Une équipe de recherche de l'Université de Pékin et du Shanghai AI Lab a publié un article sur arXiv (2607.15163) présentant une recette complète de passage à l'échelle pour les modèles de base comportementaux (BFM) en robotique humanoïde. Les travaux comblent une lacune critique : alors que les BFM ont montré leur potentiel pour le contrôle des humanoïdes, il restait flou comment coordonner les paradigmes d'apprentissage, les données comportementales et les architectures de modèles.
L'équipe démontre que des gains de performance substantiels proviennent de l'interaction coordonnée de trois composants principaux. Premièrement, un paradigme d'apprentissage par suivi de mouvement qui reformule divers problèmes de contrôle humanoïde comme la reproduction de comportements corporels intégrés dans un cadre global. Deuxièmement, une synergie stratégique entre la quantité de déploiement en politique et la diversité des mouvements de référence. Troisièmement, le Humanoid Transformer, une architecture de modèle expressive et évolutive.
Grâce à des expériences approfondies en simulation et en déploiement réel, l'approche améliore considérablement la fidélité de contrôle et la généralisation des tâches. L'erreur de position moyenne par point clé (MPKPE) a été réduite de plus de 10% en mode local et de 82% en mode global par rapport aux contrôleurs humanoïdes existants.
