Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
StARS : recommandation d'actions robotiques socialement appropriées via un système de recommandation
RecherchearXiv cs.RO 

StARS : recommandation d'actions robotiques socialement appropriées via un système de recommandation

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Des chercheurs de l'Université de Cambridge (groupe Cambridge-AFAR) publient StARS, un nouveau cadre pour générer des actions robotiques socialement appropriées en tenant compte de la variabilité des jugements humains. Le constat de départ est simple : deux personnes peuvent juger différemment la même action d'un robot dans une situation identique, ce qui rend obsolète l'idée d'un score d'appropriation universel. Plutôt que d'entraîner un modèle unique censé plaire à tout le monde, l'équipe reformule le problème comme un système de recommandation, en traitant les annotateurs comme des utilisateurs, les scènes ou contextes comme des items, et les scores d'appropriation attribués à un ensemble d'actions candidates comme les cibles à prédire. StARS combine du filtrage collaboratif avec des représentations de scène apprenables, et reste agnostique au modèle sous-jacent : il peut s'intégrer à différents encodeurs de scène et backbones sans redesign complet. Les auteurs l'ont testé sur deux jeux de données de référence en robotique sociale, MannersDB+ et SocNav1, avec une analyse de robustesse en cas de retours de préférence peu nombreux. Le code est disponible publiquement sur GitHub.

Pour l'industrie de l'interaction humain-robot, cette approche s'attaque à un angle mort classique des systèmes actuels : la plupart des modèles d'appropriation sociale produisent un score moyen, sans distinguer les préférences individuelles des utilisateurs, ce qui limite leur usage réel en contexte domestique, hospitalier ou en espace public partagé. En montrant des gains constants d'accord avec les annotateurs sur plusieurs jeux de données et plusieurs architectures, StARS suggère qu'une personnalisation légère, sans réentraîner le modèle de base, est possible pour affiner le comportement social des robots selon l'utilisateur.

Ce travail s'inscrit dans la lignée des travaux sur l'évaluation de l'appropriation sociale en HRI (notamment les jeux de données MannersDB et SocNav utilisés ici) et dans la tradition plus large des systèmes de recommandation appliqués hors du e-commerce. Il reste à ce stade une contribution académique, publiée en préprint sur arXiv sans annonce de déploiement industriel ni de partenariat commercial ; la suite logique serait une validation sur des interactions robot-humain en conditions réelles, au-delà des jeux de données existants.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Mind the Context : apprentissage continu d'actions robotiques socialement appropriées via dissociation environnement-social
1arXiv cs.RO 

Mind the Context : apprentissage continu d'actions robotiques socialement appropriées via dissociation environnement-social

Une équipe affiliée au groupe de recherche Cambridge-AFAR a publié le 14 août 2026 sur arXiv (référence 2608.13448) un article présentant EDD, pour Explicit Disentanglement Dual-Branch, un cadre d'apprentissage continu pour robots sociaux capables d'ajuster leurs actions selon le lieu, une conversation étant acceptable dans un salon bondé mais perturbatrice en réunion de bureau. EDD sépare explicitement les connaissances liées à l'environnement (espace ouvert ou encombré de meubles) de celles liées aux agents sociaux (position des personnes autour du robot), et utilise un mécanisme de rejeu pour limiter l'oubli à mesure que le système traverse successivement plusieurs domaines, salon, salle de réunion, bureau et couloir, pour évaluer des actions comme nettoyer, servir ou démarrer une conversation. Les auteurs rapportent qu'EDD surpasse plusieurs méthodes de référence de l'état de l'art, avec des études d'ablation portant sur différentes stratégies de désentrelacement et sur la sensibilité à l'ordre d'apprentissage des domaines. Le code est public sur GitHub, sous Cambridge-AFAR/Mind-the-Context. Ce travail cible un angle mort de la littérature sur le comportement social robotique: les approches antérieures d'apprentissage continu appliquées à l'appropriateness sociale ne traitaient pas le cas incrémental par domaine, où le robot découvre successivement des environnements très différents sans pouvoir tous les anticiper à l'avance. Pour les intégrateurs de robots sociaux, assistance à domicile, accueil en entreprise, service en établissement, séparer ce qui relève du contexte physique de ce qui relève des normes sociales conditionne directement la fiabilité d'un déploiement multi-site sans réentraînement complet à chaque nouvel environnement. L'étude reste toutefois évaluée sur un nombre restreint de domaines et d'actions, ce qui tempère la portée immédiate des gains annoncés face aux méthodes de référence. EDD prolonge des travaux antérieurs sur la génération d'actions socialement appropriées par apprentissage continu, en ciblant spécifiquement le réglage incrémental par domaine, jusqu'ici peu exploré malgré sa pertinence pour des robots amenés à circuler entre plusieurs pièces ou bâtiments. Il s'inscrit dans le champ plus large de la robotique sociale et de l'apprentissage continu, où l'oubli catastrophique reste un obstacle central face aux architectures d'apprentissage par renforcement ou aux modèles vision-langage-action déployés dans des environnements changeants. Publié comme preprint arXiv, non encore relu par les pairs à ce stade, l'article n'annonce ni calendrier de déploiement ni partenariat industriel, mais ouvre la voie à des extensions vers un plus grand nombre de domaines et des tests en conditions réelles.

