Robbyant, la division robotique d’Ant Group, dévoile LingBot-World 2.0, un modèle de monde vidéo conçu spécifiquement pour la simulation de robots incarnés. Le système génère des environnements virtuels en temps réel à 720p et 60 images par seconde, sur des durées pouvant atteindre plusieurs heures d’un seul tenant, sans perdre en cohérence visuelle.
Un modèle de monde, pas un modèle d’action
Il faut distinguer LingBot-World 2.0 de LingBot-VLA 2.0, la politique d’action que Robbyant avait ouverte en open source début juillet. Les deux systèmes jouent des rôles complémentaires dans la chaîne d’entraînement d’un robot. La VLA dit au robot quoi faire, mouvement par mouvement. Le modèle de monde, lui, génère le décor dans lequel s’entraîne la VLA : objets, obstacles, éclairages, positions, textures.
Concrètement, LingBot-World 2.0 simule un environnement physique à partir d’une image ou d’une vidéo de référence. Le robot virtuel interagit avec cet environnement, et le modèle prédit en temps réel ce que la caméra verrait à chaque instant en fonction des actions du robot. On parle d’un modèle causal conditionné par l’action : chaque décision du robot modifie la simulation qui suit.
Stabilité visuelle sur des horizons longs
Le principal défi des modèles de monde pour la robotique est la dérive temporelle. Au fil de la simulation, les environnements synthétiques ont tendance à se dégrader visuellement : textures qui se brouillent, objets qui se déforment, cohérence spatiale qui s’effondre. LingBot-World 2.0 attaque ce problème par deux améliorations architecturales : un backbone de prédiction refondu et une couche d’interaction reconstruite. Résultat : une stabilité maintenue sur des sessions de simulation d’une heure, là où les modèles précédents dérivaient après quelques minutes.
La fluidité à 60 fps est aussi un argument pratique. Elle permet d’entraîner des politiques de contrôle rapide, celles qui gèrent la locomotion ou la manipulation fine, dans des environnements simulés sans ralentir la boucle d’apprentissage. Plus la simulation est fluide, plus les transitions entre mouvements sont réalistes, et plus le robot apprendra des comportements transférables au monde réel.
Moins de matériel, plus de données
L’enjeu économique est direct. Entraîner un robot sur du matériel physique coûte cher : les robots se cassent, les capteurs s’usent, les techniciens supervisent les sessions. Un modèle de monde capable de remplacer une partie significative de ces heures d’entraînement réel réduit le coût de développement de manière substantielle. Plusieurs entreprises chinoises, dont Agibot et AI² Robotics, travaillent sur des approches similaires. Robbyant se distingue en combinant modèle de monde et modèle d’action au sein d’une même plateforme LingBot, avec une stratégie d’ouverture partielle de ses travaux.
LingBot-World 2.0 n’est pas encore déployé en open source, mais Robbyant a publié un rapport technique détaillant l’architecture. L’entreprise a indiqué que cette deuxième version sera intégrée à ses propres pipelines d’entraînement pour les prochaines générations de robots humanoïdes et de manipulateurs développés au sein d’Ant Group.
