement des articulations et l'inertie des actionneurs, ainsi que des paramètres dynamiques de la balle de tennis comme sa masse, son coefficient de restitution et la résistance de l'air. Figure 2(c+d) : Dynamics Randomization + Observation Noise Parallèlement, ils ont également ajouté du bruit d'observation, des pertes d'images et des latences. Autrement dit, pendant son entraînement en simulation, le robot n'est pas confronté à un monde de tennis figé, mais à tout un ensemble de « mondes réels possibles ». Tantôt la balle est un peu plus lourde, tantôt plus légère ; tantôt le frottement est plus fort, tantôt plus faible ; tantôt les données vues par les capteurs arrivent avec un peu de retard, tantôt il manque carrément une image. Le robot est contraint d'apprendre ceci : « même si je ne sais pas dans quel état se trouve le monde, je dois tout faire pour renvoyer la balle. » C'est là une différence très intéressante entre l'apprentissage robotique et le contrôle par programme traditionnel. Un programme peut dire à la machine : si la vitesse de la balle est A, le frottement B et la latence C, alors exécuter l'action D. Mais le monde réel donne rarement des conditions aussi nettes que A, B et C. LATENT n'a donc pas cherché à éliminer l'incertitude, mais à habituer le robot à l'incertitude dès la phase d'entraînement. Les expériences d'ablation de l'article l'illustrent bien. Si l'on supprime la randomisation de la dynamique de la balle de tennis, le taux de réussite du coup droit dans le monde réel chute nettement à 16.67 % ; si l'on supprime le bruit d'observation, l'expérience du revers descend même à 0 %. Ces deux résultats montrent précisément une chose :si le robot échoue dans le réel, ce n'est parfois pas parce qu'il n'a pas appris les mouvements, mais parce que le monde dans lequel il a appris était trop propre.C'est l'une des difficultés les plus fondamentales du sim-to-real. Rendre le simulateur de plus en plus proche du réel est certes important, mais il existe une autre voie : habituer le robot au fait que le réel ne ressemblera jamais tout à fait au simulateur. LATENT a choisi cette seconde voie. Cette approche a finalement été transportée sur un véritable Unitree G1. Il faut toutefois préciser ici : il ne s'agit pas d'un robot seul sur un court de tennis ordinaire, réalisant toutes les expériences uniquement grâce à sa propre caméra. La validation sur robot réel repose encore sur un système de capture de mouvement. L'équipe de recherche a utilisé des caméras de capture de mouvement pour obtenir les informations de mouvement du robot et de la balle, et les expériences réelles ont été menées dans un environnement de capture de mouvement à grande échelle. Selon la documentation officielle du projet, l'expérience a utilisé plus de 50 caméras de capture de mouvement, la zone de capture couvrant 19 mètres × 15 mètres. Cela forme un contraste intéressant avec la collecte de données précédente. Pour capter les mouvements du corps humain des 5 joueurs amateurs, l'équipe n'avait besoin que d'une petite zone de 3 mètres × 5 mètres ; mais pour que le robot joue de manière stable dans le monde réel, il a fallu toute une infrastructure complexe de capture de mouvement. Autrement dit,« des données imparfaites » ne signifie pas que l'ensemble du système expérimental est simple.Au contraire, l'équipe de recherche a déplacé une partie du problème de « comment collecter des données parfaites » vers « comment permettre au robot d'apprendre des capacités stables à partir de données imparfaites », mais la validation sur robot réel demeure elle-même un système d'ingénierie coûteux et complexe. L'article considère d'ailleurs explicitement la dépendance au système de capture de mouvement comme une limite du travail actuel, et désigne l'usage futur de la vision active comme la prochaine direction. Cela signifie que LATENT, aujourd'hui, n'est pas encore un « robot de tennis autonome » affranchi des conditions de laboratoire. Mais cela prouve au moins une chose :des données imparfaites peuvent constituer le point de départ pour qu'un robot acquière des capacités de mouvement dynamique.04
Il a vraiment renvoyé la balle