UERecherche menée par une équipe britannique (Cambridge-AFAR), sans acteur, financement ou déploiement français ou européen (UE) identifié à ce stade.

RecherchePaper
1 source
Une théorie généralisée de la répartition de charge dans les systèmes robotiques à actionnement redondant
2arXiv cs.RO 

Une théorie généralisée de la répartition de charge dans les systèmes robotiques à actionnement redondant

Un article publié sur arXiv (référence 2603.11431v2, version corrigée d'une soumission antérieure) présente une théorie généralisée de la distribution des charges dans les corps rigides manipulés par des systèmes robotiques à actionnement redondant, composés de plusieurs chaînes cinématiques fermées indépendantes, comme une main multidoigts, des robots à pattes ou des bras coopérants tenant un même objet. Les auteurs caractérisent l'ensemble complet des distributions de torseurs (forces et moments) compatibles avec un torseur résultant donné appliqué au corps rigide, et dérivent des solutions explicites aux problèmes de synthèse et d'analyse de torseurs, calculables directement sans méthode numérique itérative ni inversion de grandes matrices, avec un coût de calcul croissant linéairement selon le nombre de torseurs appliqués. Ils relèvent aussi des lacunes dans les approches actuelles de l'état de l'art et proposent des corrections, appuyées par des exemples illustratifs et une simulation. Cette théorie concerne directement le contrôle de force des mains robotiques multidoigts, des robots à pattes, des robots coopérants manipulant une charge commune, et plus largement tout mécanisme surcontraint où le nombre de points de contact ou d'actionneurs dépasse ce qui est strictement nécessaire, rendant la répartition des efforts mathématiquement indéterminée sans hypothèses supplémentaires, un problème classique et non trivial en robotique. Une solution explicite et peu coûteuse en calcul ouvre la voie à un contrôle en temps réel plus robuste pour la préhension complexe, la locomotion des robots à pattes et la manipulation coopérative entre bras, des briques utiles pour les intégrateurs déployant des systèmes de préhension ou des flottes collaboratives. Le constat des auteurs, selon lequel des méthodes de référence actuelles comportent des erreurs, suggère que certaines stratégies de contrôle de force déjà en usage dans l'industrie reposent sur des hypothèses de répartition de charge incorrectes. Il s'agit d'une publication académique sur arXiv, sans entreprise, produit ni déploiement associé, ce qui la distingue nettement des annonces commerciales du secteur robotique. La répartition des efforts dans les systèmes surcontraints est étudiée depuis des décennies en robotique, notamment pour la préhension multidoigt et les robots parallèles, mais généralement traitée au cas par cas selon le type de mécanisme. Les auteurs positionnent leur travail comme une généralisation unifiée couvrant à la fois les mains robotiques, les robots à pattes et les systèmes multi-robots coopérants, plutôt qu'une solution propre à une seule catégorie. Cette version 2 de l'article suggère une itération après retours de la communauté scientifique, mais aucune validation expérimentale sur robot physique au-delà de la simulation n'est mentionnée à ce stade.

RecherchePaper
1 source
Conception d'un système robotique d'assistance humaine à reconnaissance contextuelle d'actions
3arXiv cs.RO 

Conception d'un système robotique d'assistance humaine à reconnaissance contextuelle d'actions

