Le Robot Qui a Abandonné Ses Jambes pour Gagner la Course à l'IA

Les robots humanoïdes ont passé les deux dernières années à apprendre à se pavaner. L'Optimus de Tesla et le Figure 01 de Figure marchent, s'équilibrent et montent les escaliers avec une confiance qui aurait semblé relever de la science-fiction en 2018. Des démonstrations élégantes montrent des pas au ralenti, des poses sur une jambe et des ascensions prudentes d'escaliers industriels, le tout accompagné de bandes-son synthétiques envoûtantes.

Ces vidéos accumulent des millions de vues parce que le mouvement bipède semble toujours être le Saint Graal de la robotique. Une machine qui se déplace comme un humain ne doit être qu'une mise à jour logicielle d'un fonctionnement similaire, selon la logique. Mais en dehors des laboratoires et des usines reconstitutées, cette promesse continue de se heurter au désordre des véritables foyers.

Les environnements domestiques pénalisent la complexité. Les cuisines entassent des coins étroits, des surfaces réfléchissantes et des comptoirs encombrés dans quelques mètres carrés. Les câbles serpentent sous les tables, les enfants laissent des jouets sur le sol, et les animaux de compagnie se faufilent à travers des chemins qu'un humain de 170 livres ne peut pas partager en toute sécurité.

Malgré l'engouement, aucun système bipède n'exécute de manière fiable des tâches à long terme dans des appartements non structurés : débarrasser une table, trier la vaisselle, charger un lave-vaisselle et essuyer des surfaces sans supervision constante. Même les vidéos récentes de humanoïdes montrant des actions simples de prise et de dépôt impliquent généralement des configurations contraintes, des objets soigneusement disposés et des prises très sélectionnées. Marcher semble résolu ; l'autonomie utile ne l'est pas.

Le problème central n'est pas de savoir si un robot peut se tenir sur une jambe. Il s'agit de déterminer si une plateforme multifonctionnelle peut manipuler des objets fragiles en verre, des textiles doux et des objets irréguliers pendant 20 à 30 minutes sans les laisser tomber, se bloquer ou entrer en collision avec des personnes. Cela implique une perception robuste, un contrôle précis de la force et une planification fiable en situation d'incertitude, le tout fonctionnant sur un matériel qui cohabitera avec des enfants et des animaux de compagnie.

La sécurité fixe des exigences encore plus élevées. Une erreur sur une marche dans un laboratoire est une bourde ; une erreur près d'un tout-petit est un procès. Tant que les systèmes bipèdes ne peuvent pas prouver qu'ils échouent de manière douce—sans mouvements brusques, sans chutes violentes, sans articulations échappées—les déployer dans des foyers quotidiens reste un défi difficile.

Dans ce contexte, une nouvelle vague d'entreprises pose une question hérétique : les robots domestiques utiles ont-ils réellement besoin de jambes ? Les châssis à roues, les élévateurs verticaux et les conceptions orientées vers la manipulation remettent en question l'idée selon laquelle marcher doit précéder le travail.

Sunday Robotics souhaite un robot domestique capable de faire la vaisselle avant de pratiquer le parkour. Fondée en 2024 par Tony Zhao, cette startup américaine ignore la course aux bras humanoïdes pour réaliser des saltos et grimper des escaliers, et se concentre directement sur des tâches domestiques répétitives : nettoyer les tables, charger les lave-vaisselles, trier le linge et rassembler les chaussettes.

Son robot, Memo, ressemble moins à Tesla Optimus et plus à un appareil de cuisine qui aurait développé une colonne vertébrale. Une base roulante robuste soutient un mât central télescopique—le levage en “Z‑axe”—qui permet à Memo d'atteindre le sol jusqu'aux armoires hautes sans faire un seul pas.

Cette colonne vertébrale verticale est le cœur du design. Memo peut abaisser son torse pour saisir une chaussette sur le sol, puis s'étendre pour placer des verres fragiles sur le panier supérieur d'un lave-vaisselle ou dans un placard en hauteur, tout en restant ancré à sa base.

Au lieu de mains fragiles à cinq doigts, entraînées par des tendons, Memo utilise des pinces robustes et orientées vers les tâches. Elles saisissent les assiettes, les tasses et les ustensiles avec une force constante, mais modulent également leur prise pour manipuler des verres à vin fins et d'autres objets fragiles sans les briser.

