RecherchearXiv cs.RO 5 août 2026

Mixed-Initiative : le travail d'équipe humain-robot en situation de sous-optimalité avec adaptation bayésienne en ligne

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Le travail, publié en version mise à jour sur arXiv (2403.16178v2) sous le titre "Mixed-Initiative Human-Robot Teaming under Suboptimality with Online Bayesian Adaptation", s'attaque à un biais courant dans la recherche en collaboration homme-robot: la plupart des modèles existants supposent qu'au moins un des deux partenaires, humain ou machine, agit de façon quasi optimale. Or, dans les situations réelles, humains comme agents autonomes ne disposent souvent que d'une connaissance partielle de l'environnement et agissent tous deux de manière sous-optimale, avec des capacités asymétriques. Les auteurs développent une approche bayésienne en ligne permettant à un robot d'inférer, pendant une tâche de décision séquentielle, la propension de son partenaire humain à suivre ses suggestions d'assistance, puis d'ajuster en conséquence son style d'intervention. Des études utilisateurs viennent étayer la méthode: les préférences des participants et la performance globale de l'équipe varient nettement selon le degré d'initiative pris par le robot, et l'approche proposée améliore la performance objective de l'équipe (p<.001), ainsi que des mesures subjectives comme la confiance envers le robot (p<.001) et la volonté de suivre ses recommandations (p<.001).

Pour les concepteurs de systèmes homme-machine, la portée dépasse le cadre académique: cela suggère qu'un cobot ou un assistant robotique ne devrait pas se contenter d'exécuter un plan jugé optimal, mais apprendre en continu à quel point son opérateur humain lui fait confiance et adapter son niveau d'intervention en conséquence, une approche dite "mixed-initiative" où l'initiative de l'action bascule dynamiquement entre les deux parties. C'est un argument concret contre les démonstrations de laboratoire où l'humain est scripté pour se comporter de façon idéale, et un pas vers des architectures de collaboration plus robustes pour l'industrie, la logistique ou l'assistance, où l'imprévisibilité et les erreurs humaines sont la norme plutôt que l'exception.

Le papier s'inscrit dans un courant de recherche en robotique interactive qui cherche à dépasser les hypothèses simplificatrices des modèles de théorie des jeux ou d'apprentissage par renforcement multi-agents, généralement testés entre agents artificiels supposés rationnels. En repositionnant l'humain comme partenaire imparfait plutôt que comme oracle de référence, ce travail rejoint les efforts plus larges sur l'adaptation en ligne et l'inférence de préférences dans les systèmes homme-robot, un axe amené à prendre de l'importance à mesure que les robots collaboratifs sortent des environnements contrôlés pour opérer aux côtés d'opérateurs aux compétences et à la disponibilité variables.

Dans nos dossiers

Cobots & robots collaboratifs arXiv cs.RO

À lire aussi

1arXiv cs.RO

Adaptation spatio-temporelle multi-cycles dans le travail en équipe humain-robot

Une équipe de chercheurs a publié sur arXiv (ref. 2404.19670) un framework baptisé RAPIDDS, conçu pour améliorer la collaboration entre humains et robots dans des environnements industriels répétitifs, typiquement les lignes de fabrication. Le système opère sur plusieurs cycles de travail successifs : à chaque cycle, il apprend les comportements spatiaux (trajectoires réelles empruntées par l'opérateur) et temporels (temps effectifs de réalisation de chaque tâche) propres à l'individu face à lui. Ces modèles personnalisés alimentent ensuite deux mécanismes couplés : un planificateur de tâches qui réorganise allocations et séquençages, et un modèle de diffusion qui steer les trajectoires du robot en temps réel pour éviter les zones de proximité critique. Les expériences ont été conduites en simulation, puis sur un bras robotique à 7 degrés de liberté (7-DOF) dans un scénario physique, et validées par une étude utilisateur portant sur 32 participants (n=32). Les résultats montrent une amélioration significative sur des indicateurs objectifs (efficacité, distance de proximité) et subjectifs (fluidité perçue, préférence utilisateur) par rapport à un système non adaptatif. L'apport central de RAPIDDS réside dans la jonction de deux niveaux d'adaptation longtemps traités séparément dans la littérature. Les méthodes de planification de tâches optimisaient l'allocation et le séquençage mais ignoraient les interférences spatiales en situation de proximité étroite ; les méthodes de niveau motion se concentraient sur l'évitement de collision sans tenir compte du contexte global de la tâche. Unifier les deux, en les calibrant sur un modèle individuel mis à jour cycle après cycle, représente un changement concret de posture pour les déploiements industriels : le robot ne s'adapte pas à un opérateur générique, mais à la personne précise qui travaille ce jour-là, avec ses rythmes et ses habitudes de déplacement. Ce travail s'inscrit dans un courant plus large d'utilisation des modèles de diffusion pour la génération de trajectoires robotiques, un terrain que des acteurs comme Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2) exploitent côté manipulation généraliste. RAPIDDS se distingue par sa focalisation sur la couche adaptation humain-robot plutôt que sur la polyvalence du modèle de motion. Le papier reste pour l'instant un preprint arXiv non encore soumis à peer-review, et aucun déploiement industriel ni partenariat avec un intégrateur n'est mentionné. La prochaine étape naturelle serait une validation sur des opérateurs en conditions réelles de production, avec une diversité de profils moteurs, pour tester la robustesse de la personnalisation au-delà d'un environnement contrôlé.

