RechercheRobohub 31 août 2026

Quand les robots humanoïdes expressifs manquent de naturel, ils inspirent la méfiance (étude cérébrale)

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une étude publiée dans la revue Science Robotics par Hasan Ayaz (Drexel University), Ewart J. de Visser (US Air Force Academy), Frank Krueger (George Mason University) et Yigit Topoglu (US Air Force Academy) montre que les erreurs d'un robot humanoïde expressif rendent les humains plus méfiants, et non moins. Les chercheurs ont fait dialoguer et prendre des décisions communes à 50 participants avec Pepper, un robot commercial conçu pour être expressif et reconnaître les émotions. Le robot donnait tantôt des conseils pertinents, tantôt des réponses fautives, coupant la parole ou proposant des suggestions illogiques. Une partie des participants voyait un Pepper animé, avec gestes, contact visuel et hochements de tête, l'autre un robot totalement immobile. L'équipe a mesuré simultanément l'activité cérébrale, le taux d'ocytocine, la confiance déclarée et l'influence réelle du robot sur les choix des participants. Pour suivre le cerveau pendant une conversation naturelle, sans immobiliser les sujets dans un scanner IRM, les chercheurs ont utilisé la spectroscopie proche infrarouge fonctionnelle, un capteur portable placé sur le front qui mesure l'oxygénation cérébrale. Résultat central: face aux erreurs d'un robot expressif, le taux d'ocytocine augmentait, mais plus il montait, moins les participants faisaient confiance au robot et moins ils suivaient ses conseils, l'hormone traduisant ici de la suspicion plutôt que de l'attachement.

Cette découverte contredit une hypothèse répandue dans la conception de robots destinés aux foyers, hôpitaux et lieux de travail: qu'un robot expressif et proche du vivant inspirerait davantage confiance et resterait crédité malgré ses erreurs. L'étude suggère l'inverse, un signal important pour les concepteurs de robots sociaux et les décideurs qui déploient ces machines en contact avec le public. L'expressivité change la manière dont le cerveau catégorise une erreur: chez un robot immobile, la faute reste perçue comme un dysfonctionnement mécanique, alors que chez un robot animé, elle mobilise les mêmes circuits que ceux utilisés pour juger le comportement d'une autre personne, avec un coût direct en confiance et en adoption.

Sur le plan cérébral, les erreurs d'un robot animé activaient et faisaient travailler ensemble deux régions, le cortex préfrontal dorsolatéral, qui détecte les violations d'attente et de normes, et le cortex préfrontal médian, impliqué dans l'inférence des intentions d'autrui, cette coordination accrue prédisant la hausse d'ocytocine puis la chute de confiance. Cette signature disparaissait chez les participants exposés au robot expressionless. L'étude s'inscrit dans un courant de recherche qui traite la confiance envers les machines comme un phénomène à plusieurs niveaux, individuel, relationnel, social, et dans une littérature sur l'ocytocine jusqu'ici centrée sur les interactions humain-humain, où ses effets se révèlent dépendants du contexte, de l'incertitude perçue et de la perception de menace, ouvrant la voie à d'autres travaux sur la robotique sociale.

Impact France/UE

Étude américaine sans acteur français ni européen direct, mais ses conclusions concernent la conception des robots sociaux comme Pepper, largement déployés en Europe pour l'accueil et le service.

À lire aussi

1Interesting Engineering

Robots humanoïdes expressifs : la confiance grandit, mais les erreurs la font chuter rapidement

