Xiaomi dévoile un robot humanoïde à 66 DoF au salon WRC 2026

Qu'a révélé Xiaomi avec son nouveau robot humanoïde à 66 DoF ? Lors du WRC 2026, l'entreprise a présenté publiquement un prototype bipède de nouvelle génération axé sur une plus grande dextérité manuelle et l'exécution de tâches industrielles, tandis que la recherche plus large de Xiaomi en robotique se concentre de plus en plus sur les modèles de fondation VLA et incarnés. Alors que l'intelligence artificielle physique transforme la façon dont l'intelligence numérique s'interface avec le monde physique, les développeurs doivent évaluer la manière dont les piles logicielles standard s'adaptent aux environnements incarnés. La robotique industrielle traditionnelle s'est souvent appuyée sur des environnements hautement structurés, une programmation spécifique aux tâches et un contrôle basé sur des modèles. Aujourd'hui, les systèmes avancés intégrant directement la perception multimodale dans des boucles de contrôle en temps réel, les priorités d'ingénierie s'orientent vers des modèles de fondation vision-langage-action (VLA) généralisables.

Pourquoi 33 DoF pour les mains sont essentiels à la manipulation industrielle

En un coup d'œil

• Le prototype bipède de nouvelle génération mesure environ 1,70 mètre, pèse 66 kilogrammes et étend sa mobilité articulaire à 66 degrés de liberté.
• La manipulation fine est hautement prioritaire, avec 33 degrés de liberté concentrés dans les mains pour permettre une manipulation adroite de composants industriels flexibles et non standard.
• Les précédents essais en usine répondaient à une exigence de cycle de production d'environ 76 secondes ; après quatre mois d'itérations, Xiaomi a indiqué que le taux de réussite au poste de vissage automatique était passé de 90,2 % à 98 %.

L'essor de l'IA physique déplace le problème logiciel de l'interaction sur écran vers la perception, la plannification et l'exécution physique. Plutôt que de rendre des éléments visuels et de gérer des interfaces plates, les développeurs concevoivent désormais des systèmes capables de raisonner sur des environnements spatiaux tridimensionnels et de coordonner des trajectoires bimanuelles de haute précision.

Les essais en usine de Xiaomi montrent que l'entreprise accorde la priorité aux tâches de fabrication répétables avant un déploiement plus large. Avant son exposition publique, le système bipède a complété un stage rigoureux de quatre mois sur la ligne d'assemblage de véhicules électriques de Xiaomi, effectuant des tâches telles que l'installation d'écrous autotaraudeurs et la manipulation de boîtes de matériaux. Les essais précédents exigeaient que le robot fonctionne dans le cadre d'un cycle de poste d'environ 76 secondes. Après quatre mois d'itérations, Xiaomi a indiqué que le taux de réussite au poste d'installation d'écrous autotaraudeurs était passé de 90,2 % à 98 %. Cette transition démontre que la robotique humanoïde dépasse le stade des démonstrations de marche de base pour s'orienter vers des opérations répétables et à haute dextérité dans des environnements physiques complexes.

Comprendre l'architecture technique de l'écosystème de robots humanoïdes de Xiaomi

Sous le capot, la plateforme de nouvelle génération représente une augmentation substantielle de la conception mécanique et de l'intégration de l'intelligence artificielle par rapport au prototype CyberOne de 2022. Alors que le CyberOne de première génération ne comportait que 21 degrés de liberté articulaires, le nouveau modèle porte ce chiffre à 66 degrés de liberté articulaires. Cette expansion mécanique est principalement concentrée dans les mains, allouant un total de 33 DoF aux mains pour permettre un contrôle moteur fin, une saisie précise des objets et une manipulation délicate des outils.

