Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Quand les robots doivent-ils intervenir ? Équilibrer engagement et intrusion dans l'interaction homme-robot
RecherchearXiv cs.RO 

Quand les robots doivent-ils intervenir ? Équilibrer engagement et intrusion dans l'interaction homme-robot

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Le champ HRI (human-robot interaction) orienté tâche s'enrichit d'une nouvelle étude publiée sur arXiv (arXiv:2609.21734v1) comparant deux stratégies d'intervention robotique. La première pousse le robot à rechercher en continu l'engagement de l'utilisateur ; la seconde adopte une approche contextuelle, où le robot n'intervient que lorsque l'état de l'utilisateur et le contexte de la tâche le justifient. Les deux approches s'appuient sur des indices comportementaux multimodaux, notamment l'orientation du corps et les signaux attentionnels, pour décider quand et comment agir. L'évaluation a été menée via une étude utilisateur impliquant 32 participants effectuant une tâche dans un environnement hospitalier simulé, un cadre choisi pour représenter des scénarios d'assistance robotique réalistes en contexte de soin.

Le résultat central contredit une hypothèse répandue en conception d'interfaces homme-robot : une fréquence d'interaction plus élevée n'améliore pas nécessairement l'engagement perçu. Les chercheurs observent plutôt un compromis systématique entre sentiment de soutien et intrusivité perçue, modulé par la proximité physique du robot et l'effort déjà fourni par l'utilisateur. Pour les concepteurs de robots de service, d'assistance ou de compagnie en environnement de soin, ce résultat pèse contre les politiques d'intervention maximalistes souvent privilégiées par défaut, et plaide pour des politiques adaptatives et sensibles au contexte. C'est une donnée utile pour les intégrateurs qui calibrent des robots d'accueil ou d'assistance médicale, où l'équilibre entre utilité perçue et intrusivité conditionne l'acceptabilité sociale du système.

Ce travail s'inscrit dans un champ de recherche plus large sur l'interaction homme-robot orientée tâche, où la question du quand agir reste moins étudiée que celle du comment agir une fois l'interaction engagée. L'étude ne porte pas sur un produit commercial ni un déploiement réel : il s'agit d'une évaluation contrôlée en environnement simulé, avec un échantillon de 32 participants, ce qui limite la portée des conclusions à plus grande échelle ou en conditions hospitalières réelles. Les auteurs présentent leurs résultats comme une preuve empirique en faveur de politiques d'intervention adaptatives, sans système prêt à déployer ni suite annoncée, partenariat industriel ou calendrier de test en conditions réelles.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Comprendre l'engagement et l'intrusivité dans l'interaction homme-robot assistive selon les traits individuels
1arXiv cs.RO 

Comprendre l'engagement et l'intrusivité dans l'interaction homme-robot assistive selon les traits individuels

Une étude diffusée sur arXiv (2609.21744v1) s'intéresse à la manière dont les utilisateurs perçoivent l'engagement et l'intrusivité d'un robot assistant selon leurs traits individuels. Les auteurs ont mené une expérience avec 32 participants confrontés à une tâche inconnue, assistés successivement par deux robots offrant un soutien similaire mais des stratégies d'intervention différentes, en particulier sur la fréquence de leurs interventions plutôt que sur la seule distance physique. Résultat: l'engagement global reste stable d'un robot à l'autre, mais les réponses affectives et le sentiment d'intrusivité varient fortement selon la personnalité, qui influence aussi différemment la dynamique d'interaction selon le comportement du robot. Ce constat nuance un débat récurrent en interaction homme-robot: certains travaux antérieurs jugeaient qu'une proximité plus étroite renforce l'engagement, d'autres qu'elle est perçue comme intrusive. L'étude suggère que la proxémie seule n'explique pas ce ressenti, la fréquence des interventions et le profil individuel pesant au moins autant. Pour les concepteurs de robots d'assistance en industrie, santé ou logistique, cela plaide contre un comportement robotique uniforme: un réglage calibré pour un utilisateur moyen peut se révéler intrusif pour certains et sous-stimulant pour d'autres, ce qui pousse vers des comportements adaptatifs, ajustés au profil psychologique et démographique de chaque personne plutôt qu'à une distance ou une fréquence fixe. Ce travail s'inscrit dans un champ où les preuves sur la proxémie robotique restaient contradictoires, sans que la fréquence d'intervention ou les différences interindividuelles ne soient clairement isolées comme variables explicatives. L'abstract ne précise ni l'institution porteuse ni les robots utilisés, et l'échantillon reste limité à 32 personnes, ce qui invite à la prudence avant toute généralisation. La suite logique serait une validation à plus grande échelle et des stratégies d'adaptation automatique du comportement robotique au profil détecté de l'utilisateur, un enjeu direct pour les fabricants de robots de service et d'assistance visant des publics variés.