Ce qui est finalement le plus tangible, c'est bien la balle. Dans les expériences en simulation, l'équipe de recherche a mené des tests à grande échelle, évaluant différentes conditions d'arrivée de balle. Le taux de réussite du coup droit de LATENT atteint 96.52 %, avec une erreur moyenne de point de chute de 1.32 mètre. À titre de comparaison, les taux de réussite du coup droit des méthodes comme AMP, ASE et PULSE sont respectivement de 41.32 %, 63.47 % et 71.85 %, avec des erreurs moyennes de point de chute nettement plus grandes. Ces chiffres montrent que LATENT ne se contente pas de faire au robot « exécuter un geste de frappe ». Il parvient déjà à relier les mouvements du corps, les conditions d'arrivée de la balle et l'objectif de la tâche. Face à des balles arrivant à différentes positions et à différentes vitesses, le robot doit déplacer son corps, frapper la balle au bon endroit, puis l'envoyer autant que possible vers la zone cible. Et dans le monde réel, le résultat tient toujours. L'article rapporte 20 échanges consécutifs homme-machine. En conditions de coup droit, le taux de réussite du renvoi rapporté par l'article est de 90.90 %, et de 77.78 % en revers ; en conditions de fond de court et de filet, respectivement 88.89 % et 81.82 %. Il existe ici une restriction très importante : ces chiffres ne représentent pas un « taux de victoire en véritable match de tennis du robot ». Le critère de réussite dans les expériences réelles est que le robot parvienne à renvoyer la balle dans le camp de l'adversaire ; et l'ampleur de l'expérience se limite à 20 échanges consécutifs. Ainsi, 90.90 % doit être compris plus précisément comme : dans les conditions expérimentales réelles définies par l'article, le robot est capable de réaliser un renvoi en coup droit de façon assez stable. Ce qui est prouvé, c'est une capacité, et non un niveau de compétition professionnelle. En réalité, la tâche que LATENT résout actuellement reste assez bien définie : le robot doit renvoyer la balle vers une position cible, et non disputer un match complet en simple ou en double comme un véritable joueur de tennis. Un véritable match de tennis comporte encore une multitude de problèmes plus complexes. Quand faut-il jouer dans la ligne, quand faut-il jouer en diagonale ? Où se trouve l'adversaire ? Comment se replacer après ce coup ? Si l'adversaire change sans cesse le point de chute, comment le robot ajuste-t-il sa tactique ? Et si la balle ne tombe pas dans la zone prévue, que faire au coup suivant ? Ces questions ne relèvent plus seulement du « comment frapper ». Elles exigent que le robot comprenne un environnement adverse en évolution permanente. Le robot-robot self-play présenté dans l'article apporte un complément. En environnement simulé, deux robots utilisant cette stratégie peuvent s'affronter en auto-partie, réalisant au maximum 25 échanges consécutifs. Mais il faut là aussi délimiter clairement :les 25 échanges proviennent d'expériences robot contre robot en simulation, et non de matchs homme-machine dans le monde réel.Ainsi, si l'on replace LATENT dans une histoire plus longue de la robotique, ce qu'il accomplit actuellement, ce n'est pas « apprendre le match de tennis aux robots », mais faire progresser d'un pas un problème autrefois très difficile : un robot peut-il, à partir de fragments limités de mouvement humain, acquérir une capacité corporelle transférable, puis la mettre réellement en œuvre dans un environnement rapide, dynamique et truffé d'erreurs ? Pour l'instant, la réponse est oui. Du moins dans les tâches définies par l'article, il y parvient déjà. Et si ce travail mérite l'attention, ce n'est justement pas à cause du tennis lui-même.05
Le tennis n'est qu'un point d'entrée
Pendant longtemps, les démonstrations de capacité motrice des robots se sont souvent déroulées dans des environnements relativement déterministes. Marcher, saisir, transporter, ouvrir une porte : chaque tâche avait un objectif clair, et la position des objets ne changeait généralement pas de façon soudaine. Mais le sport ne fonctionne pas ainsi. La balle vole, la cible bouge, le temps de contact est très court, et les mouvements doivent s'enchaîner continûment. Le robot doit non seulement contrôler son propre corps, mais aussi redécider constamment la suite des actions en fonction des changements du monde extérieur. Le sport constitue donc en réalité un terrain de test extrême pour l'embodied intelligence. Le football exige que le robot coure, se retourne, frappe la balle, et comprenne aussi la position des autres joueurs ; le badminton exige qu'il gère déplacements, frappe et contrôle du point de chute face à des balles très rapides ; le tennis, lui, concentre ces problèmes dans un instant très précis : le robot doit frapper une balle arrivant à grande vitesse, à la bonne position, avec la bonne posture corporelle, au bon moment. C'est aussi pourquoi, à l'IROS 2026 de cette année, l'athletic humanoid robotics est devenu un axe de discussion à part entière. Le workshop « Perception and Decision Making for Athletic Humanoid Robotics » de l'IROS 2026 liste directement comme thèmes l'agile locomotion, les sports, la dynamic manipulation, le real-time planning, l'embodied AI, etc., s'intéressant précisément à la façon dont les robots réalisent la perception, la prise de décision et le contrôle du corps entier dans des environnements rapides, riches en contacts et imprévisibles. Le workshop prévoit également des démonstrations de robots locomoteurs de Unitree, Phybot