Ces choix matériels impliquent un compromis très explicite. Memo ne peut pas monter les escaliers, et Sunday Robotics n'essaie pas de le cacher ; l'entreprise le considère comme une contrainte intentionnelle pour simplifier tout le reste : l'équilibre, l'énergie, l'entretien et le coût.

En omettant les jambes, Memo obtient un centre de gravité bas et une stabilité à toute épreuve sur les sols plats, les surfaces qui dominent les cuisines et les salons. Cette stabilité, couplée à des roues efficaces, permet de garantir plus de 4 heures d'autonomie par charge au lieu de gaspiller des batteries sur un équilibre dynamique.

La simplicité mécanique signifie également moins d'actionneurs, moins de points de défaillance et un entretien plus facile. Sunday peut se concentrer sur l'effort d'ingénierie pour la manipulation, la perception et la planification à long terme au lieu de déboguer les articulations de la cheville.

Le bénéfice se manifeste lors des premières démonstrations de capacité. Memo débarrasse de manière autonome les tables de dîner en désordre, trie les couverts et les assiettes, et les range dans un lave-vaisselle avec un placement cohérent.

Il s'attaque également à des tâches plus douces, moins rigides. Memo ramasse les T-shirts froissés et les chaussettes du sol, les lisse et les plie sur une table, puis les empile en colonnes bien rangées—lentement pour l'instant, mais sans téléopération image par image.

La robotique se heurte à un mur bien avant de rencontrer des escaliers : les données. Former un robot à essuyer une table, charger un lave-vaisselle ou plier des chaussettes nécessite des millions d'exemples de mouvement et de force précis, pas seulement de belles images. Cela crée un brutal “verrouillage des données” où il faut des robots capables pour collecter de bonnes données, mais il faut d’abord ces données pour rendre les robots capables.

La téléopération traditionnelle essaie de forcer les choses. Les entreprises équipent des opérateurs expérimentés de configurations VR et haptiques à plus de 20 000 $, puis diffusent leurs mouvements vers un bras robotique. Ces sessions gaspillent du temps, de l'argent et de l'attention humaine, produisant des données au compte-gouttes qui ne peuvent pas répondre à l'échelle requise par de grands modèles.

La simulation promettait un raccourci. Les équipes créent sans cesse des cuisines virtuelles et forment des politiques dans des moteurs physiques, espérant les transférer à la réalité. Mais l'écart sim-to-real—des décalages infimes dans le frottement, le bruit des capteurs ou la géométrie des objets—provoque toujours un comportement fragile lorsque un robot se retrouve face à une assiette grasse réelle ou un plan de travail déformé.

La vidéo humaine semble être une réponse car YouTube, TikTok et les ensembles de données internes offrent des milliards d'images de personnes accomplissant des tâches. Pourtant, un flux de caméra capture rarement les quantités critiques : les forces de contact, le glissement au bout des doigts, les couples articulaires, les micro-ajustements lorsqu'un verre commence à basculer. Pour une manipulation délicate, manquer ces données équivaut à entraîner une voiture autonome sur des images de caméra de bord sans angle de direction ni accélérateur.

Le pari de dimanche, et le consensus émergent de l'industrie, est que celui qui réussit à collecter des données bon marché et de haute fidélité gagne la course. Un pipeline évolutif qui enregistre un mouvement complet en 6DoF, des profils de force et l'état des objets dans des milliers de foyers réels alimenterait un modèle fondamental de robot, tout comme ImageNet a alimenté la vision et Common Crawl a nourri le modèle de langage à grande échelle moderne.

Les analystes considèrent déjà cela comme la principale barrière dans le secteur des robots humanoïdes et domestiques ; des rapports comme Humanoid robots 2025 : The race to useful intelligence soutiennent que les données, et non le matériel, permettront de distinguer les gagnants des simples démos.

La réponse de Sunday au blocage des données n'est pas un laboratoire humanoïde à 200 000 $, mais un gant de capture de compétences à 200 $. Au lieu de garer un robot à six chiffres dans un laboratoire de recherche et de le manipuler comme une marionnette, Sunday envoie ces gants à des personnes ordinaires et enregistre comment elles nettoient, trient et cuisinent dans la vie réelle. Chaque gant enregistre des données de mouvement et de force détaillées directement provenant des mains humaines, image par image, pendant que quelqu'un essuie un comptoir ou charge un lave-vaisselle.

