Delta-0 (Δ₀) : comment un modèle fondateur humanoïde repousse les limites de la coordination corps-esprit
← Retour aux actualitésUn "cerveau" (Brain) : module de haut niveau qui interprète les consignes (langage ou vision) et planifie des séquences d’actions sur le long terme. Il s’appuie sur un moteur 3D pré-entraîné pour raisonner sur l’espace et les interactions physiques. Un "cervelet" (Cerebellum) : réseau neuronal entraîné par renforcement dans un simulateur, chargé de traduire les instructions du cerveau en signaux de contrôle fins pour les centaines de moteurs du robot. Il gère l’équilibre dynamique, la coordination des membres et l’adaptation aux perturbations. Un contrôle hybride force-position : couche intermédiaire qui ajuste en temps réel la position des articulations et les forces exercées, garantissant stabilité et précision lors des contacts avec l’environnement. Identifier et ranger une console de jeu. Faire le lit et ramasser un jouet au sol. Ouvrir un réfrigérateur, repérer un fruit avarié et le jeter. Utiliser un lave-linge et un lave-vaisselle. L’échelle des données : la collecte de mouvements humains en conditions réelles est coûteuse et nécessite des dispositifs dédiés. La généralisation : les performances actuelles sont optimisées pour des scénarios domestiques ; leur transfert à des environnements industriels (usines, chantiers) reste à prouver. La latence : bien que Δ₀ réduise les temps de réaction, la synchronisation entre cerveau, cervelet et contrôle force-position introduit des délais résiduels (de l’ordre de 50 à 100 ms), critiques pour des tâches ultra-rapides.
📑 Sommaire
💡 En 3 points clés
- Un "cerveau" (Brain) : module de haut niveau qui interprète les consignes (langage ou vision) et planifie des séquences d’actions sur le long terme. Il s’appuie sur un moteur 3D pré-entraîné pour raisonner sur l’espace et les interactions physiques.
- Un "cervelet" (Cerebellum) : réseau neuronal entraîné par renforcement dans un simulateur, chargé de traduire les instructions du cerveau en signaux de contrôle fins pour les centaines de moteurs du robot. Il gère l’équilibre dynamique, la coordination des membres et l’adaptation aux perturbations.
- Un contrôle hybride force-position : couche intermédiaire qui ajuste en temps réel la position des articulations et les forces exercées, garantissant stabilité et précision lors des contacts avec l’environnement.
Une architecture unifiée pour un corps entier
Delta-0 (Δ₀) n’est pas un simple modèle de politique pour robot humanoïde : c’est un modèle fondateur natif conçu pour traiter simultanément la perception, la planification et l’exécution motrice. Contrairement aux approches classiques qui segmentent ces fonctions en modules séparés, Δ₀ intègre une représentation 3D native du monde (son monde-moteur), capable de traiter directement des données comme les nuages de points ou les splats gaussiens pour une compréhension spatiale en temps réel.
Cette architecture repose sur trois piliers :
Exemple concret : Pour ramasser un objet au sol tout en évitant une marche, Δ₀ combine une perception 3D instantanée (cerveau), un ajustement du centre de gravité (cervelet) et une pression contrôlée des doigts (force-position).
Des données humaines pour un comportement naturel
L’entraînement de Δ₀ repose sur deux sources complémentaires :
1. Des données de mouvement humain : collectées via un dispositif panoramique à vision pure, synchronisant les trajectoires des articulations (mains, pieds, torse) avec la reconstruction 3D de l’environnement en première personne. Ces données capturent des logiques d’interaction comme la coordination main-pied ou le transfert de poids.
2. Un apprentissage par renforcement en conditions réelles : après une phase de pré-entraînement sur données humaines, le modèle affine ses comportements via des interactions physiques avec l’environnement. Cette étape critique évite les biais des simulations, où les robots apprennent des stratégies adaptées à un monde virtuel mais inapplicables en réalité.
Chiffre clé : Delta Intelligence revendique une réduction de 40 % des échecs en déploiement réel grâce à cette approche hybride, comparé à des modèles entraînés uniquement en simulation 36kr.com.
Une démonstration qui parle d’elle-même
Lors de sa présentation, Delta-0 a enchaîné 9 tâches domestiques en 210 secondes dans un appartement reconstitué :
Le robot a planifié 32 étapes de manière autonome, en ajustant ses mouvements en fonction des imprévus (ex. : un jouet déplacé). Cette performance illustre sa capacité à gérer des séquences longues et multi-étapes, un défi majeur pour les humanoïdes actuels.
Pourquoi cette approche est disruptive ?
Les modèles fondateurs comme Δ₀ résolvent un problème central de la robotique humanoïde : la discontinuité entre perception, décision et action. Traditionnellement, ces fonctions sont implémentées séparément, avec des latences et des erreurs de synchronisation. Δ₀ les unifie dans un seul cadre, permettant une boucle fermée où chaque module influence les autres en temps réel.
Autre innovation : la migration entre plateformes. Grâce à une architecture modulaire, le modèle peut être adapté à différents robots humanoïdes (ex. : Agibot, UBtech) via un processus standardisé de retargeting des mouvements et de fine-tuning. Delta Intelligence a déjà démontré cette flexibilité avec plusieurs partenaires industriels embodiedglobal.com.
Limites et prochaines étapes
Malgré ses avancées, Δ₀ reste un prototype en phase de validation. Les défis à relever incluent :
Perspective : Delta Intelligence vise une intégration industrielle d’ici 2027, avec des partenariats ciblés pour des cas d’usage comme la logistique ou l’assistance aux personnes âgées leiphone.com.
En résumé
Delta-0 incarne une rupture dans la robotique humanoïde en fusionnant trois ingrédients :
1. Une représentation 3D native du monde pour une perception robuste.
2. Un entraînement hybride (données humaines + renforcement réel) pour des comportements réalistes.
3. Une architecture modulaire permettant une migration facile entre plateformes.
Si les promesses se confirment, Δ₀ pourrait devenir le socle logiciel des humanoïdes de demain, là où les solutions actuelles se limitent encore à des démonstrations fragmentées.