RecherchearXiv cs.RO 27 août 2026

PARAssist : un cadre pour une assistance robotique personnalisée et adaptative face aux requêtes ambiguës

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche présente PARAssist (Personalized and Adaptive Robotic Assistance), une architecture logicielle décrite dans un article publié sur arXiv sous la référence 2608.24905v1 (catégorie cross-listing), conçue pour les robots de service confrontés à des requêtes ambiguës. Le système s'appuie sur des modèles vision-langage pour évaluer les exigences physiques et cognitives des tâches demandées, puis apprend de façon passive les préférences de l'utilisateur en comparant les tâches qu'il accomplit seul à celles qu'il délègue au robot. Lorsqu'une requête ambiguë survient, PARAssist génère des candidats de tâches à partir de l'historique des actions, activités, déplacements, conversations et demandes de l'utilisateur, croisé avec l'état courant de la personne et de son environnement, avant de confronter ces candidats au modèle de préférence appris pour suggérer les options d'assistance les plus pertinentes. Les expériences menées par les auteurs montrent que cette personnalisation permet d'aligner la désambiguïsation sur les besoins exprimés lors des demandes antérieures, et une étude d'ablation confirme l'apport de chacun des composants principaux.

Ce travail s'attaque à un point aveugle récurrent des robots d'assistance : la plupart des systèmes actuels traitent les commandes comme explicites ou s'appuient sur des profils utilisateurs configurés manuellement, alors que les demandes réelles sont souvent vagues et dépendent du contexte. En démontrant qu'un modèle de préférence peut s'apprendre passivement, sans questionnaire ni calibration explicite, PARAssist ouvre une piste pour réduire la charge de configuration des robots destinés aux environnements domestiques ou aux soins à la personne. Il s'agit toutefois d'une contribution de recherche évaluée expérimentalement, sans indication de déploiement réel ni de partenariat industriel dans l'article, une nuance importante pour les intégrateurs qui chercheraient une solution prête à l'emploi.

Cette publication s'inscrit dans un courant académique plus large qui cherche à combiner modèles vision-langage et apprentissage de préférences pour la robotique de service, un axe distinct des annonces commerciales de robots humanoïdes centrées sur la dextérité manipulatoire. Aucun acteur industriel, français ou étranger, n'est cité dans l'article, qui reste à ce stade un travail de recherche expérimentale sans calendrier de déploiement ni pilote annoncé. Les prochaines étapes attendues pour ce type d'approche porteraient sur des tests en conditions réelles avec des utilisateurs et une intégration à des plateformes robotiques de service existantes.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Assistance robotique proactive et personnalisée par raisonnement LLM guidé par l'incertitude

Des chercheurs ont publié le 9 juin 2026 sur arXiv (2606.08458) GLOBE, un framework léger pour l'assistance robotique proactive en environnement domestique. Le principe : combiner des modèles de Markov n-grammes, qui capturent les patterns comportementaux temporels d'un utilisateur, avec un raisonnement par grand modèle de langage (LLM) déclenché uniquement lorsque la confiance du modèle prédictif passe sous un seuil. Ce mécanisme d'invocation sélective réduit la charge computationnelle par rapport aux architectures spatio-temporelles classiques. L'équipe introduit également HOMER-Noise, une extension bruitée du dataset HOMER+, qui simule des perturbations structurées réalistes : déplacements d'objets causés par des humains, des animaux domestiques ou des jeunes enfants. Le framework est validé en preuve de concept sur un manipulateur mobile Stretch 3 de Hello Robot, dans des scénarios d'interaction humain-robot à domicile. L'intérêt principal de GLOBE réside dans son positionnement hybride : plutôt que de faire tourner un LLM en continu sur chaque prédiction d'activité, le système n'y fait appel que sur les cas ambigus, ce qui le rend potentiellement déployable sur du matériel embarqué à ressources limitées. Les résultats annoncés montrent des performances compétitives face aux méthodes état de l'art, y compris en conditions bruitées, là où les approches purement neuronales se dégradent. Cette robustesse aux perturbations environnementales non contrôlées est un verrou connu pour le déploiement domestique réel. Il faut toutefois noter qu'il s'agit d'un preprint arXiv sans peer review, et que la validation sur Stretch 3 reste au stade de démonstration de concept, pas d'un déploiement opérationnel. GLOBE s'inscrit dans un courant de recherche qui cherche à réconcilier les LLMs, puissants mais coûteux, avec les contraintes temps réel de la robotique embarquée. Des approches similaires existent chez des équipes travaillant sur les VLAs (Vision-Language-Action models), comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, mais celles-ci ciblent surtout la manipulation industrielle plutôt que l'assistance cognitive à domicile. Le dataset HOMER-Noise comble un manque réel dans l'évaluation de la robustesse des systèmes d'anticipation d'activités. Les prochaines étapes logiques seraient une évaluation sur des déploiements multi-utilisateurs prolongés et une comparaison directe avec des baselines LLM-only pour quantifier précisément le gain computationnel revendiqué.