Les dispositifs de téléopération traditionnels ressemblent à ceux d'un studio de capture de mouvement : des configurations multi-caméras, des casques VR, des contrôleurs haptiques, et un robot dédié à l'autre bout. Une seule station de téléopération de haute qualité peut coûter 20 000 $ ou plus une fois que l'on ajoute le matériel, l'espace et un opérateur. Le gant de Sunday coûte environ 200 $ à fabriquer et à expédier, donc le même capital qui rachète un dispositif peut financer cent foyers.

L'efficacité du capital se traduit directement par l'échelle. Au lieu qu'un seul opérateur expert manœuvre un robot dans un laboratoire, des centaines de personnes peuvent discrètement générer des données en parallèle tout en menant leur vie. Sunday appelle ces personnes « Développeurs de Mémoire »—pas des roboticiens, juste des utilisateurs ordinaires portant un gant pendant qu'ils s'occupent de leurs tâches quotidiennes.

Un Développeur de Mémoire pourrait réaliser une douzaine « d'épisodes » en une seule soirée : débarrasser une table de dîner en désordre, racler les assiettes, trier les ustensiles et ranger des verres fragiles. Chaque épisode devient une séquence étiquetée de poses de main, de forces de contact et d'interactions avec les objets, correspondant à la propre perception de la scène par le robot. Au fil du temps, ces séquences forment une vaste bibliothèque de « comment les humains font réellement les corvées » au lieu de démonstrations idéalisées en laboratoire.

Sunday a déjà expédié plus de 2 000 gants Skill Capture à des développeurs de mémoire précoces. Ces gants sont utilisés dans environ 500 foyers, allant des appartements exigus aux vastes cuisines suburbaines, offrant à l'ensemble de données une diversité qu'aucune maison de test unique ne peut égaler. Chaque foyer ajoute de nouvelles configurations, des conditions d'éclairage et des cas particuliers étranges - tiroirs en désordre, gobelets d'enfants, assiettes ébréchées - que le robot doit gérer avec aisance.

Toute cette activité s'accumule à une échelle qui commence à ressembler davantage à des données Internet qu'à des données robotiques. Sunday affirme avoir enregistré environ 10 millions d'épisodes de tâches jusqu'à présent, chacun étant un enregistrement structuré d'une tâche réelle dans un foyer réel. Ce volume soutient la déclaration de l'entreprise selon laquelle son modèle Act One est entraîné sur "zéro données de téléopération de robot" : le robot apprend d'abord des mains humaines, puis transfère ces compétences sur les manipulateurs de Memo.

Les données des gants n'enseignent pas seulement à Memo comment bouger ; elles deviennent la colonne vertébrale du modèle de fondation ACT-1 de dimanche. Chaque fois qu'un "développeur de mémoire" essuie un comptoir ou charge un lave-vaisselle en portant le Gant de Capture de Compétences à 200 $, le système enregistre des trajectoires articulaires précises et des profils de force à haute fréquence, accompagnés d'une vidéo RGB-D de la scène.

Les itinéraires du dimanche intègrent ce flux multimodal dans ACT-1 comme s'il s'agissait d'entraîner un grand modèle de langage, mais pour des actions physiques plutôt que des mots. Le modèle apprend un vocabulaire de mouvements — saisir, frotter, trier, empiler — et comment les humains les séquencent sur plusieurs minutes, et non en secondes, à travers environ 500 foyers réels et plus de 2 000 gants expédiés.

De manière cruciale, ACT-1 s'entraîne sans aucune donnée de téléopération robotique. Aucun ingénieur ne manipule Memo avec un joystick, aucune coûteuse installation de capture de mouvement n'entoure le robot ; toute la phase de pré-entraînement se déroule dans l'espace humain, puis une cartographie apprise traduit les mouvements des mains et des bras humains en cinématique de Memo.

Cette couche de traduction gère les détails complexes : différentes longueurs de membres, limites articulaires, et le fait que Memo roule au lieu de marcher. ACT-1 génère des plans d'action de haut niveau et des signaux de contrôle continu, tandis qu'un contrôleur de niveau inférieur impose la sécurité, les forces de contact et l'évitement des collisions sur le matériel réel.

L'autonomie à long terme est au cœur du pari de Sunday. ACT-1 n'apprend pas seulement à ramasser une assiette ; il maîtrise l'ensemble de la routine pour débarrasser une table de dîner en désordre, trier la vaisselle, ouvrir le lave-vaisselle, charger les paniers et fermer la porte sans intervention humaine.