Par ailleurs, Xiaomi Robotics a publié plusieurs modèles d'IA incarnée et projets de recherche dans le cadre de son framework unifié. Ces projets open-source incluent le modèle d'exécution en temps réel Xiaomi-Robotics-0, le modèle mis à l'échelle Xiaomi-Robotics-1 qui s'appuie sur plus de 100 000 heures de trajectoires du monde réel, et le modèle autorégressif unifié 38B Xiaomi-Robotics-U0. Ensemble, ces projets couvrent la génération d'actions de robots, les politiques de fondation et la modélisation du monde incarné. Cependant, les documents publics n'établissent pas que le prototype du WRC exécute l'un de ces modèles en tant que pile de contrôle de production.

Un pipeline de contrôle VLA conceptuel simplifié peut être représenté comme suit :

[Entrée Visuelle / Langage]
           │
           ▼
[Politique Incarnée ou Modèle VLA]
           │
           ▼
[Action du Robot / Commande de Mouvement]
           │
           ▼
[Contrôleur Spécifique à l'Incarnation]

Ces orientations de recherche illustrent un changement plus large, passant de politiques spécifiques à des tâches à des modèles incarnés conçus pour transférer des connaissances entre différentes tâches et configurations de robots. En développant des modèles qui traduisent des entrées visuelles et textuelles en actions de robot ou en signaux de contrôle au niveau de la tâche, les développeurs peuvent explorer des logiciels qui se généralisent à un plus large éventail de tâches et d'incarnations. La pile logicielle doit coordonner les entrées de capteurs multimodaux avec l'estimation d'état spécifique à l'incarnation, la planification de mouvement et le contrôle de bas niveau.

Contrôle de robot traditionnel vs. Modèles de fondation VLA

À mesure que les exigences physiques du développement robotique dépassent la simple navigation, les développeurs doivent choisir la manière de structurer leurs couches de contrôle de robots. La construction d'une boucle de contrôle personnalisée utilisant des modèles mathématiques traditionnels offre une haute précision mais manque d'adaptabilité aux environnements non standard. Inversement, les politiques apprises à grande échelle nécessitent souvent beaucoup plus de données d'entraînement, mais peuvent offrir une plus grande adaptabilité lorsque la couverture de l'entraînement et l'alignement de l'incarnation sont suffisants. Un contrôle purement préprogrammé devient plus difficile à mettre à l'échelle à mesure que la variabilité des tâches et la diversité des objets augmentent.

Évaluation architecturale : Cinématique traditionnelle vs. VLA génératif

Le contrôle basé sur des modèles peut offrir un comportement précis et prévisible, mais son adaptation à des environnements hautement variables nécessite souvent une perception, une planification et une ingénierie spécifiques aux tâches supplémentaires. Cette approche peut fournir un comportement prévisible dans des contraintes opérationnelles bien définies. Le développement d'un contrôleur cinématique interne personnalisé nécessite des ressources d'ingénierie substantielles pour mapper les contraintes articulaires et résoudre les équations de cinématique inverse en temps réel. Inversement, le déploiement d'un modèle de fondation vision-langage-action (VLA) pré-entraîné peut offrir une plus grande adaptabilité selon la couverture d'entraînement et l'alignement de l'incarnation, au prix d'exigences de calcul local plus élevées.

Le tableau ci-dessous compare les méthodologies standard de gestion du contrôle des robots et de l'exécution des tâches :

Ces décisions architecturales influencent directement les capacités physiques du robot sur la ligne de production. En adoptant des modèles de fondation unifiés, les systèmes robotiques peuvent passer de l'exécution d'actions uniques et isolées à la réalisation de tâches collaboratives en plusieurs étapes dans des espaces de travail dynamiques. Les équipes d'ingénierie doivent évaluer ces paradigmes logiciels en fonction de leurs capacités matérielles spécifiques, de la complexité des tâches et des contraintes d'exécution en temps réel.

Listes de contrôle d'intégration : Comment les équipes d'ingénierie peuvent se préparer au développement de logiciels incarnés

Pour garantir la stabilité opérationnelle et une exécution sûre à mesure que les plates-formes humanoïdes font leur transition vers les environnements industriels, les équipes d'ingénierie et de produits doivent établir des flux de travail de sécurité, de validation et de déploiement.

