RecherchearXiv cs.RO 18 août 2026

GUIDER : évaluation de l'inférence d'intention humaine sans objectif pour la téléopération sur données réelles de robots

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent une évaluation du cadre GUIDER, pour Global User Intent Dual-phase Estimation for Robots, un système probabiliste dit "goal-free" conçu pour inférer l'intention humaine pendant une manipulation robotique téléopérée, c'est-à-dire sans connaître à l'avance l'objet cible visé par l'opérateur. Le système a été testé sur des données réelles enregistrées par un bras robotique, dans trois scénarios d'assistance: préparer du thé et aller chercher un médicament. Pour rendre l'estimation exploitable en conditions réelles, les auteurs ont ajouté une mise à jour probabiliste en ligne, des limites d'espace de travail, un filtrage par plan de support et un mode de préhension qui priorise les zones de prise physiquement faisables. Sur 20 étapes de manipulation réparties dans les trois scénarios, GUIDER a identifié l'intention correcte parmi l'ensemble des candidats de préhension dans 100% des cas, avec un temps moyen de 3,7 secondes avant d'atteindre une prédiction fiable, alors qu'il restait en moyenne 49,6 secondes avant la première prise effective. La stabilité des prédictions atteint 96,4%, pour un temps de calcul de 4,857 secondes (moyenne) et 4,474 secondes (médiane) par phase perceptuelle.

Pour les concepteurs de robots collaboratifs et de systèmes d'assistance, notamment dans le soin à la personne ou la téléopération partagée, ce travail répond à une limite connue des interfaces d'intention: la plupart exigent un objectif prédéfini, ce qui les rend rigides face à des environnements domestiques non structurés. Un système fonctionnant sans objectif fixé à l'avance, avec une marge de près de 46 secondes entre la prédiction fiable et l'action physique, laisse en théorie le temps à un opérateur humain d'intervenir ou de corriger. Il faut toutefois noter que les temps de calcul par phase, proches de 4,5 à 4,9 secondes, restent loin du temps réel et que les tests ont été menés hors ligne sur des données déjà enregistrées, en reproduisant leurs conditions temporelles d'origine, et non lors d'un déploiement en direct avec un utilisateur dans la boucle.

Ce travail s'inscrit dans le champ de la téléopération à autonomie partagée, où l'estimation d'intention sert à assister ou corriger les gestes d'un opérateur distant. En évaluant GUIDER sur des données de bras robotique réel plutôt qu'en simulation, les auteurs cherchent à valider la robustesse du cadre face à des scènes concrètes de manipulation domestique. Les suites naturelles évoquées par ce type d'évaluation sont un déploiement en boucle fermée avec un opérateur humain réel et une extension à d'autres plateformes robotiques et scénarios d'assistance.

Dans nos dossiers

Manipulation robotique

À lire aussi

1arXiv cs.RO

HATS : système de téléopération humain-agent pour la collecte de données multi-bras

Des chercheurs ont publié sur arXiv (référence 2606.16491) un système de télé-opération baptisé HATS (Human-Agent Teleoperation System), conçu pour collecter des données d'entraînement dans des configurations à quatre bras robotiques. Le principe repose sur un découplage du contrôle : un seul opérateur humain télé-opère deux bras principaux directement, tandis qu'un agent basé sur un MLLM (modèle de langage multimodal à grande échelle, non spécifié dans le papier) gère deux bras assistants de façon autonome, sans phase d'entraînement préalable. L'opérateur peut en temps réel corriger le comportement des bras assistants et prévenir des collisions via commandes vocales. Selon les auteurs, l'efficacité de collecte et les taux de réussite obtenus avec HATS sont comparables à ceux d'équipes de deux opérateurs experts humains. Le problème que HATS tente de résoudre est structurant pour le secteur : les scénarios de manipulation industrielle complexes nécessitent souvent plus de deux bras, mais les systèmes de télé-opération existants imposent un arbitrage difficile entre charge cognitive (un seul opérateur gérant tout) et coût de coordination (plusieurs opérateurs synchronisés). En déléguant les sous-tâches à un agent MLLM, HATS réduit la charge sur l'humain sans multiplier les intervenants. Les évaluations en aval (downstream policy evaluations) suggèrent que les données collectées produisent des politiques de manipulation efficaces, mais ces résultats restent auto-rapportés et n'ont pas encore été validés de façon indépendante. La robustesse sur des tâches longues ou à haute précision, là où des corrections vocales pourraient s'avérer insuffisantes, n'est pas encore documentée. La collecte de démonstrations téléopérées est aujourd'hui le principal goulot d'étranglement pour entraîner des politiques de manipulation polyvalentes, notamment dans les approches VLA (Vision-Language-Action, architectures combinant perception visuelle, compréhension du langage et génération d'actions). Des systèmes comme ALOHA de Stanford ou les configurations bimanuelless d'Agility Robotics reposent sur des datasets construits par télé-opération humaine à deux bras. HATS étend cette approche à quatre bras en s'appuyant sur les capacités de raisonnement spatial des MLLM récents pour automatiser les bras secondaires. Cette direction est à suivre de près : si elle se généralisait, elle réduirait significativement le coût humain de construction des datasets d'imitation, un verrou majeur pour le passage à l'échelle des robots manipulateurs.