RecherchePaper

1 source

2arXiv cs.RO

Adaptation mutuelle dans le co-transport humain-robot avec incertitude sur les préférences humaines

Une équipe de chercheurs a publié en mars 2025 sur arXiv (référence 2503.08895) un cadre unifié de co-transport humain-robot fondé sur l'adaptation mutuelle, visant à résoudre un problème central de la robotique collaborative physique : comment un robot peut-il s'adapter en temps réel à un partenaire humain dont les préférences de trajectoire sont incertaines, et réciproquement ? L'article propose trois contributions distinctes. Plutôt que de fixer a priori les paramètres comportementaux du partenaire, les auteurs modélisent une distribution de probabilité sur l'ensemble des préférences possibles. Ils introduisent ensuite une mesure d'obstination (stubbornness) variant dans le temps, qui détermine dynamiquement si le robot doit mener la trajectoire ou céder la direction à l'humain lorsque celui-ci manifeste une préférence forte et persistante au-delà d'un seuil défini. Enfin, une stratégie d'optimisation de posture s'applique au niveau du contrôle bas-niveau pour compenser les comportements imprévisibles quand l'humain prend les commandes. Le cadre a été validé auprès de vingt participants, complété par des simulations comparatives. Ce travail adresse un verrou technique majeur pour les robots collaboratifs physiques en logistique, industrie et assistance à la personne : l'écart entre les modèles humains supposés et la variabilité réelle des opérateurs. En introduisant une modélisation probabiliste plutôt que déterministe des préférences, le framework évite le blocage classique des systèmes à paramètres fixes qui échouent dès que l'humain dévie du comportement anticipé. Pour un intégrateur ou un COO industriel, le signal concret est que des robots de co-manutention pourraient s'adapter à différents opérateurs sans reprogrammation, réduisant les coûts de déploiement multi-site. La bascule dynamique entre modes "robot meneur" et "humain meneur" offre par ailleurs une flexibilité opérationnelle utile dans des contextes où l'ergonomie ou la sécurité prime sur l'optimisation de trajectoire. Le co-transport physique humain-robot reste peu industrialisé comparé aux AMR ou aux cobots de type Universal Robots et FANUC CRX. Les approches antérieures à impédance variable ou fondées sur des modèles de jeu de Stackelberg avaient posé des bases théoriques, mais butaient sur la rigidité des hypothèses comportementales. Ce papier s'inscrit dans une tendance plus large à intégrer l'incertitude humaine dans la boucle de contrôle, direction explorée notamment par le MIT CSAIL et, en France, par l'INRIA au travers de travaux sur la planification collaborative. Les prochaines étapes probables incluent des validations en environnement industriel réel et l'extension à des tâches multi-étapes, où la gestion de l'obstination sur des horizons temporels plus longs constituera un défi supplémentaire.

UEL'INRIA mène des travaux sur la planification collaborative dans la même direction, positionnant la recherche française pour contribuer à des solutions de co-manutention adaptatives qui pourraient bénéficier aux intégrateurs industriels européens à moyen terme.