Ces routines impliquent des dizaines de sous-étapes : naviguer autour des chaises, éviter la verrerie empilée, choisir où placer chaque objet. ACT-1 encode cela en plans temporels, permettant à Memo de se réajuster lorsqu'un élément change - une assiette à un nouvel endroit, une chaise légèrement déplacée - sans redémarrer l'ensemble de la tâche.

La généralisation zéro-shot rend cela viable en dehors d'un laboratoire. Comme ACT-1 voit des agencements variés, des conditions d'éclairage différentes et des motifs de désordre pendant l'entraînement, Sunday affirme que Memo peut entrer dans une nouvelle cuisine et effectuer des tâches telles que :

• 1Essuyage des comptoirs
• 2Débarrasser une table
• 3Charger un lave-vaisselle

tout cela sans ajustement spécifique à la tâche, juste une courte calibration et une commande en langage naturel.

La robotique humanoïde ressemble actuellement à un carrefour. Sunday Robotics adopte sans aucune excuse le chemin de la fonction plutôt que de la forme : des roues, une colonne vertébrale télescopique et des bras capables de débarrasser des tables, de trier des objets en désordre et de charger des lave-vaisselles. Tesla Optimus, Figure 01 et le G1 de Unitree misent sur des jambes, pariant qu'une silhouette ressemblant à celle d'un humain et la capacité à monter des escaliers sont plus importantes que la seule efficacité des tâches.

Dans un appartement typique ou une maison de plain-pied, les roues l'emportent discrètement. Une base sur roues offre à Memo une longue autonomie, une stabilité élevée et moins de modes de défaillance qu'un bipède à 30+ actionneurs luttant constamment contre la gravité. Vous abandonnez les escaliers, mais vous gagnez des heures d'autonomie et une histoire d'entretien beaucoup plus simple.

L'utilité domestique aujourd'hui se trouve au bout du bras, et non au bout de la jambe. Débarrasser une table à dîner en désordre, charger un lave-vaisselle ou plier une pile de chaussettes sont des problèmes de manipulation à long terme : perception, planification et contrôle habile. Que le robot se déplace à pied ou en roulant jusqu'à la cuisine compte beaucoup moins que sa capacité à reconnaître un verre fragile, à le saisir en toute sécurité et à ne pas le briser.

La plupart des premiers clients pour un robot domestique coûtant entre 20 000 et 80 000 dollars ne demanderont pas tant : « Peut-il grimper ? » mais plutôt : « Peut-il s'occuper de ma cuisine sans supervision ? » Sunday parie qu'une fois qu'un robot pourra manipuler de manière robuste dans des centaines de foyers réels — des données de gants provenant de 500 foyers et en comptant — la locomotion deviendra une amélioration technique résoluble, et non le principal élément différenciateur. Vous pouvez redessiner une base ; vous ne pouvez pas adapter un modèle de fond mature du jour au lendemain.

Les critiques soutiennent que les acheteurs à ce niveau de prix vivent probablement dans des maisons à plusieurs étages avec des escaliers, ce que la vidéo souligne explicitement comme une démographie probable. La contre-bet de Sunday est que ces mêmes acheteurs toléreront un robot de première génération qui s'occupe du rez-de-chaussée et ignore l'étage, surtout s'il fait de manière fiable la vaisselle et le linge. Les escaliers deviennent soit une révision matérielle future, soit un ajout de niche, et non un obstacle à la capture initiale du marché.

Pour quiconque suit comment cette séparation stratégique se déroule à travers le matériel, les données et les délais de déploiement, Robots Humanoïdes : Des Démonstrations au Déploiement offre un contexte utile au pari axé sur les roues de dimanche.

La Chine fonctionne comme un genre d'univers parallèle pour les robots pratiques, et cela ressemble très peu aux bandes-annonces scintillantes de la Silicon Valley sur les humanoïdes. Au lieu d'ascensions héroïques dans les escaliers, vous avez des flottes de machines rectangulaires qui nettoient tranquillement les rues à 3 heures du matin et des humanoïdes qui sautent le parkour pour maîtriser le linge. L'accent se déplace de « Peut-il marcher ? » à « Peut-il nettoyer, trier et réorganiser une pièce plus rapidement qu'un humain ? »

Dans les rues de Shenzhen, ce pragmatisme se transforme en concurrence. Un récent concours de robots de nettoyage a rassemblé des dizaines de nettoyeurs autonomes de différents fournisseurs et les a lâchés sur de véritables routes de la ville, pas sur des maquettes de laboratoire. Les organisateurs ont mesuré la couverture, l'évitement d'obstacles et le temps de fonctionnement sur de longs itinéraires avec un véritable trafic, des piétons et de la saleté.