RecherchePaper

1 source

2arXiv cs.RO

COOL : apprentissage de l'appartenance des objets guidé par la curiosité pour une assistance robotique personnalisée

Des chercheurs présentent COOL (Curiosity-Driven Object Ownership Learning), un cadre logiciel pour robots qui apprend de façon autonome à qui appartiennent les objets d'un environnement et entretient une mémoire spatiale à long terme de ce dernier. Publié sur arXiv (2610.09358v1), le travail vise des requêtes en langage naturel du type « Où est mon sac à dos ? » ou « Trouve ma bouteille ». Le robot doit y raisonner simultanément sur des instances d'objets, des personnes, des lieux et des relations de propriété. COOL infère ces relations à partir d'observations quotidiennes d'interactions entre humains et objets, car la propriété n'est presque jamais annotée explicitement. Pour garder sa mémoire à jour, le système emploie une stratégie de collecte de données pilotée par un agent et guidée par la curiosité. Elle envoie le robot vers les emplacements les plus informatifs afin de rafraîchir les observations devenues obsolètes. Les auteurs affirment l'avoir validé par des expériences hors ligne, des études d'ablation et des évaluations en conditions réelles. Le résumé ne donne ni chiffres de performance, ni plateforme robotique, ni taille de l'environnement testé. L'enjeu dépasse la navigation vers un objet : il s'agit de passer de la reconnaissance d'objets à la compréhension sociale de l'espace. Les assistants domestiques, les robots de bureau ou d'hôpital doivent savoir que telle veste appartient à telle personne, sans qu'on le leur ait expliqué. Le travail s'attaque aussi à un point faible des cartes sémantiques statiques : dans un lieu occupé, les objets bougent, et une mémoire figée devient vite fausse. Faire de la fraîcheur de l'information un critère explicite de planification, plutôt qu'un sous-produit de l'exploration, est une piste utile pour tout déploiement long en environnement non contrôlé. Il faut toutefois rester prudent : il s'agit d'un préprint non évalué par les pairs, sans résultats chiffrés visibles dans le résumé, et la part des tests réels dans la validation n'est pas précisée. Aucun produit ni déploiement commercial n'est annoncé. On est au stade de la recherche. Le contexte est celui de la robotique de service, où la personnalisation devient un sujet central à mesure que les modèles vision-langage et les agents à base de grands modèles de langage s'intègrent aux piles de navigation. Les travaux précédents sur les cartes sémantiques, les graphes de scène 3D et la navigation par objet traitaient surtout la catégorie d'un objet (« une bouteille »), rarement son propriétaire. COOL se place sur ce terrain de la mémoire persistante et de la « personnalisation » des assistants. Les prochaines étapes naturelles seraient des évaluations plus longues, avec plusieurs occupants et des changements d'habitudes, ainsi qu'un examen des questions de vie privée que soulève l'observation continue des comportements humains.

RecherchePaper

1 source

3arXiv cs.RO

ARTiS : une pince robotique adaptative pour une manipulation d'outils améliorée en désassemblage