RecherchePaper

1 source

3arXiv cs.RO

Vers une adaptation en ligne de l'interaction robotique aux déficiences de mobilité du membre supérieur en contexte de retour au travail

Une équipe de recherche propose un nouveau cadre d'interaction homme-robot en ligne conçu pour s'adapter aux limitations de mobilité du membre supérieur, dans la perspective de faciliter le retour au travail de personnes en situation de handicap. Contrairement aux approches classiques de collaboration homme-robot qui supposent un utilisateur valide, ce framework intègre un modèle de mobilité spécifique à certaines limitations articulaires directement dans un contrôleur optimal hiérarchique, permettant au robot de générer un comportement réactif et adapté en temps réel. Le système a été testé sur des tâches de remise d'objet (handover) avec un manipulateur mobile, en simulant plusieurs types de déficiences: arthrite du coude, arthrite de l'épaule et blocage du poignet, dans des configurations debout et assise avec contraintes de tâche. Les auteurs ont comparé quantitativement et qualitativement leur méthode à des approches ergonomiques de pointe déjà établies dans le domaine de l'interaction homme-robot. Les résultats préliminaires montrent que le framework parvient à personnaliser l'interaction selon l'amplitude de mouvement réellement disponible de l'utilisateur, tout en encourageant l'usage des articulations en fonction de la sévérité de leurs limitations fonctionnelles. Pour les intégrateurs et les décideurs industriels, ce travail touche à un angle mort réel de la robotique collaborative: la quasi-totalité des cobots et bras manipulateurs déployés en usine ou en entrepôt sont calibrés pour des corps valides, ce qui exclut de fait une partie de la main-d'œuvre après un accident du travail ou une maladie chronique. Un contrôleur capable d'ajuster dynamiquement sa trajectoire et son rythme à la mobilité résiduelle d'un opérateur ouvre la voie à des postes de travail réellement inclusifs, plutôt qu'à des aménagements génériques. Cela s'inscrit aussi dans une tendance plus large de l'HRI vers la personnalisation en ligne, par opposition aux profils utilisateurs figés définis à l'avance. Ce papier, republié en v2 sur arXiv, s'appuie sur la littérature existante de l'interaction ergonomique homme-robot, qu'il cherche explicitement à dépasser via des comparaisons directes. Il ne s'agit pour l'instant que de résultats préliminaires en conditions de laboratoire avec des déficiences émulées plutôt que des sujets réellement atteints, une étape de validation clinique restant nécessaire avant tout déploiement en environnement de travail réel.

RecherchePaper

1 source

4arXiv cs.RO

Active Trust Management pour un travail d'équipe humain-robot réussi : passer d'une réparation à une satisfaction de la confiance

Le Fil Robotique n'a pas grand-chose à voir avec cet article de recherche (papier trust HRT), mais je le traduis quand même, voici le résultat : Un nouvel article publié sur arXiv (référence 2607.13595, juillet 2026) propose un cadre de gestion de la confiance pour les équipes homme-robot amenées à opérer dans des environnements dangereux, typiquement des missions de recherche en zone à risque avec des robots mobiles. Les auteurs distinguent deux approches : la "réparation de confiance", qui intervient après coup lorsqu'un robot commet une erreur ou semble s'écarter des priorités de la mission, et la "satisfaction de confiance" ("trust satisficing"), une approche proactive qui part du principe que le niveau de confiance fluctue en permanence selon le contexte, même en fonctionnement normal. Le cadre qu'ils esquissent repose sur trois piliers : la mesure en continu de métriques proxy de la confiance, l'adaptation en boucle fermée du comportement du robot, et une autonomie variable laissant à l'humain la responsabilité des décisions engageant un jugement de valeur. Les auteurs s'appuient sur une étude expérimentale récente portant sur la notion de "confiance rapide" (swift trust) et sur une nouvelle métrique comportementale de confiance conçue spécifiquement pour les équipes homme-robot. L'enjeu dépasse la recherche académique : à mesure que les robots mobiles gagnent en autonomie décisionnelle grâce à l'IA, au lieu de rester de simples systèmes téléopérés, la confiance entre humains et machines devient un facteur critique de réussite de mission, potentiellement aussi déterminant que la fiabilité technique elle-même. Pour les intégrateurs et décideurs qui déploient des robots autonomes en environnement industriel ou à haut risque, ce travail pointe un angle mort fréquent des feuilles de route produit : la confiance n'est pas un état binaire acquis une fois pour toutes après un test réussi, mais une variable dynamique qu'il faut mesurer et réguler en continu pendant l'opération. Ce positionnement s'inscrit dans la continuité des travaux en interaction homme-robot (HRI) et en psychologie des équipes, jusqu'ici centrés sur la réparation de confiance après incident. Il s'agit ici d'un article de perspective, qui formule un cadre conceptuel plutôt qu'un système validé à grande échelle, et les auteurs identifient explicitement plusieurs pistes de recherche encore ouvertes.

RecherchePaper

1 source