Le moteur de données Chorus de Xingyuan a été lancé le 27 octobre 2026 : Xingyuan Intelligence a dévoilé Chorus, un moteur de données multi-embodiment pour le pré-entraînement des robots, conçu pour transformer les vidéos de gestes humains captées par des appareils tels que des lunettes intelligentes et des caméras au poignet en données d'entraînement utilisables par différents robots. L'entreprise, fondée en juin 2026, a choisi de ne pas fabriquer de corps de robot. Son pari est ailleurs : ce qui manque aux robots, ce ne sont pas les démonstrations, mais des données d'entraînement réutilisables à grande échelle.
Le pipeline de Chorus comporte cinq étapes : d'abord identifier les actions atomiques dans la vidéo, puis ajouter des annotations sémantiques, reconstruire ensuite le mouvement en trois dimensions, optimiser les trajectoires, et enfin les projeter sur la structure corporelle du robot cible. Les vidéos humaines ne sont pas directement utilisables. Les occultations par les mains, les changements de point de vue et les trajectoires incomplètes sont fréquents, et la structure corporelle comme la façon de bouger diffèrent de celles des robots, si bien que la plupart des données brutes seraient écartées lors du contrôle qualité. L'approche de Xingyuan consiste à faire passer la même expérience humaine par ce pipeline pour l'adapter à 16 embodiments de robots, au lieu de collecter un jeu de données distinct pour chaque robot.
L'expansion de 40 fois est un chiffre issu de la configuration de test ; le déploiement réel doit encore faire ses preuves
Dans la configuration de test publiée par Xingyuan, Chorus atteint un taux de conversion effectif d'environ 85 %. Une heure de vidéo humaine présélectionnée peut générer environ 13,6 heures de trajectoires de mouvement multi-embodiment, et combinée à une augmentation des instructions par trois, cela représente une expansion effective des données d'entraînement d'environ 40 fois, le coût équivalent par heure tombant à environ 5 yuans. Ces chiffres proviennent des propres conditions de test de l'entreprise, et non de mesures indépendantes réalisées par un tiers sur une véritable ligne de production ; reste à vérifier en conditions réelles si l'échelle des données et la capacité du modèle progressent ensemble. Xingyuan souligne aussi la collaboration homme-machine côté déploiement : lorsqu'un robot dans une usine réelle rencontre une situation absente de ses données d'entraînement, un opérateur ordinaire peut prendre le relais et corriger en 2 à 3 secondes, et le retour d'expérience alimente le système d'entraînement, le ratio de supervision évoluant d'un opérateur par robot vers un opérateur pour trois robots à mesure que le taux de réussite du modèle augmente. Pour les clients industriels, le critère pour juger un tel moteur n'est pas la fluidité de la démonstration, mais sa capacité à s'arrêter en sécurité, à être repris en main et à continuer d'apprendre face à des situations hors distribution.
