RecherchearXiv cs.RO 8 octobre 2026

Vers une collaboration humain-agent-robot fondée sur les preuves pour le tri des anomalies sans dépendance à la Terre

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent, dans un preprint arXiv (2610.08933), une architecture de triage d'anomalies pour équipages en espace lointain, fondée sur une équipe humain, agent IA et robot. Le système repose sur un gestionnaire d'état de triage qui conserve les hypothèses en cours, la provenance des preuves, l'incertitude, le contexte opérationnel et l'état des outils. Un agent incarné, tourné vers l'équipage, recueille les observations des astronautes et explique pourquoi l'évaluation change. Un robot mobile va chercher des preuves ciblées et localisées. Des interfaces typées séparent le dialogue et l'orchestration du monitoring, des commandes robot, de la récupération de contexte et du contrôle critique pour la sécurité. L'IA agentique y joue le rôle de coordinateur à état au-dessus de services bornés et inspectables, et non celui de pilote autonome d'un véhicule. Le prototype d'intégration en boucle matérielle (hardware-in-the-loop) combine un Reachy Mini comme agent incarné et un robot mobile Innate MARS. Deux scénarios l'illustrent. Le premier s'inspire d'une vraie fausse alerte à l'ammoniac sur l'ISS, où une contamination suspectée restreint l'accès de l'équipage. Le second concerne une anomalie d'interface d'alimentation dans une base lunaire habitée, où l'inspection robotisée distingue un défaut local de connecteur d'autres causes que la télémétrie à distance ne permet pas de départager.

L'intérêt du travail tient au problème qu'il cible. Lors des missions lointaines, le délai de communication interdit de compter sur un support sol en temps réel. Les alertes initiales sous-déterminent souvent la cause, et les indices décisifs se trouvent soit dans les observations de l'équipage, soit dans des zones dangereuses, coûteuses ou inaccessibles pour un humain. La contribution revendiquée est une boucle de preuves fermée, à autorité bornée : l'IA propose et explique, mais ne détient pas la commande des fonctions critiques. Cette posture contraste avec le discours dominant sur les agents entièrement autonomes, et elle intéresse tout décideur confronté à des environnements où la traçabilité et la responsabilité priment sur la performance brute. Il faut toutefois rester prudent. Il s'agit d'une architecture démontrée sur deux scénarios illustratifs, sans évaluation quantitative annoncée dans le résumé : ni taux de réussite, ni temps de triage, ni comparaison avec une procédure de référence. Le prototype relève de la preuve de concept en laboratoire, loin d'un système qualifié pour le vol.

Le travail s'inscrit dans la montée de l'autonomie à bord requise par les programmes d'exploration habitée, notamment les projets de présence lunaire durable, où les opérations dépendront moins du centre de contrôle terrestre. Le choix du matériel est révélateur : Reachy Mini est un petit robot de bureau open source de l'écosystème Hugging Face, et Innate MARS une plateforme mobile accessible. Cela montre que l'on peut prototyper ce type de coordination avec des composants du commerce, loin des robots spatiaux dédiés. Le résumé ne cite ni agence spatiale partenaire, ni calendrier de test en conditions représentatives, ni acteur européen. Les suites naturelles seraient des essais en analogue de mission, des mesures de charge cognitive de l'équipage et une validation des garde-fous face à des pannes de communication ou de capteurs.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

Pollen Robotics — Reachy arXiv cs.RO

À lire aussi

1arXiv cs.RO

Collaboration entre agents pour le diagnostic d'anomalies en robotique sous-marine

