Comment AperEgo enregistre une tâche humaine

Une personne porte l’équipement pendant qu’elle réalise une action. Le casque enregistre une vue panoramique à la première personne : l’IA peut ainsi disposer d’une représentation visuelle de l’environnement depuis le point de vue de l’utilisateur.

Les capteurs synchronisent les informations visuelles, les mouvements et le son. Les dispositifs fixés aux poignets et aux doigts ajoutent des détails sur les déplacements du bras, de la main et des doigts.

L’objectif est de relier la perception à l’action physique. Un même enregistrement peut donc montrer la scène observée, le mouvement effectué et la façon dont la main interagit avec un objet. Cette combinaison est particulièrement importante pour l’apprentissage de la manipulation fine, un domaine dans lequel les robots doivent coordonner de nombreux gestes avec une grande précision.

Le rôle d’AperOS : trier les données avant l’entraînement

AperOS reçoit les flux multimodaux provenant d’AperEgo et écarte les enregistrements jugés invalides avant leur téléversement et leur traitement ultérieur. Selon 51World, cette étape de filtrage réduit les besoins en stockage et en puissance de calcul, tout en produisant un jeu de données plus exploitable pour développer des modèles.

Le fonctionnement annoncé peut être résumé en cinq étapes :

1. Enregistrer : AperEgo capture les informations visuelles, gestuelles et audio à la première personne pendant l’exécution d’une tâche.
2. Documenter les gestes de la main : les capteurs des poignets et des doigts suivent les mouvements nécessaires pour atteindre, saisir et manipuler des objets.
3. Synchroniser : les différents flux de capteurs sont alignés afin de décrire la même action dans toutes les modalités.
4. Filtrer : AperOS supprime les données que l’entreprise considère comme invalides avant leur transfert et leur traitement.
5. Préparer l’apprentissage : les données restantes peuvent servir à développer des modèles d’IA incarnée et à améliorer les méthodes d’entraînement des robots.

Une précision de 99 % : une promesse qui reste à vérifier

Li Yi, PDG de 51World, affirme que l’intégration du matériel et des logiciels peut porter la précision des données à 99 %. Il associe cette précision accrue à un apprentissage robotique plus exact et plus efficace, avec des gains annoncés dans la collecte et l’utilisation des données, l’entraînement des modèles et leur capacité de généralisation.

Ces chiffres doivent toutefois être compris comme des affirmations de 51World, et non comme des résultats validés par un organisme indépendant. Les informations disponibles décrivent les capacités revendiquées par l’entreprise, mais ne présentent ni protocole de test externe, ni jeu de comparaison, ni vérification indépendante du taux de 99 %.

Des démonstrations mieux nettoyées peuvent faciliter l’entraînement. Elles ne suffisent pas, à elles seules, à garantir le comportement final d’un robot : celui-ci dépend aussi du modèle utilisé, du matériel, de la tâche, de l’environnement et de la méthode d’évaluation.

Pourquoi la couche de données devient stratégique

Les robots humanoïdes doivent apprendre à coordonner perception et mouvement dans des environnements physiques changeants. Des démonstrations humaines de qualité pourraient aider les développeurs à leur enseigner des réactions plus fiables face aux objets, aux espaces et aux tâches exigeant une motricité fine. L’approche de 51World cible donc la chaîne de données qui se trouve derrière l’IA incarnée, plutôt que la fabrication d’un robot humanoïde complet.

Cette stratégie intervient alors que la robotique humanoïde chinoise cherche à passer des prototypes à des usages commerciaux plus larges. TrendForce estime que le marché chinois des robots humanoïdes atteindra 15 milliards de yuans (2,2 milliards de dollars) en 2026 et conservera une croissance d’au moins 60 % en 2027, portée par la montée en puissance de la production et l’élargissement des applications dans l’automobile, l’électronique, l’aérospatiale, la logistique et l’énergie.

Cette prévision ne prouve pas qu’AperEgo ou AperOS seront à l’origine de cette croissance. Elle montre en revanche pourquoi les outils capables de recueillir, filtrer et organiser les données du monde physique deviennent importants : à mesure que les robots passent des démonstrations aux déploiements concrets, les industriels ont besoin de chaînes de données capables de produire, à grande échelle, des exemples répétables et réellement exploitables.

