← Toutes les actualités

源策未来 dévoile Anchor 1, modèle de contrôle corps entier : erreurs de poignet réduites de 28 % selon le rapport, poids ouverts par étapes fin 2026

Selon un article de 机器之心 (Jiqizhixin) daté du 6 novembre 2026, la société de robotique incarnée 源策未来 (Archon Robotics) a présenté Anchor 1, un modèle de contrôle corps entier positionné comme le « cervelet » System 0 de son architecture : lors de tests sur robot réel, l'erreur de position globale du poignet et de la cheville serait inférieure d'environ 28 % et 39 % à la meilleure méthode de comparaison précédente, et le taux de succès de collecte de démonstrations de téléopération (coup de pied dans un carton) passerait de 37,5 % à 98,0 % ; les poids et le code de déploiement seraient ouverts par étapes fin 2026.

Publication Mise à jour

Ce qui change

Selon un article de 机器之心 (Jiqizhixin) daté du 6 novembre 2026, la société de robotique incarnée 源策未来 (Archon Robotics) a publié Anchor 1, un modèle de contrôle corps entier, accompagné d'un rapport technique de 32 pages et d'une page projet, en le présentant comme la couche System 0 (S0) de son architecture d'intelligence corps entier, c'est-à-dire le « cervelet » qui convertit stablement des instructions en mouvements du corps entier. D'après l'article, les commandes émises par Anchor 1 ne concernent que cinq points du corps : le bassin, les deux poignets et les deux chevilles, chacun avec une position et une orientation cibles, les autres articulations n'étant pas spécifiées ; au déploiement, pas de retargeting en ligne, mais un calibrage unique à partir des postures en T de l'opérateur et du robot, puis application image par image de paramètres fixes de mise à l'échelle, de rotation et d'offset pour convertir le mouvement humain à l'échelle du robot. Côté entraînement, le retargeting est déplacé hors ligne : chaque séquence de mouvement humain est associée à une séquence robotique retargetée servant de supervision et de récompense ; après contrôle qualité automatique et revue humaine, l'ensemble d'entraînement compte 406 222 séquences, soit environ 1 081 heures, dont 77 % issues de données de capture de mouvement collectées en interne. Pour la correction, les erreurs de suivi des poignets et des chevilles n'entrent pas dans l'encodeur : elles contournent les tokens et sont envoyées directement au décodeur, avec une tête de trajectoire entraînée en plus pour reconstruire la pose cible lorsque la couche supérieure ne fournit que des tokens. Les tests sur robot réel ont été menés sur un Unitree G1 : selon l'article, sur 72 séquences de manipulation corps entier, l'erreur de position globale des poignets et des chevilles serait inférieure d'environ 28 % et 39 % à la meilleure méthode de comparaison ; pour la téléopération de coups de pied dans un carton, le taux de succès de collecte de démonstrations passe de 37,5 % à 98,0 %, le nombre de démonstrations réussies par heure de 9 à 43, et la tâche de ramassage de chaussons atteint 62 par heure avec un taux de succès de 97,37 %. L'équipe a aussi mis en place trois pistes d'évaluation — In-house, Public et Reachability — jugeant la réussite d'une séquence par un seuil d'erreur sur toute la durée. L'article replace cette publication dans un contexte plus large : fin janvier de cette année, Figure a intégré System 0 dans Helix 02 ; en février, NVIDIA a ouvert un modèle de base de contrôle corps entier, SONIC ; depuis, Google DeepMind et 智元 (AgiBot) ont aussi présenté des modèles apparentés. Concernant l'ouverture, 源策未来 indique qu'elle ouvrira par étapes fin 2026 les poids du modèle Anchor 1 et le code de déploiement, ainsi que la chaîne de téléopération et de collecte de démonstrations basée sur PICO et sur le PN-LINK de Noitom.

Conséquences pour les développeurs

Pour les développeurs, ce qu'il faut d'abord regarder dans cette actualité n'est pas tel ou tel chiffre de benchmark, mais la forme de l'interface. Les deux chemins de commande décrits par l'article — téléopération ou politique de haut niveau envoyant cinq ancres, et politique de haut niveau produisant directement des motion tokens — déterminent si vous modifiez le pipeline de collecte de données ou la couche de sortie de la politique. Si votre pile actuelle fait du retargeting en ligne au déploiement, l'approche d'Anchor 1 consiste à déplacer cette étape vers l'entraînement hors ligne, le déploiement ne transmettant que cinq ancres ; l'article indique qu'il ne faut alors que 60 ms d'instruction future, contre 80 à 90 ms pour les solutions comparées, et montre que quatre dispositifs d'entrée — Xsens, CHINGMU, PN-LINK de Noitom et PICO — peuvent être convertis en cinq ancres, des opérateurs de 165 à 188 cm et de 50 à 80 kg pouvant s'en servir directement. La variation de l'efficacité de collecte se répercute sur les coûts : le passage de 9 à 43 démonstrations réussies par heure signifie que le temps humain et machine nécessaire pour un même volume de démonstrations peut varier fortement, mais il s'agit d'un résultat auto-mesuré par 源策未来 sur G1, pas d'une conclusion transposable à d'autres corps. Le protocole d'évaluation mérite aussi attention : selon l'article, les taux de succès des différentes méthodes se rapprochent lorsque le seuil est assoupli, et l'écart n'apparaît qu'en le resserrant à 10 cm, ce qui montre que comparer des contrôleurs sur l'erreur de suivi moyenne sur toute la séquence masque facilement des écarts brefs mais critiques. Par ailleurs, l'article indique que la politique de haut niveau peut ne produire que des motion tokens, exécutés par Anchor 1 gelé, ce qui modifie la répartition des rôles entre « grand modèle + contrôleur ». Tout ce qui précède provient du rapport et de l'article ; aucune reproduction par un tiers n'a été observée, et avant intégration il convient de traiter interface, latence et protocole d'évaluation comme trois variables indépendantes à vérifier séparément, plutôt que de prendre le classement du rapport comme base directe de choix.