Un article de recherche mis à jour sur arXiv (identifiant 2511.03075, version 2) présente AURA, pour Autonomous Resilience Agent, un framework de diagnostic d'anomalies et de pannes destiné à la robotique sous-marine. Le système combine deux agents distincts : un agent de bas niveau, chargé de la caractérisation d'état, qui surveille en continu la télémétrie du robot et traduit les signaux bruts en une description structurée du problème en langage naturel ; et un agent de raisonnement diagnostique de haut niveau, qui mène un dialogue guidé par des connaissances externes avec un opérateur humain pour identifier la cause racine d'une anomalie. L'ensemble s'appuie sur un jumeau numérique haute fidélité et sur de grands modèles de langage (LLM), avec une boucle homme-dans-la-boucle explicite. Une fois qu'un diagnostic est validé par un opérateur, il est reconverti en exemple d'entraînement pour affiner le modèle perceptif de bas niveau. Les auteurs ne publient pas de résultats chiffrés de déploiement dans le résumé ; il s'agit d'une contribution de recherche décrivant l'architecture et une implémentation de référence, pas d'un produit commercialisé. L'intérêt principal de ce travail tient au terrain qu'il cible : les véhicules sous-marins autonomes évoluent dans des environnements où la connectivité est intermittente et où une panne non anticipée peut être coûteuse, voire dangereuse, ce qui rend l'automatisation intégrale du diagnostic risquée sans supervision humaine. En positionnant explicitement l'IA comme partenaire évolutif plutôt qu'outil figé, AURA répond à une critique répandue envers les systèmes autonomes classés comme boîtes noires, en gardant l'humain dans la boucle de validation tout en capitalisant sur chaque cas traité pour améliorer le modèle. Pour les intégrateurs de robotique sous-marine et les opérateurs de flottes d'AUV, ce type d'architecture ouvre la voie à une maintenance prédictive plus fiable, sans sacrifier la traçabilité des décisions critiques. Le papier s'inscrit dans la tendance plus large des architectures agentiques bâties sur des LLM couplés à des jumeaux numériques pour la robotique de terrain, un axe de recherche actif depuis l'essor des modèles de raisonnement conversationnel. Aucun acteur industriel ni concurrent n'est cité dans le résumé, ce qui confirme la nature académique de la publication ; les suites logiques attendues seraient une validation expérimentale sur des plateformes sous-marines réelles et une comparaison avec des approches de diagnostic purement automatisées.

RecherchePaper

1 source

2arXiv cs.RO

Apprendre de l'humain pour une assistance proactive dans le transport collaboratif homme-robot

Une équipe de recherche en robotique présente PROACT, un framework pour le transport collaboratif homme-robot, décrit dans un article arXiv (2609.25351v1) publié en septembre 2026. Le système combine anticipation du comportement humain et contrôle compliant du corps entier d'un robot, via une architecture transformer entraînée sur un vaste jeu de données réel de démonstrations de transport en binôme humain-humain. Ce modèle apprend à prédire le mouvement futur de l'objet transporté à partir du comportement collaboratif observé. Testé sur 108 essais réels avec un manipulateur mobile à 9 degrés de liberté, PROACT réduit le travail d'interaction moyen de 59,2% par rapport à une approche purement compliante, et de 20,4% par rapport à une commande prédictive (MPC) classique. Le temps de complétion moyen baisse de 12,9% et 6,9% respectivement face à ces deux références. Une vidéo des expériences a été mise en ligne pour illustrer les résultats. Le transport collaboratif d'objets lourds ou encombrants reste un problème non résolu en robotique, avec des applications directes en logistique, en manufacturing et à domicile. Jusqu'ici, les approches se scindaient en deux familles incompatibles: des robots efficaces pour déplacer l'objet mais rigides face aux ajustements de l'utilisateur, ou des robots souples et réactifs mais incapables d'agir sans guidage humain constant. En démontrant qu'un seul modèle peut réduire simultanément l'effort physique perçu par l'utilisateur et le temps d'exécution, PROACT apporte une preuve empirique que l'anticipation apprise et la compliance mécanique ne sont pas mutuellement exclusives, un résultat qui intéresse directement les intégrateurs travaillant sur la cobotique industrielle et l'assistance physique. Le travail s'inscrit dans la lignée des recherches sur le contrôle compliant et le model prédictive control appliqués à la manipulation collaborative, deux approches jusque-là traitées séparément dans la littérature. L'apport de PROACT est de fusionner ces deux paradigmes grâce à un modèle appris du comportement humain plutôt qu'à des règles ou une planification pure. L'article ne précise pas de partenariat industriel ni de calendrier de déploiement commercial: il s'agit à ce stade d'un résultat de recherche validé en environnement contrôlé, avec du matériel expérimental, et non d'un produit ou d'un pilote industriel annoncé.

RecherchePaper

1 source

3arXiv cs.RO

Repenser les implications du retour humain pour l'apprentissage des préférences dans la collaboration homme-robot

