RecherchearXiv cs.RO 7 septembre 2026

Développement d'un prototype de robot humanoïde pour l'interaction homme-robot multimodale

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent un prototype de robot humanoïde conçu comme plateforme de test pour l'interaction homme-robot multimodale, détaillé dans un article publié sur arXiv le 5 septembre 2026. Le système repose sur un mécanisme bimanuel à 12 degrés de liberté et une tête à 2 DOF équipée d'un écran LCD expressif capable de simuler des émotions faciales. L'ensemble du matériel est piloté par une carte contrôleur conçue sur mesure, avec traitement IA embarqué en temps réel via un module Jetson. Trois modules d'intelligence artificielle sont intégrés : reconnaissance gestuelle (MediaPipe Pose combiné à un classifieur LSTM), détection d'objets avec localisation 3D (YOLO), et traitement de commandes vocales par reconnaissance de la parole couplée à un modèle de langage (LLM) pour l'analyse sémantique. Les tests de validation rapportent une erreur moyenne de manipulation d'environ 1,83 cm en précision de positionnement, une précision de tâche globale supérieure à 90%, avec 96% pour la reconnaissance gestuelle et 92% pour la reconnaissance vocale.

Ce prototype illustre une tendance de fond dans la recherche robotique : plutôt que de viser des démonstrations spectaculaires, l'accent est mis sur la reproductibilité et l'accessibilité d'une plateforme complète pour l'intégration de modules IA hétérogènes. Pour les laboratoires académiques et les équipes d'intégration disposant de budgets limités, disposer d'une architecture bimanuelle documentée, avec carte de contrôle personnalisée et pipeline multimodal (vision, geste, voix) déjà assemblé, réduit la barrière d'entrée pour prototyper des interactions homme-robot sans dépendre des plateformes commerciales fermées. Les chiffres de précision restent toutefois issus d'un cadre expérimental contrôlé et ne permettent pas de conclure directement sur une robustesse en environnement industriel réel, un point que l'article ne détaille pas davantage.

Le projet s'inscrit dans la lignée des travaux académiques sur les robots compagnons et assistants, où l'expressivité faciale et la fusion de plusieurs canaux de perception (vision, geste, parole) sont recherchées pour rendre l'interaction plus naturelle. Contrairement aux humanoïdes commerciaux orientés manipulation industrielle comme Figure 03 ou Optimus, ce prototype cible explicitement la recherche en HRI et le prototypage reproductible plutôt qu'un déploiement en usine. L'article ne précise ni le nom de l'institution porteuse, ni de calendrier de diffusion ou de partenariat industriel, ce qui situe cette publication au stade de la recherche académique plutôt que d'une annonce produit.

Dans nos dossiers

Figure arXiv cs.RO

À lire aussi

1arXiv cs.RO

Système intelligent d'interaction multimodale cloud-edge pour robots

Une équipe de chercheurs présente un système d'interaction multimodale cloud-edge pour robots, combinant un détecteur de gestes basé sur YOLO avec des agents LLM et VLM (vision-language model) coordonnés à distance. Le détecteur, baptisé YOLO-DC, intègre un module d'attention CBAM (Convolutional Block Attention Module) dans le neck du réseau et remplace la fonction de perte classique de régression des boîtes englobantes par une perte DIoU (Distance-IoU), afin de mieux localiser les gestes petits ou partiellement occultés dans des arrière-plans complexes. Dans l'architecture proposée, le cloud prend en charge la détection des gestes, la compréhension de la scène, la fusion multimodale et la planification des actions, tandis que le robot humanoïde TonyPi, utilisé comme plateforme de test, gère localement l'acquisition de données, la communication, l'exécution des actions et le retour utilisateur. Sur un jeu de données public et un jeu de données maison, YOLO-DC atteint des précisions de 98,9% et 95,0%, avec des mAP@0,5 de 90,7% et 92,7%. À l'échelle du système complet, les taux de réussite s'élèvent à 95% pour les tâches à action unique, 88% pour les tâches à actions composites et 82% pour les tâches dépendant de la vision. Une évaluation menée auprès de 30 participants donne un score de satisfaction moyen de 3,69 sur 5. Ces résultats intéressent surtout les concepteurs de systèmes robotiques low-cost et les chercheurs en interaction homme-robot, car ils illustrent une voie alternative au tout-embarqué: déporter la charge de calcul lourde (détection, raisonnement multimodal, planification) vers le cloud permet d'équiper des plateformes à ressources limitées, comme TonyPi, de capacités proches de celles de robots bien mieux instrumentés. La baisse notable du taux de réussite sur les tâches dépendant de la vision (82%) rappelle toutefois que la fusion multimodale reste le maillon faible, un écart classique entre démonstration contrôlée et usage réel. Ce travail s'inscrit dans la lignée des architectures cloud-edge déjà explorées pour la robotique de service, où la latence réseau et la fiabilité de la liaison restent des contraintes pratiques non abordées ici. Le score de satisfaction obtenu avec un échantillon restreint de 30 participants et une plateforme robotique de démonstration suggère un travail encore exploratoire, dont la généralisation à des robots industriels ou à des environnements moins contrôlés reste à démontrer.