Intégration et évaluation

Ce qui suit relève d'une analyse conditionnelle et de recommandations, non de faits rapportés. Premièrement, décider si l'interface d'entrée utilise cinq ancres ou conserve le retargeting en ligne : si l'amont est constitué de données de squelette de type Xsens, CHINGMU, PN-LINK ou PICO et l'aval d'un corps de type G1, le chemin décrit par le rapport est de calibrer une fois, d'appliquer des paramètres fixes image par image et de ne plus résoudre les angles articulaires en temps réel au déploiement ; mais si la structure articulaire de votre robot diffère nettement de la morphologie de l'opérateur, ces hypothèses de calibrage doivent être revérifiées par vous-même. Critère mesurable : compter, sur vos propres séquences de référence, la proportion de séquences dont l'erreur de position des poignets et chevilles sur toute la durée ne dépasse pas 10 cm, la comparer avec votre pipeline de retargeting en ligne actuel sur le même lot de séquences, et enregistrer en parallèle le nombre de sauts d'instruction. Deuxièmement, décider si la politique de haut niveau expose cinq poses d'ancres ou des motion tokens : si la couche supérieure est un VLA à grande échelle nécessitant une entrée compacte et structurée, les tokens sont plus favorables à l'entraînement ; mais si le cas d'usage est la collecte de démonstrations par téléopération, où la précision est la plus sensible, le rapport lui-même recommande d'envoyer directement les cinq ancres, car reconstruire la cible à partir des tokens entraîne une perte de précision (en simulation, l'erreur de position locale passe de 21,9 mm à 22,4 mm). Critère mesurable : le taux de succès des tâches à nombre d'essais fixé, et l'écart de taux de succès pour une même tâche avec l'autre interface. Troisièmement, définir le protocole d'évaluation : remplacer l'« erreur de suivi moyenne sur toute la séquence » par un jugement par seuil image par image avant de comparer les contrôleurs, à condition de disposer de séquences de référence hors entraînement et d'accepter des indicateurs de processus comme le nombre de glissements et de pas superflus ; critère mesurable : l'écart de taux de succès entre méthodes reste-t-il net au seuil le plus strict, et s'il disparaît après assouplissement, l'évaluation n'a pas de pouvoir discriminant pour le choix actuel.

Limites et points à confirmer

L'article et le rapport énumèrent des limites. L'évaluation n'a été menée que sur un seul humanoïde (Unitree G1), sans comparaison stricte entre corps, et les erreurs et taux de succès ci-dessus ne peuvent être extrapolés directement à d'autres modèles. Les cinq ancres ne décrivent que la position du corps, pas la géométrie des objets, les forces de contact ni la stabilité de la préhension : suivre précisément un mouvement ne signifie pas saisir fermement ; en exécution autonome, le taux de succès du ramassage de chaussons est de 45 %, et l'article reconnaît que la manipulation autonome corps entier est loin d'être mature. La perte de précision due à la reconstruction de la cible à partir des tokens reste à réduire. Le rapport signale que les méthodes comparées sur la piste Public ont pu rencontrer une partie des données publiques à l'entraînement, et l'article ne nomme jamais ce « modèle open source dominant de contrôle corps entier », ce qui limite la reproductibilité de la comparaison. Sur l'ouverture, l'article ne mentionne qu'un projet d'ouverture par étapes des poids et du code de déploiement, sans conditions de licence : il ne faut donc pas considérer des « poids ouverts » comme une licence open source. Les poids et le code de déploiement sont prévus par étapes fin 2026 et ne sont pas disponibles à ce jour ; les capacités, erreurs et chiffres d'efficacité cités ici sont tous déclarés par le fabricant. Il faut préciser qu'Anchor 1 n'apparaît pas actuellement dans le catalogue de modèles de KimiSeek et que l'article ne mentionne aucune API hébergée ; le projet d'ouverture, les échéances de disponibilité et les chaînes associées mentionnés relèvent des déclarations de 源策未来 et non de services déjà en ligne ou proposés par ce site ; pour une intégration réelle, se référer aux canaux du fabricant.

Trois minutes jusqu’au premier appel

Créez un compte et une clé API. Le coût des appels est déduit de votre solde. 30 % de réduction sur la première recharge. Rechargez ¥500, payez ¥350, recevez ¥500 de crédit. Rechargez ¥1000, payez ¥850, recevez ¥1000 de crédit Vous pouvez toujours commencer par une recharge d’essai de ¥10.

Sources et méthode éditoriale

刚刚,源策未来发布 Anchor 1:让人形机器人真正做到精准控制

L’IA a assisté l’analyse et la traduction des sources citées, suivies de contrôles automatiques. Les conseils ne sont pas des résultats de tests. Consultez le catalogue actuel pour les prix et la disponibilité.