L'humanoïde v0.9 du KAIST pousse 35 kg et lève 20 kg en marchant, guidé par ses caméras embarquées
Le DRCD Lab du KAIST a publié une vidéo de l'Humanoid v0.9 poussant des objets de 35 kg et en levant 20 kg en marchant, grâce au retour de caméras embarquées plutôt qu'à une capture de mouvement externe. Le laboratoire attribue ces compétences d'interaction à l'apprentissage par renforcement profond et à l'apprentissage à partir de démonstrations humaines.
Le Dynamic Robot Control & Design Laboratory du KAIST a publié le 19 octobre une vidéo intitulée « Whole-Body Locomanipulation with KAIST Humanoid v0.9 », dans laquelle la machine pousse des objets pesant jusqu'à 35 kg et en soulève jusqu'à 20 kg tout en marchant, en s'appuyant sur le retour de ses caméras embarquées pour disposer les lettres K-A-I-S-T. Les bras viennent d'un partenaire, RAILAB.
C'est le plus petit chiffre qui mérite l'attention. Déplacer un objet de 35 kg sur une surface ne demande jamais au robot de supporter son poids, et la résistance dépend du contact ; soulever 20 kg est un test distinct de ce que les bras peuvent porter. Citer le chiffre de la poussée comme charge utile surestime la machine, et citer l'un ou l'autre comme une caractéristique est prématuré : le laboratoire présente les deux comme des démonstrations, pas comme une spécification commerciale.
Équilibre et force ne font plus qu'un problème
La locomanipulation corporelle signifie que jambes, tronc et bras sont coordonnés sous une contrainte d'équilibre unique : pousser avec les bras déplace le centre de masse, et les jambes doivent en répondre. C'est pourquoi une démonstration de poussée reste utile même si ce n'est pas un test de charge utile. La plateforme v0.9 succède à la v0.7, une machine de 75 kg et 165 cm qui atteignait 12 km/h et marchait sur terrain irrégulier à partir de la seule proprioception, et dont les démonstrations de moonwalk et de football avaient circulé plus tôt en 2026.
L'autonomie annoncée a besoin d'une limite
Le KAIST indique que les compétences d'interaction proviennent de l'apprentissage par renforcement profond combiné à l'apprentissage à partir de démonstrations humaines. La description de la vidéo ne détaille ni la façon dont les deux méthodes sont combinées ni la manière de commander une tâche ; le retour visuel embarqué seul ne doit donc pas être lu comme une autonomie sans restriction. Tech Times présente la poussée de 35 kg comme à peu près le double du meilleur résultat publié pour un humanoïde manipulant à partir de la vision embarquée, une comparaison à garder au niveau des chiffres publiés.
Ce que change la v0.9, c'est qu'une plateforme de recherche connue pour sa marche agile réalise désormais un travail physique guidé par la vision, sans dispositif de capture de mouvement. Que cela tienne la distance relève de tâches répétées sur un sol d'usine, une étape qu'aucune vidéo de démonstration ne tranche.
Sources Sources vérifiées
- 1.Humanoids Daily: From Moonwalking to Heavy Lifting: KAIST Humanoid v0.9 Moves 35 kg Objects (Oct 19, 2026)humanoidsdaily.com
- 2.Tech Times: KAIST Humanoid Pushes Objects Up to 77 Lbs While Walking, No External Cameras (Oct 20, 2026)techtimes.com
- 3.Gadget Review: KAIST Humanoid v0.9 Robot Pushes 77 Pounds and Lifts 44 While Walkinggadgetreview.com
Décryptages associés
Plus dans IA incarnée et modèles de fondationPour Lindon Gao, patron de Dyna Robotics, réussir un workflow revient à les réussir tous, et le budget a basculé vers le pré-entraînement
Lindon Gao, fondateur et PDG de Dyna Robotics, a déclaré à Zhang Xiaojun, dans l'épisode 154 du podcast 商业访谈录 (Business Interviews), que le pré-entraînement absorbe désormais bien plus de ressources que le post-entraînement, alors que les deux se partageaient le budget à parts égales. Le billet publié par Dyna le 29 septembre sur Dyna-2.1 indique qu'un cycle de blanchisserie enchaîne environ 79 étapes et qu'à 95 % de réussite par étape, il ne va presque jamais au bout sans aide ; la machine présentée, Taku, a exécuté sans coupure un workflow autonome d'une heure en laverie.
Gemini 4 Argon atteint 87 % en raisonnement incarné mais met 52 minutes par tâche sur un bras réel
Google a rendu Gemini 4 Argon disponible dans le monde entier le 13 octobre et a regroupé ses usages robotiques en quatre catégories : contrôle du robot, Real2Sim, compréhension physique, et recherche et auto-amélioration. AA-Robotics v0.1 d'Artificial Analysis a attribué à Argon 55,3 points sur 100 pour la conduite d'un bras réel sur huit tâches de table, environ 100 fois plus lentement qu'une personne, tandis que Physical Intelligence a ouvert le même jour une bêta d'API pour affiner ses modèles π0 et π0.5 sur l'infrastructure de Pi.
LoopWAM gagne 19.7 points sur des robots réels en se réentraînant sur ses propres rollouts étiquetés
LoopWAM est un modèle world-action en boucle fermée de l'université Tsinghua, de Dexmal et de Loopeva, qui note chaque rollout selon sa qualité et donne aux trajectoires ratées une supervision vidéo mais aucune supervision d'action. Il se classe premier sur Table30-V2 de RoboChallenge avec 43.33 % de réussite, 2.67 points devant l'entrée VLA-DM0.5 de son propre tableau et 0.33 point devant les 43.0 % que Dexmal publie pour DM0.5.
Newsletter
Robrief Weekly
Un e-mail par semaine avec l'actualité robotique qui compte. Gratuit, désinscription à tout moment.