RecherchePaper

1 source

2arXiv cs.RO

AHEAD : téléopération prédictive de la main par anticipation de l'intention humaine

Cette semaine, un article publié sur arXiv (2607.15172v1) présente AHEAD, un système de téléopération en réalité virtuelle capable d'anticiper les intentions de l'opérateur pour accélérer le contrôle d'un robot manipulateur. Dans la téléopération directe classique, chaque mouvement de la main est retranscrit image par image sur l'effecteur du robot, ce qui offre une précision fine mais impose une surveillance constante et fatigante lors de l'approche, de la saisie et du dépôt d'objets. La téléopération supervisée par objectifs, où l'opérateur fixe des points de passage que le robot atteint via un planificateur, réduit la charge cognitive mais introduit une latence d'attente entre chaque commande. AHEAD combine les deux approches dans un jumeau numérique: l'opérateur effectue des gestes naturels de préhension et de placement, et un classifieur basé sur l'attention analyse une courte fenêtre de signaux 3D de la main et de la tête, associée au contexte de la scène, pour prédire l'objet visé et l'emplacement de dépôt. Une machine à états transforme ensuite ces prédictions en objectifs stables pour le robot, permettant un déclenchement anticipé du mouvement tout en restant robuste face aux prédictions bruitées ou aux corrections gestuelles. Le module de prédiction atteint une précision Top-1 de 76% pour l'identification de l'objet à saisir et 76% pour le créneau de placement cible. Cette approche s'attaque directement à un compromis structurel de la téléopération industrielle: la précision du contrôle direct contre la fluidité du contrôle par objectifs. Pour les intégrateurs travaillant sur des tâches répétitives de pick-and-place télé-opérées, en logistique ou en assemblage, une réduction mesurable de la latence de réaction combinée à une charge opérateur allégée pourrait justifier l'adoption de systèmes hybrides plutôt que le choix binaire actuel entre contrôle manuel intensif et planification automatisée plus lente. L'étude utilisateur associée montre des gains concrets: la latence de réaction du robot diminue de 0,6 seconde pour la reconnaissance d'objet et de 1,4 seconde pour le créneau de placement par rapport aux méthodes de référence, avec une charge de travail perçue par les participants en baisse. Ces résultats s'inscrivent dans un courant de recherche plus large sur la prédiction d'intention humaine en téléopération VR, où l'enjeu est de rapprocher la réactivité de systèmes semi-autonomes de celle du contrôle manuel direct, sans reproduire sa charge cognitive. Le papier ne précise pas de plateforme robotique commerciale ni de partenaire industriel; il s'agit à ce stade d'une contribution méthodologique évaluée en environnement contrôlé, dont la transposition à des cas d'usage industriels réels reste à démontrer.

RecherchePaper

1 source

3arXiv cs.RO

Vers des métriques fondées sur les données pour l'évaluation comparative de la navigation sociale des robots