Une étude de l'université Drexel montre que la confiance envers les robots humanoïdes expressifs s'effondre plus vite qu'elle ne s'était installée dès la première erreur. Cinquante adultes ont interagi avec Pepper, robot conçu à l'origine par la société française Aldebaran Robotics avant son rachat par SoftBank, décliné en deux versions : l'une expressive, avec contact visuel, hochements de tête, gestes et acquiescements verbaux type "uh-huh" ; l'autre immobile, délivrant le même dialogue scripté sans aucun signal non verbal. Chaque participant a suivi trois sessions, les deux premières sans erreur pour établir la confiance, la troisième introduisant volontairement des ratés conversationnels (réponses hors sujet, interruptions, raisonnements incohérents, demandes de répétition) plutôt que des pannes mécaniques. Fait rare pour ce type d'étude, les chercheurs ont croisé quatre mesures simultanées : activité cérébrale par spectroscopie proche infrarouge fonctionnelle (fNIRS) portable, taux d'ocytocine salivaire, notes de confiance déclarées et décisions comportementales réelles. Le robot expressif captait davantage l'attention et influençait plus les choix des participants tant qu'il ne se trompait pas. Mais dès l'apparition d'erreurs, sa capacité à peser sur les décisions a chuté de plus de moitié, un effondrement plus marqué que pour la version immobile. Les IRM ont montré que les erreurs du robot expressif activaient le cortex préfrontal dorsolatéral et médian, zones impliquées dans le raisonnement social, signe que les participants traitaient ces ratés comme une trahison sociale plutôt qu'un simple bug technique. À l'inverse, les erreurs du robot immobile étaient perçues comme de simples défaillances système, avec une réaction neurale plus faible. Pour les concepteurs de robots sociaux destinés à la santé, l'éducation, le service client ou le domicile, le message est clair : plus un robot paraît humain, plus l'expérience utilisateur devient fragile face à l'erreur, ce qui interroge directement les stratégies actuelles misant sur l'expressivité pour vendre l'adoption. Résultat inattendu, l'ocytocine, hormone habituellement associée au lien social, augmentait après les erreurs des deux robots alors même que la confiance chutait. Les chercheurs y voient un signal de vigilance accrue face à un comportement social jugé peu fiable, plutôt qu'un marqueur d'attachement renforcé. Contrairement aux études précédentes sur la confiance homme-robot, majoritairement fondées sur de simples questionnaires déclaratifs, ce protocole multimodal permet d'observer en temps réel la dynamique neurologique, physiologique et comportementale des interactions. L'étude ne fournit pas de calendrier de déploiement ni d'acteur industriel précis pour intégrer ces résultats, mais elle pose un jalon méthodologique pour l'évaluation des interfaces sociales robotiques, à un moment où healthcare, retail et éducation multiplient les pilotes avec des humanoïdes conversationnels.

RecherchePaper

1 source

2arXiv cs.RO

Dans quelle mesure le niveau d'obésité perçu des robots humanoïdes influence-t-il la confiance que leur accordent les personnes ?

Une étude publiée sur arXiv (version 2, remplaçant une préversion antérieure) s'attaque à une question inédite en interaction humain-robot: l'influence du niveau d'obésité perçu d'un robot humanoïde sur la confiance qu'on lui accorde. Les chercheurs soulignent d'abord un problème méthodologique: l'indice de masse corporelle (IMC), outil standard pour mesurer l'obésité chez l'humain, n'a aucun sens appliqué à un robot. Ils ont donc conçu une étude intra-sujets où des participants répondaient à un questionnaire en ligne préalablement validé tout en visualisant deux images de robots humanoïdes, l'un présentant une corpulence standard, l'autre une corpulence perçue comme élevée. Résultat principal: les robots perçus comme moins "obèses" recueillent une confiance significativement plus élevée que leurs équivalents à corpulence perçue plus forte. Pour l'industrie robotique, ce travail ajoute une variable de design largement ignorée jusqu'ici. Les travaux antérieurs en HRI avaient déjà établi que la taille ou la hauteur d'un robot modifient la confiance perçue, mais jamais la silhouette ou la corpulence n'avait été isolée comme facteur. Pour les fabricants de robots humanoïdes destinés à l'entrepôt, au domicile ou aux services d'accueil, ce résultat suggère que les choix esthétiques de carrosserie et de proportions corporelles pèsent sur l'acceptation utilisateur au même titre que des spécifications fonctionnelles comme la charge utile ou le nombre de degrés de liberté. Cela invite aussi à développer des échelles perceptuelles spécifiques aux robots, puisque les métriques humaines classiques comme l'IMC ne se transposent pas. Sur le plan méthodologique, l'étude s'appuie sur une comparaison contrôlée de deux images plutôt que sur une interaction avec des robots physiques, une approche peu coûteuse pour un premier tri de morphologies mais qui laisse ouvertes des questions de réplication en conditions réelles, de biais culturels dans la perception de la corpulence, et d'effets à long terme lors d'interactions répétées. Elle s'inscrit dans une littérature HRI encore jeune sur les déterminants visuels de la confiance envers les robots, aux côtés des travaux sur la taille, le genre perçu ou le degré d'anthropomorphisme, et ouvre la voie à des études de suivi sur des prototypes physiques plutôt que des images statiques.

