RéponsesPublié18 sources
Lambda-0 apprend aux humanoïdes à bouger comme un corps entier
Lambda 0 est un modèle conçu pour coordonner déplacement et manipulation d’objets à partir de 500 heures de vidéos à la première personne synchronisées avec les mouvements du corps et des mains. Les données HumanVerse sont collectées sans robot, mais le pipeline complet d’entraînement comprend aussi des démonstratio...
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- Lambda 0 est un modèle conçu pour coordonner déplacement et manipulation d’objets à partir de 500 heures de vidéos à la première personne synchronisées avec les mouvements du corps et des mains.
- Les données HumanVerse sont collectées sans robot, mais le pipeline complet d’entraînement comprend aussi des démonstrations alignées sur le robot et une étape d’entraînement avec un robot.
- L’équipe annonce 90 % de réussite dans sa simulation SIMPLE et 62,5 % lors de tests sur un robot réel ; ces résultats n’ont pas encore été validés par une reproduction indépendante.
Prompt IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Lambda-0, the whole-body humanoid foundation model released by Amap, Alibaba’s mapping and location unit, and its ATH business group. Article summary: Lambda-0 (λ0) is a humanoid foundation model from Amap and Alibaba’s ATH group that learns coordinated movement and manipulation from human demonstrations; its release was reported on October 24, 2026. [4][7][50] Its cen. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Lambda-0 (λ₀) est un modèle développé par Amap et le groupe ATH d’Alibaba pour aider les robots humanoïdes à coordonner leurs déplacements et la manipulation d’objets. Son idée centrale : apprendre à partir de vidéos filmées du point de vue d’une personne, synchronisées avec les mouvements de son corps et de ses mains, plutôt que de se concentrer uniquement sur des gestes isolés. Pour son jeu de données HumanVerse, l’équipe indique avoir réuni 500 heures de ce type d’expérience humaine. 1
4
Apprendre à se déplacer et à manipuler en même temps
Pour marcher jusqu’à un objet, ajuster sa posture puis le saisir, un robot doit coordonner l’ensemble de son corps. Lambda-0 vise précisément cette combinaison de locomotion et de manipulation, appelée loco-manipulation dans les travaux de recherche. Les données associent ce qu’une personne voit en vue subjective à des informations sur ses mouvements corporels et manuels, recueillies dans des environnements ouverts. 1
4
Cette synchronisation compte : la vidéo montre la scène du point de vue de la personne, tandis que les données de mouvement renseignent sur la façon dont elle agit dans cet environnement. L’objectif est donc d’apprendre des comportements qui relient posture, déplacement et gestes des mains, au lieu de traiter la manipulation comme une compétence indépendante. 1
HumanVerse : 500 heures de mouvements humains
HumanVerse est le jeu de données présenté avec la recherche. L’article le décrit comme un ensemble de 500 heures de mouvements et de manipulations réalisés par des personnes dans des environnements ouverts. Les vidéos à la première personne y sont synchronisées avec les mouvements du corps et des mains. 1
La collecte de ces données ne nécessite pas qu’une personne pilote un robot pendant l’enregistrement. Cette approche peut réduire le recours aux démonstrations recueillies par téléopération pour constituer des données humaines. En revanche, les informations disponibles ne permettent pas de confirmer certains détails avancés ailleurs, comme l’utilisation d’appareils grand public ou des démonstrations de 29 secondes comparées à des séquences de 100 secondes avec un robot. 1
2
Des données humaines, mais pas un entraînement « sans robot »
Il faut distinguer la collecte des données HumanVerse de l’ensemble du processus d’entraînement. La méthode décrite comprend un préentraînement à partir de l’expérience humaine, une étape intermédiaire utilisant des démonstrations humaines alignées sur le robot, puis une étape d’entraînement avec un robot. 1
13
Le fait que les données HumanVerse soient recueillies sans robot ne signifie donc pas que tout le pipeline se passe de données ou d’entraînement robotiques. De même, l’affirmation selon laquelle le modèle a été transféré sur un robot « sans entraînement supplémentaire » concerne l’application rapportée sur ce robot : elle ne signifie pas que le système a été développé sans aucune expérience robotique. 1
8
13
Des résultats encourageants, à interpréter avec prudence
Dans leur article, les chercheurs annoncent 90,0 % de réussite sur SIMPLE, leur environnement de simulation, et 62,5 % de réussite sur des tâches de manipulation et de déplacement avec un robot réel. Il s’agit de résultats rapportés par l’équipe, et non d’une évaluation indépendante. 1
Les sources disponibles ne s’accordent pas sur le nombre de tâches réalisées avec le robot : l’une en mentionne sept, une autre en décrit quatre. Il est donc plus prudent de présenter les 62,5 % comme un résultat global annoncé, sans l’attribuer avec certitude à une série précise de sept tâches. 8
11
L’article indique également qu’une augmentation des données humaines portant sur le corps entier améliore la progression sur les tâches évaluées ensuite. Cela étaye l’intérêt de ces données dans le cadre des expériences de l’équipe, sans démontrer à lui seul une capacité générale ni des performances fiables dans tous les environnements. 1
Code ouvert, validation encore à venir
L’article de recherche est publié sur arXiv et le code du projet est disponible sur GitHub sous licence Apache 2.0. Cette mise à disposition peut faciliter l’examen du système et la reproduction des expériences, mais elle ne signifie pas que les résultats ont déjà été confirmés par des équipes indépendantes. 1
10
13
Les comptes rendus disponibles précisent que les résultats n’ont pas encore été reproduits indépendamment. Lambda-0 représente donc une piste intéressante pour transférer des compétences humaines à des robots humanoïdes, avec des performances prometteuses annoncées par ses développeurs — mais pas encore une solution démontrée à l’autonomie humanoïde généraliste. 8
17
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « Lambda-0 apprend aux humanoïdes à bouger comme un corps entier » ?
Lambda 0 est un modèle conçu pour coordonner déplacement et manipulation d’objets à partir de 500 heures de vidéos à la première personne synchronisées avec les mouvements du corps et des mains.
Quels sont les points clés à valider en premier ?
Lambda 0 est un modèle conçu pour coordonner déplacement et manipulation d’objets à partir de 500 heures de vidéos à la première personne synchronisées avec les mouvements du corps et des mains. Les données HumanVerse sont collectées sans robot, mais le pipeline complet d’entraînement comprend aussi des démonstrations alignées sur le robot et une étape d’entraînement avec un robot.
Que dois-je faire ensuite en pratique ?
L’équipe annonce 90 % de réussite dans sa simulation SIMPLE et 62,5 % lors de tests sur un robot réel ; ces résultats n’ont pas encore été validés par une reproduction indépendante.
Sources
arxiv.org$λ_0$: Scaling Open-World Egocentric Human Data for Humanoid Loco-Manipulation
technode.comAlibaba’s Amap unveils humanoid model that learns whole-body tasks from human movements · TechNode
github.comLambda Humanoid
tech-momentum.comAmap, 로봇 없이 모은 사람 시점 데이터로 휴머노이드 전신 모델 Lambda-0 공개