Une équipe de recherche présente ARTiS (Adaptive Robotic Tool Gripper in Disassembly Systems), une pince robotique conçue pour saisir et manipuler des outils lors d'opérations de désassemblage industriel, décrite dans un article publié le 3 septembre 2026 sur arXiv (2609.03362). ARTiS combine trois approches habituellement séparées : l'adaptabilité des pinces souples, la dextérité des mains anthropomorphes et la robustesse des mécanismes rigides, via une paume et des bouts de doigts souples. La préhension s'appuie sur du jamming actif (blocage par le vide) dans la paume et sur une adaptation de type fin-ray au niveau des doigts, qui épousent la forme de l'outil saisi. La pince dispose de sept degrés de liberté, permettant à chaque bout de doigt de s'orienter sur n'importe quelle surface, aussi bien pour des tâches automatisées que collaboratives. Les chercheurs ont testé le système sur une gamme d'outils de désassemblage conventionnels pour évaluer sa compliance mécanique, sa durabilité et sa polyvalence fonctionnelle. Le code, les instructions matérielles et des vidéos de démonstration sont disponibles sur le site du projet. Pour l'industrie robotique, ce travail s'attaque à un problème concret et sous-traité par les solutions actuelles : maintenir un outil de façon stable et fiable pendant qu'on l'utilise activement, un défi que même les préhenseurs adaptatifs récents peinent à résoudre de manière générique. Le désassemblage, contrairement à l'assemblage, implique des pièces usées, des tolérances variables et des outils hétérogènes, ce qui rend les pinces rigides classiques peu robustes et les pinces souples pures insuffisamment précises. Une solution hybride crédible intéresserait directement les intégrateurs travaillant sur le reconditionnement, le recyclage électronique ou la maintenance industrielle, secteurs où la préhension d'outils reste largement manuelle. Il s'agit toutefois d'un prototype de recherche académique évalué en laboratoire, pas d'un produit commercialisé ni déployé en usine. ARTiS s'inscrit dans la lignée des recherches en préhension hybride mêlant matériaux souples et actionnement rigide, un axe déjà exploré par plusieurs laboratoires universitaires pour combler l'écart entre dextérité humaine et robustesse mécanique. L'article ne précise pas l'institution ni les auteurs dans le résumé, mais renvoie vers une page projet dédiée pour les détails matériels. Aucun partenaire industriel, calendrier de commercialisation ni comparaison chiffrée avec des préhenseurs concurrents n'est mentionné à ce stade, ce qui situe cette publication au stade de preuve de concept plutôt que de solution prête à intégrer.

RecherchePaper

1 source

4arXiv cs.RO

PACT : une approche proactive pour l'assistance continue aux tâches en collaboration humain-robot

Des chercheurs ont publié PACT (Proactive Asking for Continual Task Assistance), un framework de collaboration humain-robot sur la durée, soumis sur arXiv en mai 2026 (arXiv:2605.24350). Le problème posé est concret : un assistant robotique déployé sur plusieurs jours ignore initialement les habitudes et préférences de son utilisateur, rendant l'inférence passive peu fiable dès les premières interactions. PACT propose une logique "ask-or-act" : plutôt que d'agir sans certitude, le robot décide à chaque instant s'il doit demander une clarification ou exécuter directement la tâche. Le système combine les observations courantes avec un historique d'interactions multi-jours pour évaluer la suffisance contextuelle avant d'agir. L'implémentation principale repose sur du reinforcement learning, et les auteurs introduisent une nouvelle métrique, la "clarification utility", qui mesure le compromis entre précision de l'assistance et fréquence des interruptions imposées à l'utilisateur. Ce framework répond à un déficit structurel des robots d'assistance actuels : en inférant silencieusement, un robot avec un modèle utilisateur incomplet accumule les erreurs et dégrade rapidement la confiance opérationnelle. PACT inverse la logique -- le robot reconnaît son incertitude et l'exprime plutôt que de la masquer. Pour les intégrateurs envisageant des robots en assistance à domicile, en co-robotique de bureau ou en environnement industriel léger, cette approche réduit la nécessité d'une modélisation préalable exhaustive des préférences utilisateur. Les expériences en scénarios multi-jours montrent des gains consistants en précision et en utilité des clarifications face aux baselines d'inférence passive, bien que la validation sur plateforme matérielle réelle reste à démontrer. Le défi de l'adaptation continue en collaboration humain-robot est partagé par plusieurs axes de recherche actifs, dont les benchmarks domestiques ALFRED et les travaux de personnalisation menés chez Figure, 1X ou Boston Dynamics pour leurs robots humanoïdes. Des équipes européennes -- INRIA, TU Delft -- explorent également ces mécanismes d'apprentissage en contexte prolongé. PACT se distingue en traitant l'incertitude épistémique par le dialogue explicite plutôt que par des mécanismes d'inférence silencieux, une approche complémentaire aux méthodes VLA (Vision-Language-Action) actuellement dominantes. La publication reste un preprint sans validation industrielle annoncée ; l'étape critique sera de quantifier le coût cognitif réel des clarifications répétées pour l'utilisateur dans des contextes de travail prolongés.

UEDes équipes européennes dont l'INRIA (France) et TU Delft (Pays-Bas) travaillent sur des mécanismes similaires d'apprentissage contextuel prolongé, ce qui positionne PACT comme référence pertinente pour la communauté HRI européenne, sans impact industriel direct à ce stade.

RecherchePaper

1 source