RecherchePaper
1 source
Stabilité et confort dans les interactions entre robots mobiles et piétons
2arXiv cs.RO 

Stabilité et confort dans les interactions entre robots mobiles et piétons

Voici l'article rédigé selon les consignes. Des chercheurs ont développé et validé expérimentalement des algorithmes de navigation socialement adaptés pour robots mobiles non-holonomes (NMR), une catégorie de robots majoritaire dans les applications industrielles et de service mais historiquement sous-étudiée par rapport aux plateformes holonomes. Le cadre proposé s'appuie sur le Social Force Model (SFM) et sur une variante appelée TSFM (projected Time-to-collision Social Force Model), qui modélise explicitement les interactions entre le robot, les piétons et les obstacles statiques. Les auteurs démontrent mathématiquement la stabilité du système sous l'hypothèse de piétons "boundedly nonpassive" (dont le comportement reste dans des limites prévisibles), puis calibrent leurs modèles en simulation via une fonction de coût hybride combinant confort et vitesse de déplacement. Des expérimentations réelles impliquant des interactions robot-piéton comparent SFM et TSFM à deux références télécommandées manuellement, avec recueil du confort perçu par les marcheurs via questionnaires, analysés statistiquement. Cette étude comble un vide méthodologique important pour l'industrie robotique: la plupart des algorithmes de navigation classiques traitent les piétons comme de simples obstacles dynamiques, sans modéliser les facteurs humains subjectifs qui déterminent l'acceptabilité sociale d'un robot en espace partagé. Pour les intégrateurs déployant des AMR (robots mobiles autonomes) en entrepôt, hôpital ou espace public, ce résultat est directement actionnable puisque la majorité des plateformes commerciales sont non-holonomes et non les robots holonomes omnidirectionnels généralement privilégiés dans la littérature académique sur la navigation sociale. La preuve de stabilité formelle, plutôt qu'une simple validation empirique, renforce la crédibilité du système pour un déploiement en conditions réelles où la sécurité et la prévisibilité du comportement robotique sont critiques. Le travail s'inscrit dans le champ de la navigation socialement consciente ("social navigation"), qui cherche depuis plusieurs années à dépasser les approches purement géométriques d'évitement d'obstacles. Le Social Force Model, initialement conçu pour modéliser les dynamiques de foules humaines, sert ici de brique de base étendue avec une composante de temps avant collision (time-to-collision) pour mieux anticiper les trajectoires. Les auteurs comparent leurs résultats à des études antérieures pour établir un avantage sur les métriques de confort et de performance, sans toutefois préciser de partenaire industriel ni de calendrier de déploiement commercial concret, ce travail relevant à ce stade de la recherche académique plutôt que d'un produit prêt à être industrialisé.

