AGIBOT publie 11 430 trajectoires de robots en conditions réelles

Une tentative ratée de robot fait partie des données de la publication open source d’AGIBOT. L’entreprise chinoise de robotique a publié 11 430 trajectoires de robots en conditions réelles couvrant 14 tâches industrielles et domestiques, en consignant non seulement les actions réussies, mais aussi les défaillances et les moments où des opérateurs humains interviennent.

Le jeu de données cible l’apprentissage par renforcement, dans lequel les robots progressent grâce à l’expérience, ainsi que l’IA incarnée, où l’apprentissage est lié à l’interaction avec le monde physique. Il se distingue ainsi des collections principalement constituées de démonstrations réussies réalisées par des experts : le thème 3 de WORLD 2026, d’AGIBOT, consigne également ce qui se passe lorsqu’une politique apprise rencontre des difficultés dans un environnement réel.

Les données se répartissent en trois groupes. Les démonstrations d’experts montrent des opérateurs humains accomplissant des tâches. Les exécutions autonomes de politiques montrent des robots tentant d’accomplir des tâches de manière indépendante, avec 1 024 tentatives réussies et 1 369 échecs. Les trajectoires avec intervention humaine consignent le comportement du robot avant la prise de contrôle par un opérateur, puis les actions correctives utilisées pour récupérer la situation ou achever la tâche.

L’intérêt réside dans les annotations. AGIBOT indique que le jeu de données marque la progression de la tâche, son état d’achèvement, les erreurs, les perturbations de l’environnement et les interventions humaines. Les chercheurs peuvent donc étudier non seulement si un robot a réussi, mais aussi où son comportement a échoué et comment les conseils l’ont aidé à se rétablir — des signaux que les seules démonstrations parfaitement exécutées ne fournissent pas.

Concrètement, la publication open source fournit aux chercheurs des données pour étudier les échecs, les interventions et la récupération, plutôt que les seules démonstrations réussies. Cela pourrait contribuer à orienter la recherche vers des robots capables d’apprendre de manière plus continue et de fonctionner plus fiablement dans les situations quotidiennes. L’entreprise affirme que d’autres jeux de données, benchmarks et ressources de recherche sont encore prévus.