et Booster Robotics, couvrant des tâches comme la locomotion, le badminton et le football. C'est là toute la valeur de LATENT. Il n'a pas cherché à transformer les données de mouvement humain en une réponse d'une précision absolue. Les 5 joueurs amateurs n'ont laissé que des fragments de mouvement, et ces fragments comportent eux-mêmes des erreurs. Mais ces données imparfaites racontent néanmoins quelque chose au robot : comment l'humain se déplace dans ce monde, comment il garde son équilibre, comment il lance son corps à la poursuite d'un objet se déplaçant à grande vitesse. Ensuite, le robot continue lui-même le chemin. Il compresse les mouvements humains en un espace d'actions latentes, puis utilise l'apprentissage par renforcement pour trouver les combinaisons de mouvements adaptées à son propre corps ; il ne se fie pas entièrement au mouvement du poignet humain, et apprend donc à faire compenser l'ensemble du corps ; il ne suppose pas que les paramètres du monde réel sont toujours exacts, et introduit donc activement dans le simulateur du bruit, des latences et des variations dynamiques ; enfin, il transporte tout cela dans un vrai corps de robot. Il tente de répondre à une question plus vaste :lorsque nous ne pouvons pas fournir au robot un manuel parfait du monde, peut-il, à partir d'informations imparfaites, construire lui-même une compréhension de son corps et du monde ?C'est précisément là ce qui rend le tennis, en tant que terrain d'expérimentation, intéressant pour les scénarios d'intelligence embarquée : il oblige le robot à agir dans un monde sans réponse figée et constamment modifié par d'autres agents, exposant continuellement les problèmes et optimisant sans relâche. La balle n'attend pas le robot. Quand elle arrive, le corps doit réagir avant la pensée. Les capteurs ont une latence, les mouvements comportent des erreurs, et la trajectoire initiale n'est plus une instruction que l'on peut suivre à la lettre. Ainsi, ce qui se tient finalement sur le court n'est pas une machine reproduisant image par image les mouvements humains. Il a dans les jambes des fragments de mouvement laissés par 5 joueurs amateurs, des données corporelles imparfaites, une incertitude volontairement exposée, ainsi qu'une stratégie corporelle forgée par les essais et erreurs incessants de l'apprentissage par renforcement. L'humain apporte des traces de connaissance, mais ce que le robot acquiert n'est pas la connaissance elle-même ; le reste doit être accompli par son propre corps.Pour faciliter les échanges entre tous et le partage d'informations sur la conférence, 雷峰网 (compte public : 雷峰网) a spécialement créé un groupe 2026 d'échanges pour les participants à l'IROS！En rejoignant le groupe, vous débloquerez ces « avantages » ?
Poste d'informations sur la conférence : DDL des soumissions, normes de format, avancement des évaluations… les étapes clés vous parviennent en première main, ne craignez plus de rater un deadline, préparez votre soumission en toute sérénité.
Salon de discussion entre pairs : des confrères de partout sont dans le groupe, pour échanger sur les expériences, confronter les idées, tisser un réseau — dans la recherche, nous avançons ensemble.
Poste de ravitaillement de pointe : les derniers résultats de recherche et les sujets d'actualité en temps réel, combinés aux thèmes de la conférence pour clarifier votre démarche de soumission et booster l'inspiration de votre article.
Équipe de soutien sur place : (exclusif pendant la conférence) :Une fois arrivé sur le site, pas de panique —
Navigation: répartition des bâtiments, comment trouver les salles de conférence, posez vos questions à tout moment dans le groupe ;
Lecture commune des sessions: sessions à la mode et discussions autour des Keynote, rattrapez même ce que vous avez manqué ;
Compilation des Posters: l'essentiel des affiches sur place, à collectionner d'un clic pour ne rien oublier ;
Place des rendez-vous: dîners, interviews, échanges… pour discuter, coopérer ou se rencontrer en personne, il suffit de lancer l'initiative dans le groupe.
? Portail d'accès au groupe : Scannez le code QR pour rejoindre le groupe ou ajoutez WeChat Luyoyo_2026, avec la mention : ECCV + organisme/école + nom + domaine de recherche.
En recherche ou en technologie, l'écart d'information compte beaucoup.
Venez, prenons une longueur d'avance ensemble !
Montez à bord, on vous fait découvrir le meilleur des grandes conférences mondiales sur l'IA
Accès exclusif à :
PPT des conférences d'experts
Textes intégraux des rapports du congrès
Analyses des articles populaires
Interviews des nouvelles étoiles académiques
Scannez le code QR ci-dessus
ou cliquez sur « Lire l'article original » pour suivre la rubrique.
Article original de Lei Feng Wang, reproduction interdite sans autorisation. Voir les détails dansles conditions de reproduction。