Ces robots de désinfection s'appuient fortement sur la spécialisation. La plupart fonctionnent sur des plateformes sur roues à faible hauteur, équipées de grands réservoirs d'eau, de brosses tournantes et de dômes lidar, adaptés aux bordures de trottoirs, aux voies cyclables et aux passages piétons. Au lieu de poursuivre des acrobaties, les équipes optimisent les algorithmes d'acheminement, les échanges de batteries et les tableaux de bord de gestion de flotte à distance qui peuvent déployer ou rediriger des dizaines d'unités en quelques secondes.

Les rues de Shenzhen deviennent effectivement une suite de référence vivante. Les responsables de la ville se moquent de savoir si un robot ressemble à un humain ; ils se soucient des mètres carrés nettoyés par heure, des rapports d'incidents et des coûts de maintenance. Cette pression valorise les systèmes capables de fonctionner 8 à 12 heures par jour, de tolérer la pluie et la poussière, et de passer élégamment à la téléopération lorsqu'un camion de livraison bloque la voie.

À l'intérieur, une autre démonstration chinoise montre jusqu'où l'apprentissage par imitation peut pousser les humanoïdes une fois que vous résolvez le problème du "que devrait-il faire ?". La société de robotique Mindon a pris un Unitree G1 standard — un humanoïde relativement peu coûteux se vendant dans la plage de 16 000 à 20 000 dollars — et l'a transformé en un ménager étonnamment capable. Pas de matériel exotique, pas d'exosquelette sur mesure, juste un entraînement plus intelligent.

Les clips de Mindon montrent le G1 effectuant des tâches ménagères à une vitesse presque déconcertante. Le robot essuie les comptoirs avec des mouvements fluides et continus, trie le désordre dans des bacs, ouvre des placards et manipule des bouteilles et des boîtes avec une coordination à deux mains qui ressemble davantage à celle d'un humain accéléré qu'à celle d'un bras industriel prudent. La démonstration se déroule dans de vrais appartements, et non dans des cuisines factices mises en scène.

Sous le capot, Mindon s'appuie sur des démonstrations humaines de haute qualité et un apprentissage de politiques avancé pour compresser des routines complexes en plusieurs étapes en une seule pile de contrôle. Au lieu de programmer « prendre l'assiette → marcher → ouvrir le lave-vaisselle », le système apprend des trajectoires et des profils de force à partir d'humains accomplissant le travail de bout en bout. Le résultat : un humanoïde qui se comporte moins comme une marionnette capturée par le mouvement et plus comme un stagiaire surcaféiné.

Ensemble, les flottes de sanitation de Shenzhen et le G1 optimisé pour les tâches de Mindon soulignent un changement mondial. Le véritable progrès se regroupe autour de domaines étroits mais précieux—nettoyage des rues, réapprovisionnement des cuisines, cycles de lavage—tandis que l'industrie continue de débattre entre jambes et roues. L'apparence du châssis, qu'il ressemble à une personne ou non, importe moins que la capacité du modèle de langage large et de la pile de contrôle au-dessus à transformer des démonstrations brutes en un travail fiable, rapide et répétable.

Sourcey arrive comme l'anti-Memo : un robot domestique open-source qui échange du matériel soigné et un écosystème fermé contre la possibilité de personnalisation et la transparence. Là où le Memo de Sunday cache son cerveau et son firmware derrière des contrats de confidentialité et des bêta sur invitation uniquement, Sourcey est fourni avec un dépôt GitHub, de la documentation et l'attente que vous ouvriez le capot.

Conçu comme un « robot domestique personnel », Sourcey se concentre sur la même catégorie de tâches : nettoyage, organisation, routines ménagères simples, mais expose chaque couche de la pile. Les utilisateurs peuvent le former par démonstration : montrez à Sourcey comment vous souhaitez empiler les serviettes ou ranger les jouets, et ses modèles d'IA affinent le comportement au fil de plusieurs sessions au lieu de s'appuyer sur un gigantesque ensemble de données centralisées.