Liste de contrôle pour les développeurs

• Définir des limites de contrôle contraintes par la sécurité : Maintenez les limites d'articulation, de vitesse, de force et d'espace de travail en dehors de la politique apprise afin que les actions non sécurisées puissent être rejetées avant l'exécution.
• Valider les politiques en simulation et lors de tests matériels contrôlés : Évaluez les comportements appris en simulation et dans des environnements de robots réels mis en scène avant le déploiement en production.
• Mesurer la latence de contrôle de bout en bout : Analysez séparément la perception, l'inférence du modèle, la planification de mouvement et le contrôle de bas niveau pour identifier les goulets d'étranglement.
• Tester le comportement hors distribution : Évaluez des objets non familiers, des conditions d'éclairage, des agencements et des variations de tâches plutôt que de vous fier uniquement aux benchmarks de distribution d'entraînement.
• Concevoir des modes de contrôle de secours : Fournissez un comportement de récupération déterministe ou d'arrêt de sécurité lorsque les politiques apprises produisent des actions à faible confiance ou invalides.

Liste de contrôle produit et stratégie

• Identifier les postes de travail industriels à haute valeur ajoutée : Repérez les postes d'assemblage répétitifs et de haute précision qui conviennent le mieux à l'intégration de robots.
• Établir des pipelines de vérification des tâches : Tirez parti de systèmes de surveillance multi-caméras pour évaluer les taux de réussite des tâches des robots en temps réel.
• Créer des interfaces logicielles inter-incarnations : Assurez-vous que le système d'exploitation robotique peut communiquer avec les réseaux d'automatisation d'usine environnants.

En établissant ces directives structurées, les équipes de développement peuvent faire migrer leurs applications vers des architectures plus sûres et plus conformes tout en maintenant la continuité opérationnelle.

Points clés pour les équipes d'ingénierie

Le prototype humanoïde à 66 DoF de Xiaomi montre comment le développement de robots humanoïdes industriels passe de démonstrations de locomotion à des tâches de manipulation répétables. Avec 33 degrés de liberté concentrés dans les mains et des essais en usine couvrant l'installation d'écrous, la manipulation de composants flexibles et la gestion des matériaux, la dextérité et la fiabilité des tâches deviennent des mesures d'ingénierie centrales.

Pour les développeurs, la recherche plus large de Xiaomi en robotique illustre également le rôle croissant des politiques VLA et des modèles de monde incarné aux côtés des systèmes de contrôle conventionnels. Le défi pratique ne consiste pas à remplacer purement et simplement le contrôle déterministe, mais à combiner des politiques apprises avec la simulation, des contraintes de sécurité, le profilage de latence, un comportement de secours et des contrôleurs spécifiques à l'incarnation avant de déployer des robots dans des environnements de production.

Références

1. Le robot de Xiaomi fera ses débuts publics lors de la World Robot Conference 2026 le 19 août. https://www.gizmochina.com/2026/08/18/xiaomi-robot-set-to-make-public-debut-at-2026-world-robot-conference-on-august-19/

2. Xiaomi-Robotics-0 : Un modèle vision-langage-action open-source avec exécution en temps réel. https://arxiv.org/abs/2602.12684

3. Xiaomi-Robotics-1 : Mise à l'échelle des modèles vision-langage-action avec plus de 100 000 heures de trajectoires du monde réel. https://arxiv.org/abs/2607.15330

4. Xiaomi-Robotics-U0 : Synthèse incarnée unifiée avec un modèle de fondation mondial. https://arxiv.org/abs/2607.11643

5. Xiaomi fait le point sur ses progrès concernant les robots humanoïdes en usine automobile et atteint un taux de réussite de 98 % sur certaines tâches. https://technode.com/2026/07/15/xiaomi-updates-progress-on-humanoid-robots-in-auto-factory-achieves-98-success-rate-in-some-tasks/