RecherchePaper
1 source
3arXiv cs.RO 

RAYA : apprendre où et quand intervenir pour la récupération des robots

Des chercheurs ont publié le 21 septembre 2026 sur arXiv (référence 2609.21690) RAYA, un framework hybride combinant apprentissage et contrôle analytique pour la récupération de robots après détection d'un risque de défaillance. Le système place une marge de récupérabilité apprise, calculée sur horizon fini, directement dans un contrôleur optimal à contraintes strictes, couplée à un ordonnanceur appris qui réajuste dynamiquement les priorités de tâche pour faciliter la récupération. Testé sur 7 200 épisodes de simulation par contrôleur, sur des bancs d'essai quadrirotor et véhicule autonome, RAYA transfère ses composants appris sans réentraînement vers des trajectoires, perturbations, changements de dynamique et configurations de friction inédits. Une version embarquée a ensuite été installée sur un drone Crazyflie de 35 grammes: lors de 40 vols réels sous vent, avec soit un décalage aérodynamique non modélisé soit une perte de 40% de la commande moteur, les trois méthodes de référence ont échoué dans tous les essais, tandis que RAYA a complété 10 missions sur 10, chacune de six cycles. Ce résultat s'attaque à un problème connu en robotique de sécurité: un système peut détecter une défaillance imminente sans conserver l'autorité de contrôle nécessaire pour l'éviter, en particulier quand les garde-fous n'interviennent qu'après coup, une fois le plan nominal déjà engagé. En intégrant la récupérabilité comme critère au moment même où l'action est choisie, plutôt qu'en veto tardif, RAYA illustre un déplacement des mécanismes de sécurité vers une logique prédictive intégrée au contrôleur, plutôt que réactive et externe. Pour les intégrateurs de drones et de véhicules autonomes opérant en conditions incertaines (vent, usure moteur, terrain glissant), l'écart mesuré face aux méthodes de référence, un échec total contre une réussite complète, indique que la robustesse aux pannes partielles reste un point faible malgré les progrès récents de l'apprentissage par renforcement appliqué au contrôle. Ce travail s'inscrit dans une recherche visant à unifier apprentissage profond et contrôle optimal sous contraintes dures, plutôt qu'à traiter la sécurité comme un filtre ajouté après coup à la planification, une approche que les auteurs critiquent explicitement. RAYA se positionne ainsi face aux filtres de sécurité classiques et aux barrières de contrôle apprises existantes. Le choix du Crazyflie, plateforme légère largement utilisée en recherche académique pour valider des algorithmes de contrôle, situe cette publication comme une preuve de concept plutôt qu'un produit prêt à l'industrialisation; aucun partenariat industriel ni calendrier commercial n'est mentionné. Le code et les détails du projet sont disponibles sur raya-control.github.io, sans précision sur une éventuelle extension à des plateformes robotiques plus lourdes.

RecherchePaper
1 source
Le défi ERR@HRI 3.0 : détection multimodale des erreurs et anticipation dans les interactions homme-robot
4arXiv cs.RO 

Le défi ERR@HRI 3.0 : détection multimodale des erreurs et anticipation dans les interactions homme-robot

Détecter en temps réel qu'un robot vient de se tromper, ou qu'un humain à proximité va bientôt subir un échec, reste un problème ouvert pour l'interaction homme-robot. La troisième édition du challenge ERR@HRI, présentée dans un article déposé sur arXiv le 14 juillet 2026, propose deux jeux de données inédits pour faire avancer ce sujet. Le premier, Bystander Affect Detection (BAD), rassemble des enregistrements webcam de 45 participants réagissant spontanément à des scénarios d'échec robotique ou humain. Le second, Bad Idea, contient les réactions faciales anticipatoires de 29 participants tentant de prédire l'issue d'une action avant qu'un échec ne survienne. Les deux corpus, collectés par crowdsourcing avec des vidéos brutes non anonymisées, capturent la variabilité de conditions réelles plutôt que des données contrôlées en laboratoire. Trois pistes étaient proposées aux participants: détection des réactions de témoins (Track 1), prédiction anticipatoire d'issue (Track 2), et une piste optionnelle de généralisation cross-dataset (Track 3). Trois équipes ont soumis des modèles valides, tous supérieurs aux baselines à réseaux convolutifs (CNN) des organisateurs. L'enjeu dépasse la simple compétition académique: la plupart des systèmes de détection d'erreur actuels fonctionnent sur des contextes restreints, des environnements contrôlés ou des caractéristiques pré-extraites, ce qui limite fortement leur transfert vers des déploiements réels. En forçant les équipes à travailler sur de la vidéo brute multimodale et des scénarios naturalistes, ERR@HRI 3.0 teste directement si les approches actuelles tiennent face à l'écart classique entre démonstration en laboratoire et usage terrain. Pour les intégrateurs et concepteurs de robots sociaux ou collaboratifs, la capacité à anticiper un échec avant qu'il ne se produise, et pas seulement à le constater après coup, conditionne la confiance des utilisateurs et l'acceptabilité au quotidien de ces systèmes. Le fait qu'il s'agisse d'une troisième édition traduit un effort continu de la communauté recherche en interaction homme-robot pour structurer ce champ encore jeune, à travers des benchmarks partagés plutôt que des évaluations isolées propres à chaque laboratoire. Seules trois équipes ayant soumis des modèles valides, malgré le dépassement des baselines, l'article souligne que la détection et l'anticipation d'erreurs en conditions réelles restent un domaine en construction, avec des perspectives explicites vers des systèmes plus généralisables et conscients du contexte.

RecherchePaper
1 source