Une équipe de recherche en interaction homme-robot publie sur arXiv (2609.13982) une remise en cause de la méthode standard d'apprentissage des préférences pour le comportement des robots collaboratifs. Cette méthode standard fonctionne en trois étapes : le robot collecte un feedback humain direct limité, généralement binaire (positif ou négatif) ; il en déduit ensuite des étiquettes "acceptée" ou "rejetée" pour des actions faisables mais non choisies, via des règles d'implication fixes préétablies ; puis il met à jour son modèle de récompense avec l'ensemble de ces données. Une étude utilisateur menée sur deux environnements de simulation collaboratifs montre que les étiquettes d'implication réellement données par les humains divergent souvent de ce que prédit la règle fixe, et que l'usage des étiquettes humaines réelles améliore nettement l'apprentissage de récompense avec l'algorithme PIE (Preference Learning from Implicit and Explicit Feedback). Les chercheurs proposent en réponse IMPLIED, une méthode qui utilise la règle fixe comme simple point de départ tout en apprenant à inférer et corriger les étiquettes au fil des interactions. Testée sur des trajectoires d'interaction homme-robot enregistrées ainsi que sur une étude avec un robot physique préparant des pizzas, IMPLIED prédit les implications humaines plus fidèlement que la règle fixe et que des références basées sur des LLM, en se rapprochant des performances d'un oracle utilisant directement des étiquettes humaines. Ce résultat questionne une hypothèse implicite largement répandue dans la conception des systèmes de robots collaboratifs : que des règles logiques figées suffisent à extrapoler les préférences humaines au-delà du feedback explicite donné. Pour les concepteurs de robots d'assistance ou de cobots industriels, cela signifie que les modèles de récompense actuels risquent de mal interpréter systématiquement l'intention des opérateurs sur les actions non directement évaluées, ce qui peut se traduire par un comportement robotique perçu comme irrationnel ou mal aligné en situation réelle de collaboration. En réduisant l'erreur d'estimation des préférences, IMPLIED promet des robots capables de s'adapter plus vite et plus fidèlement à un opérateur humain sans multiplier les sollicitations de feedback, un enjeu direct pour l'efficacité des déploiements en environnement partagé homme-robot. Le travail s'inscrit dans la lignée des approches d'apprentissage de préférences par renforcement inverse appliquées à la robotique collaborative, où l'algorithme PIE sert de référence pour combiner feedback explicite et implicite. En comparant IMPLIED à la fois à la règle fixe classique et à des références utilisant des grands modèles de langage, les auteurs positionnent leur méthode comme une alternative apprise et adaptative aux heuristiques statiques du domaine. La validation combine environnements simulés et un cas d'usage physique concret de fabrication culinaire, suggérant une voie vers une intégration future dans des architectures de robots collaboratifs déployés en usine ou en environnement de service.

RecherchePaper

1 source

4arXiv cs.RO

IA en Réalité étendue : une couche de médiation pour le contrôle humain situé dans la collaboration homme-robot

Des chercheurs proposent, dans un article publié sur arXiv (2607.25047v1, catégorie cross-listing), un cadre conceptuel pour repenser le rôle de la réalité étendue (XR) dans la collaboration homme-robot. Plutôt que de limiter la XR à l'affichage d'intentions ou de trajectoires planifiées, les auteurs avancent qu'elle doit devenir une véritable couche de médiation pour ce qu'ils nomment le "contrôle humain situé" : la capacité d'un opérateur à comprendre, orienter, autoriser ou interrompre l'action d'un robot dans le contexte physique, social et temporel précis où elle se déroule. Le raisonnement s'appuie sur trois scénarios concrets : l'assistance robotique au chevet de patients en soins infirmiers, la supervision de bras robotiques multiples, et l'assemblage collaboratif sous attention divisée. À partir de ces cas, l'équipe identifie quatre fonctions de médiation (entre intention humaine et autonomie du robot, entre plans du robot et jugement humain, entre niveaux de contrôle partagé, et entre rôles d'équipe, passations et récupération d'erreurs), puis en déduit six dimensions de conception : possibilités d'action conjointe, contraintes socio-physiques, gestion de l'incertitude et de la validité des plans, contrôle et correction multimodaux, répartition des rôles avec traçabilité, et anticipation de la récupération après incident. L'enjeu dépasse la simple interface homme-machine. Dans les environnements industriels ou de soin où les robots gagnent en autonomie, le déficit d'inspectabilité reste un frein majeur à l'adoption : un opérateur qui ne peut pas anticiper ni corriger une décision robotique en temps réel perd la confiance nécessaire à une collaboration fluide, surtout quand les objectifs changent, que la perception du robot est incomplète, ou que les rôles entre humain et machine évoluent en cours de tâche. Ce travail rappelle que la robustesse d'un système collaboratif ne se joue pas seulement dans l'algorithme de planification, mais dans la capacité de l'humain à rester "dans la boucle" de façon actionnable, un enjeu direct pour les intégrateurs qui déploient des cobots ou des systèmes supervisés en environnement partagé. Il s'agit ici d'un article de position et non d'un système déployé ou d'un produit commercialisé : aucun prototype XR complet n'est présenté, l'apport est une grille d'analyse destinée à orienter la recherche future. Le texte s'inscrit dans la continuité des travaux sur le contrôle partagé et l'autonomie ajustable en robotique collaborative, et propose un agenda de recherche pour concevoir des systèmes XR qui rendraient l'autonomie robotique plus lisible et plus redevable dans des environnements dynamiques, sans préciser à ce stade de calendrier ni de partenaires industriels associés.

RecherchePaper

1 source