Malgré les avancées spectaculaires récentes en intelligence artificielle, les robots humanoïdes peinent encore à exécuter des tâches manuelles simples comme ouvrir une porte ou monter des escaliers avec fiabilité. En 2024, des entreprises comme Tesla commercialisent déjà des modèles tels qu'Optimus, et des start-ups vendent des robots de compagnie, mais les experts du domaine s'accordent à dire que la locomotion bipède et la manipulation fine ne sont pas totalement résolues. Scott Kuindersma, ancien de Boston Dynamics, et Jonathan Hurst d'Agility Robotics confirment que leurs robots phares, Atlas et Digit, ne peuvent pas encore aborder ces défis de manière systématique et fiable. La recherche actuelle se divise en trois axes majeurs qui ont transformé le secteur. Premièrement, l'apprentissage profond, ou deep learning, combiné à des puces graphiques puissantes, a révolutionné la perception et l'apprentissage par renforcement, permettant aux robots de mieux comprendre leur environnement. Deuxièmement, une révolution dans les actionneurs a remplacé les lourds systèmes hydrauliques par des moteurs électriques proprioceptifs, offrant une agilité comparable à celle des animaux. Enfin, l'intégration des grands modèles de langage permet aux robots de planifier et d'exécuter des tâches multi-étapes autonomes, transformant des démonstrations complexes en actions réelles. Cependant, ces progrès logiciels et matériels ne suffisent pas encore à surmonter les limites physiques fondamentales. Les experts soulignent que les robots modernes excellent à suivre des trajectoires de position précises, mais échouent souvent lorsque le contrôle des forces devient crucial. Contrairement aux humains, qui utilisent leur système musculosquelettique pour adapter instantanément la force d'une prise, les robots humanoïdes actuels ont des corps relativement rigides et lourds. Cette inertie élevée rend délicat le maniement d'objets fragiles ou l'interaction avec des environnements imprévus sans causer de dommages. Le contrôle des forces, une méthode classique en robotique industrielle, a été largement abstraite dans les approches modernes basées sur l'apprentissage automatique. Bien que certains actionneurs puissent simuler une certaine compliance grâce à leur conception, l'absence de capteurs de force dédiés et de modèles explicites empêche les réseaux de neurones de véritablement maîtriser la physique des interactions. Comme le note Pulkit Agrawal du MIT, tant que les robots ne traitent pas la force comme une priorité fondamentale, ils ne pourront pas reproduire la dextérité humaine, notamment pour des tâches aussi simples que serrer un bouchon ou manipuler un objet en verre. Pour résoudre ce problème, plusieurs voies de recherche se dessinent. Certains, comme Agrawal, cherchent à intégrer le contrôle des forces directement dans les algorithmes d'apprentissage par renforcement. D'autres, tels que Russ Tedrake, plaident pour une approche de collecte de données massive et de modèles pré-entraînés, tandis que Frank Park suggère de repenser radicalement l'architecture des modèles d'intelligence artificielle pour qu'ils intègrent dès la base les principes physiques fondamentaux comme la force et l'accélération. L'enthousiasme actuel du domaine s'apparente à ce que Tedrake qualifie d'étape de Volta dans l'histoire de l'électricité : une phase empirique où l'on réussit des résultats spectaculaires sans encore en comprendre pleinement les mécanismes théoriques sous-jacents. Si les fondations techniques sont solides et l'avenir prometteur, la communauté s'accorde sur le fait que le défi est loin d'être clos. Il faudra encore du temps et une synergie accrue entre des innovations matérielles et des approches logicielles plus rigoureuses pour que les humanoïdes deviennent véritablement autonomes et polyvalents dans des environnements humains réels.