Sous le capot, Sourcey s'appuie sur le cadre Larot, une bibliothèque de robotique open-source qui gère le mouvement, la perception et le contrôle. Un accès complet au code source, aux API et aux fichiers de configuration transforme le robot en un laboratoire vivant pour : - La programmation robotique - L'apprentissage automatique - L'interaction humain-robot dans le monde réel

Le prix pourrait être la caractéristique la plus radicale de Sourcey. À partir d'environ 1 500 $, il se positionne en dessous des humanoïdes comme le G1 d'Unitree ou le Neo de 1X, qui se situent plutôt autour de 16 000 à 20 000 $ ou d'un tarif d'abonnement d'environ 500 $ par mois. Ce changement de coût déplace la robotique domestique des laboratoires de recherche et des startups bien financées vers des espaces de création, des salles de classe et des passionnés sérieux.

Vous ressentez immédiatement le compromis. Sourcey ne recherche pas la finition lisse et épurée que vise Memo ou Tesla Optimus ; il se comporte davantage comme un kit de développement sur roues. Mais pour les éducateurs et les développeurs indépendants, cette rugosité est une caractéristique, pas un défaut : chaque capteur, comportement et cas d'échec devient enseignable.

De manière générale, Sourcey contre Memo ressemble à la division Linux contre Windows pour les robots domestiques. Memo parie sur une expérience intégrée verticalement et étroitement contrôlée ; Sourcey parie qu'une plateforme chaotique et pilotée par la communauté progressera plus rapidement, endommagera davantage de choses et apprendra finalement à plus de gens comment fonctionnent réellement les robots à domicile.

Dimanche, Figure, Tesla et Sourcey parlent tous de robots « à usage général », mais leurs feuilles de route ne pourraient pas être plus différentes. Dimanche souhaite que Memo soit présent dans de véritables foyers d'ici 2026 grâce à une beta sur invitation uniquement d'environ 50 ménages, après avoir déjà expédié plus de 2 000 gants de capture de compétences et collecté des données auprès d'environ 500 foyers. Sourcey expédie maintenant en tant que plateforme open-source à 1 500 $ pour les passionnés, privilégiant l'expérimentation à l'autonomie raffinée.

Les acteurs humanoïdes industriels suivent une trajectoire plus lente, axée sur les usines. Figure a conclu des accords avec BMW et d'autres pour tester le Figure 01 sur des lignes de fabrication étroitement contrôlées, une approche similaire aux ambitions d'Optimus de Tesla. Des produits comme le 1X Neo et l'Unitree G1 s'orientent également vers des déploiements en entreprise et des laboratoires de recherche avant même d'évoquer un calendrier pour les consommateurs, malgré une couverture médiatique tape-à-l'œil comme Figure 03 – Meilleures Inventions de 2025 (Time).

Le pari de Sunday : éviter l'usine et aller directement à la cuisine. Un beta à domicile en 2026 placerait Memo devant des utilisateurs payants ou presque payants des années avant que la plupart des robots bipèdes n'obtiennent des certifications UL, des contrats de service ou des guides de soutien à la consommation. Cette approche axée sur le domicile oblige Sunday à résoudre des réalités désordonnées dès maintenant — des miettes sous les tables, des plans de travail encombrés, un éclairage bizarre, des enfants et des animaux de compagnie — plutôt que les cellules de travail soigneusement délimitées d'une usine automobile.

Qui apporte une valeur tangible en premier dépend du « travail » qui vous préoccupe. Un robot industriel capable de déplacer des pièces de manière fiable 24/7 a déjà un retour sur investissement clair et un acheteur avec une ligne budgétaire. Mais un robot domestique capable de débarrasser une table, de charger un lave-vaisselle et de plier du linge — même lentement — résout un problème quotidien pour des millions de personnes, et pas seulement pour quelques fabricants d'équipements d'origine.

Le matériel à lui seul ne déterminera pas cette course. Le gant de capture de compétences de dimanche attaque le verrouillage des données, construisant un pipeline propriétaire de trajectoires de manipulation réelles qui alimente son modèle ACT-1. Figure, Tesla et d'autres s'appuient sur la téléopération, les données synthétiques et de grands corpus vidéo, mais ont toujours besoin d'annotations évolutives, de couches de sécurité et d'outils de déploiement.