RecherchePaper

1 source

2arXiv cs.RO

Robots humanoïdes : une étude utilisateur compare perception et métriques techniques en interaction homme-robot multimodale

Une étude universitaire portant sur 24 participants montre qu'un gain de 15 points de pourcentage en taux de réussite d'une tâche de préhension d'objets, de 75% à 90%, est perceptible par les utilisateurs lors d'une interaction directe avec un robot. Le système de référence combine Whisper pour la reconnaissance vocale, Florence-2 pour la détection d'objets en vocabulaire ouvert, LLaMA 3.1 pour l'extraction d'actions, et un contrôleur logique flou de type 2 intervalle pour l'exécution des mouvements. La configuration améliorée conserve le même contrôleur mais remplace les modules de perception et de langage par Grounding DINO couplé à SAM et par Qwen 3.5 9B. Dans une étude en sujets répétés, où chaque participant a testé les deux configurations sur la même tâche de saisie d'objets sur table, 17 personnes sur 24 (70,83%) ont préféré le système amélioré, un résultat statistiquement significatif (test binomial exact, p = 0,043). Les trois critères perceptuels évalués sur une échelle de Likert à 7 points, la vitesse ressentie, la fiabilité et la compétence globale, ont tous été notés significativement plus haut pour la version améliorée, avec des tailles d'effet allant de grandes à très grandes après correction de Holm (p < 0,001). L'intérêt de ces travaux dépasse le simple constat qu'un meilleur système est mieux perçu. Ils répondent à une question moins triviale qu'il n'y paraît pour l'industrie robotique: un gain mesuré sur des benchmarks techniques se traduit-il réellement en une différence que l'utilisateur final ressent au contact du robot? Pour les intégrateurs et décideurs qui arbitrent entre plusieurs piles perception-langage-contrôle, souvent sur la seule foi de métriques de laboratoire, cette étude fournit une preuve empirique que l'amélioration des modules de vision et de compréhension du langage a un effet direct sur la confiance et l'acceptabilité perçues, indépendamment du contrôleur moteur qui reste inchangé. Le travail s'inscrit dans une lignée de recherches en interaction homme-robot qui cherche à combler l'écart entre évaluation par benchmark et évaluation centrée utilisateur, un point de friction classique entre recherche en robotique et déploiement réel. L'architecture testée illustre aussi l'évolution rapide des briques génériques mobilisées dans les pipelines de manipulation, passant de Florence-2 et LLaMA 3.1 à des modules plus récents comme Grounding DINO, SAM et Qwen 3.5 9B, sans toucher à la couche de contrôle bas niveau. Les auteurs appellent à systématiser ce type d'évaluation utilisateur en complément des ablations techniques classiques pour tout futur pipeline de manipulation robotique.