Une équipe de recherche a publié une métrique d'évaluation entièrement pilotée par les données pour la navigation robotique en environnement social, baptisée SN26. Le travail s'appuie sur un jeu de données de 4427 trajectoires, dont 182 enregistrées sur des robots réels et 4245 générées en simulation, notées ensuite par des évaluateurs humains selon des critères de qualité et d'acceptabilité sociale. Après un contrôle qualité des annotations, 4402 trajectoires notées ont été retenues pour entraîner le modèle. Les auteurs présentent des résultats qualitatifs et quantitatifs, dont la perte de test obtenue, une comparaison directe avec les métriques manuelles utilisées jusqu'ici dans le domaine, ainsi qu'une étude d'ablation détaillant la contribution de chaque composante. L'ensemble des données, du code et des poids du modèle a été rendu public. Cette publication répond à un problème concret pour les équipes qui développent des robots mobiles autonomes destinés à évoluer parmi des humains, entrepôts, hôpitaux, espaces commerciaux : l'absence de métrique standardisée et fiable pour juger si une trajectoire de navigation est socialement acceptable. Jusqu'ici, les métriques reposaient sur des règles conçues à la main, distance minimale aux piétons, vitesse, fluidité, qui peinent à capturer la perception humaine réelle du confort ou de l'intrusion. Une métrique apprise à partir de données réelles et d'annotations humaines pourrait devenir un outil de référence pour comparer objectivement des politiques de navigation, y compris celles entraînées par apprentissage par renforcement, et accélérer le passage de la démonstration en simulation au déploiement en conditions réelles, un des points de friction classiques du secteur robotique. Le sujet s'inscrit dans un effort collectif de la communauté de recherche en navigation sociale, où plusieurs benchmarks et simulateurs concurrents coexistent sans consensus sur la métrique d'évaluation à privilégier. En rendant public le dataset, le code et les poids du modèle SN26, les auteurs cherchent explicitement à fournir une base commune réutilisable par d'autres laboratoires et industriels, plutôt qu'un outil propriétaire fermé. Les prochaines étapes attendues concernent l'élargissement du dataset à davantage de trajectoires réelles et l'adoption de cette métrique par d'autres équipes pour valider sa généralisation au-delà du corpus initial.

RecherchePaper

1 source

4arXiv cs.RO

Évaluation de l'inférence d'affordance sémantique par VLM pour des morphologies robotiques non humanoïdes

Une équipe de chercheurs publie sur arXiv (2604.19509) une évaluation empirique des modèles vision-langage (VLM) pour l'inférence d'affordances sur des robots à morphologie non humanoïde. L'"affordance" désigne ici la capacité d'un modèle à déterminer quelles actions sont physiquement réalisables par un robot donné face à un objet spécifique. Les auteurs ont constitué un jeu de données hybride combinant des annotations réelles de relations affordance-objet et des scénarios synthétiques générés par VLM, couvrant plusieurs catégories d'objets et plusieurs types de morphologies robotiques. Les résultats montrent une généralisation prometteuse aux formes non humanoïdes, mais des performances très variables selon les domaines d'objets. Le constat central est un schéma systématique de faible taux de faux positifs associé à un fort taux de faux négatifs, révélant que les VLM adoptent des prédictions trop conservatrices. Ce biais est particulièrement prononcé pour les outils inédits et les manipulations non conventionnelles. Pour les intégrateurs qui envisagent d'utiliser les VLM comme couche de planification sémantique, ce résultat est structurellement important. Le biais conservateur offre un avantage de sécurité intrinsèque, les robots n'entreprenant pas d'actions impossibles ou dangereuses, mais le taux élevé de faux négatifs freine l'exploitation réelle : le système refuse des tâches qu'il pourrait pourtant accomplir. Pour un architecte de système ou un COO industriel, cela confirme qu'un VLM seul ne peut pas servir de module d'affordance universel pour des cobots ou des AMR (robots mobiles autonomes) aux morphologies spécifiques. Des couches complémentaires, simulation physique ou vérification cinématique, restent nécessaires pour corriger ce défaut sans sacrifier la sécurité. La recherche sur les affordances VLM s'est construite massivement sur des corpus centrés sur l'interaction humain-objet, laissant les robots non humanoïdes structurellement sous-représentés. Des architectures VLA (Vision-Language-Action) comme pi-zero de Physical Intelligence ou GR00T N2 de NVIDIA ont été évaluées principalement sur des tâches de manipulation humain-like. Cette étude pointe un enjeu distinct pour des plateformes comme Spot de Boston Dynamics ou ANYmal d'ANYbotics, dont les effecteurs et degrés de liberté (DOF) diffèrent fondamentalement de la main humaine. Les auteurs proposent des architectures hybrides et des jeux de données morpho-spécifiques comme prochaines étapes pour réduire le biais conservateur tout en préservant les faibles taux de faux positifs, seul acquis de sécurité clairement démontré.

UELes intégrateurs européens déployant des AMR ou cobots non humanoïdes (ANYmal d'ANYbotics, Spot) doivent anticiper des couches de vérification cinématique complémentaires aux VLM avant tout déploiement autonome en planification sémantique.

RechercheOpinion

1 source