Comment AperEgo enregistre une tâche humaine

Une personne porte l’équipement pendant qu’elle réalise une action. Le casque enregistre une vue panoramique à la première personne : l’IA peut ainsi disposer d’une représentation visuelle de l’environnement depuis le point de vue de l’utilisateur.

Les capteurs synchronisent les informations visuelles, les mouvements et le son. Les dispositifs fixés aux poignets et aux doigts ajoutent des détails sur les déplacements du bras, de la main et des doigts.

L’objectif est de relier la perception à l’action physique. Un même enregistrement peut donc montrer la scène observée, le mouvement effectué et la façon dont la main interagit avec un objet. Cette combinaison est particulièrement importante pour l’apprentissage de la manipulation fine, un domaine dans lequel les robots doivent coordonner de nombreux gestes avec une grande précision.

Le rôle d’AperOS : trier les données avant l’entraînement

AperOS reçoit les flux multimodaux provenant d’AperEgo et écarte les enregistrements jugés invalides avant leur téléversement et leur traitement ultérieur. Selon 51World, cette étape de filtrage réduit les besoins en stockage et en puissance de calcul, tout en produisant un jeu de données plus exploitable pour développer des modèles.

Le fonctionnement annoncé peut être résumé en cinq étapes :

1. Enregistrer : AperEgo capture les informations visuelles, gestuelles et audio à la première personne pendant l’exécution d’une tâche.
2. Documenter les gestes de la main : les capteurs des poignets et des doigts suivent les mouvements nécessaires pour atteindre, saisir et manipuler des objets.
3. Synchroniser : les différents flux de capteurs sont alignés afin de décrire la même action dans toutes les modalités.
4. Filtrer : AperOS supprime les données que l’entreprise considère comme invalides avant leur transfert et leur traitement.
5. Préparer l’apprentissage : les données restantes peuvent servir à développer des modèles d’IA incarnée et à améliorer les méthodes d’entraînement des robots.

Une précision de 99 % : une promesse qui reste à vérifier

Li Yi, PDG de 51World, affirme que l’intégration du matériel et des logiciels peut porter la précision des données à 99 %. Il associe cette précision accrue à un apprentissage robotique plus exact et plus efficace, avec des gains annoncés dans la collecte et l’utilisation des données, l’entraînement des modèles et leur capacité de généralisation.

Ces chiffres doivent toutefois être compris comme des affirmations de 51World, et non comme des résultats validés par un organisme indépendant. Les informations disponibles décrivent les capacités revendiquées par l’entreprise, mais ne présentent ni protocole de test externe, ni jeu de comparaison, ni vérification indépendante du taux de 99 %.

Des démonstrations mieux nettoyées peuvent faciliter l’entraînement. Elles ne suffisent pas, à elles seules, à garantir le comportement final d’un robot : celui-ci dépend aussi du modèle utilisé, du matériel, de la tâche, de l’environnement et de la méthode d’évaluation.

Pourquoi la couche de données devient stratégique

Les robots humanoïdes doivent apprendre à coordonner perception et mouvement dans des environnements physiques changeants. Des démonstrations humaines de qualité pourraient aider les développeurs à leur enseigner des réactions plus fiables face aux objets, aux espaces et aux tâches exigeant une motricité fine. L’approche de 51World cible donc la chaîne de données qui se trouve derrière l’IA incarnée, plutôt que la fabrication d’un robot humanoïde complet.

Cette stratégie intervient alors que la robotique humanoïde chinoise cherche à passer des prototypes à des usages commerciaux plus larges. TrendForce estime que le marché chinois des robots humanoïdes atteindra 15 milliards de yuans (2,2 milliards de dollars) en 2026 et conservera une croissance d’au moins 60 % en 2027, portée par la montée en puissance de la production et l’élargissement des applications dans l’automobile, l’électronique, l’aérospatiale, la logistique et l’énergie.

Cette prévision ne prouve pas qu’AperEgo ou AperOS seront à l’origine de cette croissance. Elle montre en revanche pourquoi les outils capables de recueillir, filtrer et organiser les données du monde physique deviennent importants : à mesure que les robots passent des démonstrations aux déploiements concrets, les industriels ont besoin de chaînes de données capables de produire, à grande échelle, des exemples répétables et réellement exploitables.