RecherchePaper

1 source

3arXiv cs.RO

Élaboration d'un jeu de données HRI multimodal dynamique pour l'analyse de l'engagement avec un robot humanoïde

Une équipe de recherche propose, dans un article publié sur arXiv le 3 septembre 2026 (arXiv:2609.03255v1), un protocole expérimental pour constituer un jeu de données multimodal sur l'engagement des utilisateurs en interaction avec un robot humanoïde. Le dispositif combine trois types de mesures recueillies simultanément : des signaux physiologiques captés par des capteurs portables, des données comportementales observées durant les sessions, et des questionnaires d'auto-évaluation, le tout collecté sous plusieurs niveaux de complexité de tâche définis par les auteurs. À ce stade, il s'agit d'un design expérimental et d'un protocole de collecte, pas encore de résultats d'analyse ni d'un dataset publié à grande échelle. L'intérêt tient au manque identifié par les auteurs dans la littérature existante : la plupart des études en interaction humain-robot évaluent l'engagement via des signaux comportementaux observables (regard, posture, réponses verbales), rarement croisés avec des données physiologiques comme le rythme cardiaque, qui reflètent des états internes plus difficiles à masquer que les réponses de surface. Pour les concepteurs de robots sociaux et humanoïdes destinés à l'assistance, l'éducation ou le service, disposer d'une mesure multimodale et objective de l'engagement changerait la donne, en ouvrant la voie à des systèmes capables d'ajuster leur comportement selon l'état réel de l'utilisateur plutôt que selon des indices de surface biaisés par la seule auto-évaluation. Ce travail s'inscrit dans une recherche en interaction humain-robot qui cherche depuis plusieurs années à dépasser les mesures d'engagement purement déclaratives ou comportementales, jugées insuffisantes pour capter l'expérience réelle d'un utilisateur face à un robot. L'abstract ne précise ni le robot humanoïde utilisé, ni le laboratoire porteur, ni le nombre de participants prévus, ce qui situe cette annonce du côté de la proposition méthodologique plutôt que du résultat exploitable. La suite logique consistera à mener la collecte selon ce protocole, puis à publier des analyses croisant physiologie, comportement et ressenti subjectif, afin de vérifier si l'approche multimodale améliore réellement la prédiction de l'engagement par rapport aux méthodes comportementales seules.

RecherchePaper

1 source

4arXiv cs.RO

Validation de la réalité virtuelle pour l'étude de l'interaction humain-robot multimodale en navigation sociale de robots

Une équipe de recherche a testé si la réalité virtuelle (VR) permet d'étudier fidèlement les interactions humain-robot dans des scénarios de navigation sociale partagée. L'étude, menée avec 21 participants, a comparé leurs réactions face à un robot mobile manipulateur PR2 dans deux conditions identiques : une arène réelle équipée de capture de mouvement, et sa réplique virtuelle immersive en VR. Deux situations classiques de co-navigation ont été examinées, le croisement orthogonal et le dépassement latéral (pass-by). Les chercheurs ont recueilli à la fois des mesures subjectives, la perception de la conscience sociale du robot et le confort ressenti par les participants, et des données comportementales objectives, trajectoires de déplacement et orientation de la tête, pour comparer précisément les deux environnements. Résultat central : les participants perçoivent la navigation socialement consciente du robot de façon similaire dans les deux conditions, et les comportements observés en VR, trajectoires évitées, orientations du regard, correspondent à ceux mesurés en conditions réelles. Cette validation compte pour tout le secteur de la robotique sociale et des humanoïdes déployés en environnement partagé avec des humains, entrepôts, usines, espaces publics. Concevoir et tester des algorithmes de navigation socialement acceptable exige normalement des essais physiques coûteux, lents et parfois risqués pour les sujets humains. Si la VR reproduit fidèlement les dynamiques d'interaction multimodale, comme le suggèrent ces résultats, elle devient un outil d'itération rapide et sûr pour les équipes qui développent des comportements de navigation robotique, avant tout déploiement réel. C'est aussi une réponse partielle à un scepticisme répandu dans le secteur sur l'écart entre les études HRI menées en environnement contrôlé ou simulé et le comportement humain effectif face à un robot physique. Ce travail s'inscrit dans une lignée de recherches antérieures ayant déjà exploré la VR pour la navigation robotique socialement consciente, mais sans jamais confirmer explicitement que les dynamiques d'interaction multimodale observées en réel s'y retrouvaient. Le protocole within-subjects, chaque participant testant les deux conditions, renforce la robustesse de la comparaison. Les auteurs positionnent leur prototype VR comme une plateforme flexible pour de futures études sur des interactions humain-robot plus riches, ouvrant la voie à des campagnes de test à plus grande échelle sans dépendre systématiquement d'un robot physique et d'une arène de capture de mouvement, deux ressources rares et coûteuses dans les laboratoires de recherche en robotique.

RecherchePaper

1 source