RecherchePaper

1 source

3arXiv cs.RO

Quand les robots nous comprennent mal : les risques de sécurité de l'IA incarnée à commande vocale

Une étude publiée sur arXiv (arXiv:2608.28518v1, catégorie cross-listing) le 31 août 2026, intitulée "When Robots Mishear Us: Mapping the Safety Risks of Voice-Controlled Embodied AI", examine si les erreurs de reconnaissance vocale automatique (ASR) dans les commandes utilisateur peuvent conduire des modèles d'IA incarnée (Embodied AI) à exécuter des instructions dangereuses. Les auteurs simulent des erreurs ASR typiques et les combinent avec deux benchmarks de sécurité existants, SafeAgentBench et POEX, pour mesurer l'effet de différents types d'erreurs sur le comportement des modèles. Résultat central : certaines erreurs de transcription préservent la structure grammaticale de la phrase mais introduisent une ambiguïté qui devient dangereuse une fois exécutée par le robot, tandis que d'autres affaiblissent directement le mécanisme de refus du modèle, permettant la génération et l'exécution de plans d'action nuisibles qui auraient normalement été bloqués. La correction automatique des erreurs ASR réduit le risque dans certains cas, mais l'étude montre que cet effet n'est pas systématique. Globalement, les chercheurs concluent que les erreurs ASR constituent un facteur de risque significatif pour la sécurité des systèmes d'IA incarnée. Ce travail met en évidence une surface d'attaque souvent négligée dans la sécurisation des robots à commande vocale : le maillon de transcription lui-même, en amont du modèle de langage ou de planification. Pour les intégrateurs qui déploient des interfaces vocales sur des robots humanoïdes ou des bras manipulateurs, cela signifie qu'un audit de sécurité centré uniquement sur le comportement de refus du modèle de langage reste incomplet si le pipeline vocal en amont n'est pas testé pour sa robustesse aux erreurs de transcription. Le résultat contredit l'hypothèse implicite selon laquelle un alignement de sécurité validé sur des commandes textuelles propres garantit la sécurité en usage réel, où le bruit ambiant, les accents ou les homophones dégradent la fidélité de l'ASR, notamment dans des environnements industriels bruyants. L'article s'inscrit dans la lignée des benchmarks de sécurité pour agents incarnés comme SafeAgentBench et POEX, qui évaluaient jusqu'ici la robustesse face à des prompts textuels malveillants ou ambigus sans modéliser la couche de reconnaissance vocale. Il s'agit d'une contribution de recherche académique, sans lien avec un déploiement commercial ou un robot spécifique. Les auteurs appellent implicitement à intégrer des vérifications de sécurité cross-modales, capables de détecter les incohérences entre l'intention probable de l'utilisateur et le texte transcrit, avant toute exécution d'action physique par le robot.

RechercheActu

1 source

4arXiv cs.RO

Étude empirique : qu'est-ce qui compte dans le suivi de mouvement général des humanoïdes ?

Une équipe de recherche a publié une étude empirique sur les facteurs qui déterminent la qualité des politiques de suivi de mouvement pour humanoïdes, accompagnée d'un framework open-source baptisé YAHMP, testé sur le robot Unitree G1. Les auteurs ont défini une configuration nominale puis fait varier isolément plusieurs choix de conception courants dans les pipelines d'imitation de mouvement : la représentation des commandes de mouvement, l'historique d'observation utilisé par la politique, la représentation de l'action, le profil d'actionnement, l'ajout d'une randomisation de force appliquée aux mains pendant l'entraînement, et l'approche d'entraînement elle-même. Ces variantes ont été évaluées sur un jeu de test de mouvements humains retargetés vers le squelette du robot, avec TWIST2 comme référence externe entraînée sur le même corpus de mouvements. Les politiques issues de YAHMP ont ensuite été déployées en zero-shot sur un G1 réel, démontrant un suivi de mouvements variés en tout le corps, un maintien de l'équilibre face à des perturbations externes, et une capacité d'interaction physique forcée. L'intérêt principal de ce travail n'est pas une nouvelle performance record, mais une clarification méthodologique rare dans un domaine où les papiers annoncent souvent des résultats sans isoler l'effet de chaque choix d'architecture ou d'entraînement. En distinguant les paramètres qui influencent réellement la précision du suivi de ceux qui ne modifient que l'effort d'actionnement, la complexité d'entraînement ou la capacité d'interaction physique, l'étude fournit une base concrète pour rationaliser la conception des pipelines VLA et d'imitation de mouvement, un sujet critique alors que l'industrie cherche à transférer des politiques de simulation vers des déploiements réels fiables. Ce travail s'inscrit dans la lignée des recherches sur le contrôle whole-body des humanoïdes via imitation de mouvement, un axe où le Unitree G1 s'est imposé comme plateforme de référence pour la recherche académique grâce à son coût et son accessibilité. La comparaison directe avec TWIST2 positionne YAHMP comme un outil de benchmarking reproductible plutôt qu'un simple système propriétaire, les auteurs ayant choisi l'ouverture du code comme condition de validation de leurs conclusions.

RecherchePaper

1 source