Une équipe de recherche propose, dans un article publié sur arXiv (référence 2608.22028), une architecture conceptuelle pour un robot d'assistance humaine capable de reconnaître les activités humaines et d'anticiper ses actions. Le système combine la reconnaissance contextuelle d'activité humaine (HAR), des arbres de comportement (behavior trees, BTs) pour définir des comportements robotiques dynamiques et interprétables, et le framework ROS pour l'intégration logicielle. Les auteurs utilisent le robot quadrupède Spot de Boston Dynamics comme plateforme de référence pour illustrer leur architecture. Il s'agit d'un travail de conception, sans chiffres de charge utile, de degrés de liberté, de temps de cycle ni de déploiement réel : aucune métrique de performance chiffrée n'est communiquée, l'article se limitant à décrire l'architecture système et ses principes de fonctionnement. Cette proposition s'inscrit dans un enjeu clé pour la robotique d'assistance : passer d'une logique réactive, où le robot exécute des commandes explicites, à une logique proactive, où il interprète le contexte pour anticiper un besoin. Les auteurs soulignent eux-mêmes les limites des approches HAR classiques face à des scénarios d'activité humaine complexes et introduisent des méthodologies contextuelles pour y remédier. Pour les intégrateurs et décideurs industriels, l'intérêt réside moins dans une preuve de déploiement que dans une piste architecturale alternative aux modèles vision-langage-action (VLA) qui dominent actuellement les discours sur l'autonomie robotique : ici, la décision repose sur une combinaison explicite et interprétable de reconnaissance d'activité et d'arbres de comportement, plutôt que sur un modèle de bout en bout. Ce travail se situe dans la continuité de l'usage croissant des arbres de comportement en robotique, déjà répandus dans des piles logicielles comme Nav2 ou les systèmes de vol autonome, et s'appuie sur Spot, plateforme quadrupède commerciale largement utilisée en recherche. Il se distingue des approches VLA à grande échelle portées par des acteurs comme Figure, Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2), en misant sur l'interprétabilité plutôt que sur l'apprentissage massif. Aucun calendrier de pilote industriel ni d'implémentation matérielle au-delà de la démonstration conceptuelle n'est annoncé à ce stade.

RecherchePaper
1 source
EDAR : apprentissage de représentations d'actions dépendantes de l'environnement pour la manipulation robotique
4arXiv cs.RO 

EDAR : apprentissage de représentations d'actions dépendantes de l'environnement pour la manipulation robotique

EDAR (Environment-Dependent Action Representation) est une nouvelle méthode d'apprentissage de représentations d'actions pour la manipulation robotique, présentée dans un article publié sur arXiv (référence 2607.11427v1). Le problème que les auteurs cherchent à résoudre est que les trajectoires de contrôle brutes utilisées pour entraîner des politiques robotiques sont bruitées, redondantes et difficiles à modéliser telles quelles. Les approches existantes se contentent généralement d'encoder la structure du flux d'actions lui-même, sans tenir compte explicitement de l'environnement dans lequel ces actions sont exécutées. EDAR propose au contraire de coupler les commandes moteur avec leurs effets visuels attendus, conditionnés par le contexte de la scène, afin que la représentation apprise capture la sémantique de l'interaction plutôt que de simples motifs au niveau des commandes. Les auteurs ont testé leur méthode sur des bancs d'essai de manipulation à la fois simulés et sur robot réel. Cette approche s'attaque à un angle mort connu des architectures VLA (vision-language-action) actuelles: le même segment d'action peut produire des résultats radicalement différents selon la disposition des objets, les propriétés physiques de la scène ou l'état initial de l'environnement. En ancrant les tokens d'action dans les conséquences visuelles attendues plutôt que dans la seule structure de commande, EDAR vise à améliorer la généralisation des politiques apprises, en particulier sur des tâches de manipulation à long horizon, où les erreurs de représentation s'accumulent au fil des étapes. Pour les équipes qui développent des politiques de manipulation généralistes, ce type de travail illustre une tendance de fond: le passage d'une modélisation purement centrée sur le contrôle vers des représentations conjointes action-perception, jugées nécessaires pour que les modèles de fondation robotiques (dans la lignée de GR00T N2, Pi-0 ou Helix) tiennent leurs promesses au-delà des démonstrations en environnement contrôlé. Le papier s'inscrit dans un courant de recherche plus large sur les représentations d'actions pour la robotique, où plusieurs travaux récents ont exploré la tokenisation d'actions, l'apprentissage par imitation conditionné par la vision, ou les modèles du monde pour anticiper les conséquences des actions. EDAR se positionne comme une contribution méthodologique plutôt qu'un produit ou un système déployé: il n'y a pas d'annonce de déploiement industriel ni de partenariat commercial associé à ce travail, qui reste à ce stade une publication de recherche évaluée sur des bancs d'essai académiques. Les prochaines étapes attendues pour ce type de travaux sont généralement l'intégration dans des pipelines VLA plus larges et des tests de transfert sur des plateformes robotiques commerciales, mais aucune feuille de route de ce type n'est mentionnée dans l'abstract.

RecherchePaper
1 source