Comment MTS apprend à un humanoïde doté d'un modèle VLA à saisir des objets en mouvement sur un convoyeur

Le 22 juillet 2026, Dania, ingénieure ML chez MTS, a publié sur le blog d'entreprise hébergé sur Habr une analyse de la manière dont la division R&D Physical AI de la société apprend à un humanoïde grandeur nature à saisir des objets en mouvement sur un convoyeur, à l'aide d'une politique VLA (Vision-Language-Action, « vision – langage – action »).

Où est le problème principal ?

L'humanoïde saisit sans difficulté un objet posé sur une table, mais commence à rater sa cible lorsque ce même objet défile sur un convoyeur : c'est précisément sur cette tâche que se concentre l'équipe de MTS. Dans une scène statique, l'objet est immobile, l'éclairage stable et la caméra pointée sur la zone de travail, si bien que les modèles VLA actuels affichent une grande qualité de contrôle. Dès que l'objet se met en mouvement, la précision habituelle de la saisie disparaît : un modèle entraîné sur des scènes immobiles ne parvient pas à suivre une géométrie de tâche qui change.

Selon l'ingénieure, il ne s'agit pas d'un incident isolé, mais d'une limite systémique d'une approche qui fonctionne très bien dans les démonstrations de laboratoire et se transpose mal à un vrai convoyeur.

Le robot saisit sans difficulté un objet posé sur une table, mais

commence à rater sa cible lorsque l'objet défile sur un convoyeur.

— Dania, ingénieure ML chez MTC Web Services

En quoi une scène dynamique est-elle plus difficile qu'une scène statique ?

Un environnement dynamique ajoute deux niveaux de difficulté à la fois : l'objet bouge, et le robot, qui doit s'ajuster à lui, bouge aussi. La plupart des démonstrations spectaculaires de robots sont encore filmées en statique : les objets sont soigneusement disposés sur une table et la scène change à peine. Les tâches réelles, à la maison comme en production, ne ressemblent pas à cela : ne serait-ce que parce que les objets défilent sur un convoyeur, et que la saisie doit être calculée en tenant compte de leur vitesse et de leur trajectoire.

Les données clés du projet :

• Équipe : la division R&D Physical AI de MTC Web Services
• Technologie : une politique VLA (Vision-Language-Action) pour humanoïde
• Auteure de l'analyse : Dania, ingénieure ML chez MTS
• Objectif : la saisie d'objets en mouvement sur un convoyeur, et non posés sur une table
• Date de publication de l'analyse : 22 juillet 2026

Pourquoi est-ce plus difficile pour un humanoïde que pour un bras manipulateur ?

Un robot grandeur nature doit non seulement tendre le bras vers l'objet, mais aussi maintenir l'équilibre de tout son corps. Un bras manipulateur fixe résout un problème plus simple : sa base est immobile et tout le modèle ne gère que le mouvement du bras. Pour la même saisie, l'humanoïde, lui, doit faire des pas et compenser le déplacement de son centre de gravité par des mouvements supplémentaires du buste.

Chacun de ces mouvements modifie la position de la caméra et de la main par rapport à l'objet, qui, à cet instant, est lui aussi en mouvement. Le calcul des mouvements se complique donc considérablement : le modèle doit prédire en même temps la trajectoire de l'objet, planifier la saisie et préserver la stabilité du robot. C'est précisément cet assemblage que l'équipe de MTS tente actuellement de mettre au point dans le cadre de la division Physical AI.

Ce que cela signifie

Passer des démonstrations statiques au travail sur des objets en mouvement est l'un des principaux obstacles qui empêchent les humanoïdes de quitter le laboratoire pour la production réelle. L'analyse de MTS montre que même l'opération de base « saisir un objet » cesse d'être triviale dès que la scène s'anime, et que l'application industrielle des robots VLA se heurte non pas à la force de préhension, mais à la dynamique de l'environnement.

Questions fréquentes

Qu'est-ce qu'une politique VLA ?

VLA (Vision-Language-Action) désigne un modèle de contrôle de robot qui relie la vision, une instruction en langage naturel et l'action : le robot « voit » la scène, comprend la tâche et planifie le mouvement. Dans les scènes statiques, selon l'analyse de MTS, ces modèles affichent une grande qualité de saisie.

Pourquoi un environnement dynamique est-il plus difficile pour un humanoïde ?

Parce que l'objet et le robot lui-même sont tous deux en mouvement. Pour saisir un objet, un humanoïde grandeur nature doit faire des pas et maintenir l'équilibre de son corps par des mouvements supplémentaires, ce qui complique considérablement le calcul des mouvements par rapport à un bras manipulateur fixe.