Menlo Research affirme avoir franchi une étape importante pour son humanoïde Asimov 1 : une même politique de locomotion peut désormais passer de la simulation au robot physique sans réglage supplémentaire. L’entreprise publie ses premiers résultats sur plusieurs unités, avec une exécution entièrement embarquée.
L’annonce, datée du 27 août, concerne la marche sur terrain plat et légèrement irrégulier. Asimov 1 avance, recule, se déplace latéralement et tourne sur place. Menlo indique que le robot conserve aussi son comportement sur de petites pentes et sur de l’herbe, sans nouvelle phase d’apprentissage après la simulation.
Une politique exécutée à 50 Hz sur 25 moteurs
Le point central n’est pas une nouvelle figure spectaculaire, mais la réduction du travail nécessaire entre l’entraînement virtuel et le déploiement réel. En robotique, un modèle efficace dans un simulateur doit souvent être adapté à chaque machine pour absorber les écarts de masse, de frottement, de délai ou de réponse des actionneurs.
Selon le billet technique de Menlo Research, les mêmes poids sont utilisés dans la simulation et sur le robot. La politique tourne à 50 Hz sur la carte de contrôle d’Asimov 1, pilote 25 moteurs et traite les capteurs sans ordinateur externe dans la boucle de commande.
L’équipe compare également les trajectoires de douze articulations du bas du corps. Pour des commandes de marche avant, arrière et latérale, les courbes mesurées sur le robot suivent globalement celles du simulateur. Ce rapprochement ne prouve pas que toutes les situations sont maîtrisées, mais il donne un indicateur plus utile qu’une démonstration vidéo isolée.
Asimov is now zero-shot sim2real for locomotion.
You train the policy in simulation. It runs on the robot without additional tuning.
— Asimov (@asimovinc) August 27, 2026
Un travail mené sur le matériel autant que sur le modèle
Menlo explique avoir consacré huit mois à réduire l’écart entre simulation et réalité. L’entreprise dit avoir surtout travaillé sur la fiabilité des communications avec les actionneurs, leur modélisation et la cohérence entre plusieurs exemplaires du robot. Elle met à disposition des configurations d’actionneurs dans une contribution au projet Isaac Lab.
Pour l’apprentissage, les chercheurs combinent mjlab, basé sur MuJoCo, pour les itérations rapides, et Isaac Lab pour les étapes où la fidélité physique devient plus importante. Leur approche limite aussi la randomisation aux paramètres réellement variables. L’objectif est d’éviter qu’une politique apprenne à se protéger contre des écarts artificiels qui n’existent pas sur le matériel.
Des limites encore clairement identifiées
Menlo reste prudent sur la portée du résultat. Le transfert a été vérifié sur terrain plat, sur de faibles irrégularités et face à des perturbations modérées. L’entreprise ne revendique ni validation sur une grande flotte, ni locomotion complexe combinée à la manipulation d’objets.
Cette réserve est importante : le « zéro réglage » ne signifie pas qu’une politique quelconque peut être installée sans validation de sécurité. Il décrit ici un résultat précis sur une pile matérielle et logicielle conçue ensemble. Pour les laboratoires qui utilisent Asimov 1, l’intérêt concret serait néanmoins de raccourcir le passage du test virtuel au robot et de reproduire plus facilement une expérience sur plusieurs unités.