Quiconque réussit à maîtriser la boucle de bout en bout—collecte de données, entraînement de modèles, intelligence embarquée, et une stratégie de mise sur le marché qui permet réellement de déployer des machines dans les foyers ou les usines—gagne. Les jambes, les roues ou les chenilles ne sont que le châssis de ce moteur logiciel et de données.

Votre premier véritable colocataire robot est probablement à roulettes. Non pas parce que les ingénieurs ont abandonné les jambes, mais parce que les roues vous amènent au lave-vaisselle plus rapidement qu'une démarche bipède. Dans une course jugée par les tâches ménagères, une base stable et une longue autonomie de batterie l'emportent sur les acrobaties à chaque fois.

Les robots humanoïdes comme Tesla Optimus, Figure 01 et Unitree G1 poursuivent toujours la biomimétique : genoux, chevilles et une démarche soigneusement ajustée semblable à celle des humains. Le Memo de Sunday Robotics ignore tout cela et fixe un torse télescopique sur une plate-forme à roues qui glisse entre les comptoirs et les armoires. Il échange les escaliers contre plus de quatre heures d'autonomie et moins de risques de faire tomber votre verrerie.

Les indicateurs de succès évoluent discrètement. Au lieu de montrer des performances acrobatiques ou des exploits sportifs, les nouvelles marques de fierté ressemblent à : - Une table de dîner en désordre débarrassée de bout en bout - Des assiettes, des bols et des couverts triés et chargés dans un lave-vaisselle - Des verres fragiles manipulés sans la moindre fissure - Des tas de chaussettes pliées en piles bien rangées

L'ensemble de la pile de Memo gravite autour de ces résultats. Sunday propose un Gant de Capture de Compétences qui coûte quelques centaines de dollars, et non un équipement de capture de mouvement à 20 000 dollars, et a déjà envoyé plus de 2 000 de ces gants sur le terrain. Environ 500 foyers transmettent désormais des données de chorégraphie réelles à Sunday, transformant les routines quotidiennes en un ensemble d'entraînement pour le modèle de base ACT-1 de l'entreprise.

Cette stratégie axée sur les données permet à ACT-1 de tenter une généralisation « zero-shot » : voir une nouvelle cuisine, inférer où se trouvent les plats, et réaliser tout de même un cycle de nettoyage en plusieurs étapes. Personne ne se soucie de l'apparence du robot lorsqu'il peut essuyer une table, trier les restes et charger le lave-vaisselle pendant que vous êtes en appel Zoom. La forme devient un détail d'interface utilisateur ; la fonction devient le produit.

Sunday prévoit un bêta test sur invitation uniquement d'environ 50 foyers en 2026, un chiffre conservateur qui reste largement supérieur au nombre de humanoïdes complets que n'importe quel laboratoire a discrètement installés dans des foyers réels. Si ce déploiement fonctionne, les robots sur roues et torse pourraient devancer les prototypes à pattes qui perfectionnent encore leur démarche. Lorsque vous achèterez enfin un robot pour partager votre cuisine, choisirez-vous celui qui vous ressemble le plus ou celui qui réalise simplement plus de tâches ?

Qu'est-ce que le robot Memo de Sunday Robotics ?

Memo est un robot domestique polyvalent conçu pour les tâches ménagères. Il utilise une base roulante et un élévateur vertical pour la stabilité et la portée, plutôt que des jambes humanoïdes.

Comment Memo diffère-t-il des robots comme Tesla Optimus ou Figure 01 ?

Les principales différences résident dans son format à roues adapté aux environnements domestiques et sa méthode de formation. Memo est entraîné à l'aide de données provenant d'un 'Gant de Capture de Compétences' à bas coût porté par des humains, et non à partir d'équipements de téléopération coûteux.

Qu'est-ce que le 'Skill Capture Glove' ?

C'est un appareil à faible coût que Sunday Robotics envoie aux utilisateurs pour enregistrer des données de mouvement et de force pendant qu'ils effectuent leurs tâches ménagères. Ces données sont ensuite utilisées pour entraîner le modèle fondamental d'IA du robot Memo, ACT-1.

Quand le robot Sunday Memo sera-t-il disponible à l'achat ?

L'entreprise a annoncé un programme bêta sur invitation uniquement prévu pour 2026. Une sortie grand public plus large est attendue par la suite, mais aucune date précise n'a été fixée.