Action Intelligence lance Chorus : les données pour robots multipliées par 40

Action Intelligence (行元智能) a annoncé le 27 octobre Chorus (« 众行 » en chinois), un moteur de données cross-embodiment. Il transforme des vidéos d'actions humaines en données de pré-entraînement pour des robots de conceptions variées. Effet annoncé : la base d'entraînement est multipliée par 40. Les vidéos sont collectées sur cinq types de dispositifs portés ou tenus en main, et l'objectif principal est d'augmenter le taux de réutilisation des données humaines.

Pourquoi la vidéo de personnes est devenue la monnaie de la robotique

Les modèles de langage avaient Internet. Les robots n'ont rien de comparable. Chaque heure de manipulation d'objets réels doit être soit enregistrée par téléopération, un opérateur casqué ou équipé de contrôleurs pilotant un manipulateur, soit obtenue en simulation, dont les résultats se transfèrent mal au monde physique. La première voie est coûteuse et lente : il faut des robots, des sites et des opérateurs formés. La seconde souffre de l'écart entre simulateur et réalité.

La vidéo humaine fonctionne autrement. Chaque jour, les gens prennent des tasses, ouvrent des tiroirs, plient des vêtements. Si on filme ces gestes avec des caméras portables bon marché, les données s'accumulent des ordres de grandeur plus vite. Mais il y a un problème : l'humain a une main à cinq doigts et une cinématique donnée, alors qu'un robot peut avoir une pince à deux doigts, une main anthropomorphe ou un manipulateur doté d'un autre nombre de degrés de liberté. C'est l'écart entre les « corps », ou embodiment gap. Chorus le comble au niveau des données : la vidéo d'origine est convertie sous une forme exploitable par une plateforme donnée.

Cinq types de dispositifs dans un même entonnoir

L'atout de cette annonce tient à ce que Chorus n'est pas lié à un seul mode de capture. L'entreprise cite les sources suivantes :

• Lunettes connectées. Elles offrent une vue à la première personne, au plus près de ce que « voit » la tête d'un robot.
• Caméra pectorale. Elle capte la zone de travail devant le corps et les mains dans le champ, sans gêner les mouvements.
• Caméra au poignet. Elle montre la saisie de l'objet en gros plan, ce qui aide à entraîner des actions de contact précises.
• Dispositifs UMI. Des pinces tenues en main et équipées d'une caméra, inspirées de l'Universal Manipulation Interface. Le mouvement humain est enregistré de façon à pouvoir être transféré plus facilement à un manipulateur.
• Bandeau intelligent. Un capteur portable léger, adapté aux longues sessions de tournage.

Chaque dispositif déforme la scène à sa manière. Les lunettes voient la scène entière, mais les mains peuvent être masquées. La caméra au poignet montre précisément le contact, mais perd le contexte. Un moteur unique, capable d'absorber un flux aussi hétérogène, évite au client de construire un pipeline distinct pour chaque capteur.

Ce que promet la multiplication par 40

Le chiffre de 40 mis en avant dans le titre du communiqué désigne le volume de données d'entraînement disponibles pour le pré-entraînement, une fois les vidéos humaines passées dans Chorus. La logique est simple. Si un même enregistrement peut servir à plusieurs types de robots, et pas seulement à la plateforme sur laquelle il a été filmé, le volume utile total est multiplié. Le pré-entraînement des foundation models robotiques se heurte depuis longtemps à la diversité et à l'échelle : sans des dizaines de milliers d'heures de tâches, de scènes et d'objets variés, les modèles généralisent mal.

Il faut rester prudent sur la question centrale : dans quelle mesure les données converties fonctionnent-elles sur de vrais robots ? C'est là que les approches cross-embodiment sont généralement évaluées : on compare le taux de réussite des tâches de modèles entraînés avec et sans données humaines. Il n'existe pour l'instant aucune mesure indépendante pour Chorus ; il faudra donc le juger sur de futures démonstrations et sur des benchmarks ouverts.

À qui cela servira concrètement

Pour les développeurs de humanoïdes et de manipulateurs, Chorus promet de modifier la structure des coûts : une partie du budget de téléopération peut être remplacée par un tournage bon marché de personnes. Les équipes qui disposent déjà de leur propre parc de caméras portées ont la possibilité de réutiliser leurs archives accumulées. Pour les intégrateurs et les usines, où les opérateurs effectuent des opérations types d'assemblage et d'entreposage, il devient possible d'enregistrer le travail réel du personnel et de le transformer en matériel d'entraînement.

Trois points méritent d'être surveillés : quels robots sont exactement pris en charge, dans quel format le moteur restitue les données, et si Action Intelligence publie des comparaisons avec des méthodes de référence. Les réponses détermineront si Chorus devient une couche d'infrastructure opérationnelle ou reste une belle présentation.