RecherchearXiv cs.RO 5 novembre 2026

Robots en ville : perceptions des robots urbains selon différents profils d'usagers

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des piétons croisent de plus en plus de robots dans les espaces publics urbains sans interagir avec eux, mais l'effet de ces machines sur la sécurité perçue d'une rue reste mal documenté. Une étude diffusée sur arXiv le mesure à partir de 18 images de rues de Séoul générées par IA, qui varient selon l'heure (jour ou nuit), la classe de voirie et la condition robotique : aucun robot, un robot de livraison ou un humanoïde. Deux modèles de langage multimodaux (MLLM), Qwen3.8-27B et Gemma4-26B, chacun conditionné par 500 personas synthétiques, devaient choisir l'image la plus sûre dans chaque paire. 25 répondants humains ont réalisé la même tâche.

Les deux modèles préfèrent les rues sans robot et jugent le robot de livraison plus rassurant que l'humanoïde. Les robots sont choisis plus souvent la nuit et moins souvent par les personas âgés, tandis que la classe de voirie pèse peu. Dans les justifications produites par les modèles, le robot de livraison apparaît surtout comme un obstacle physique, alors que l'humanoïde est perçu soit comme une menace, soit comme une source de protection. Par rapport aux humains, les deux modèles reproduisent l'effet nocturne, mais choisissent beaucoup moins souvent l'humanoïde face au robot de livraison. Gemma présente un effet de la nuit sur l'humanoïde environ trois fois supérieur à celui des participants humains.

Pour les opérateurs de robots de service, les municipalités et les intégrateurs, le résultat est que l'impact d'un robot sur la sécurité perçue dépend du moment où il apparaît, et pas seulement de sa forme. Un robot peut être lu comme une présence rassurante dans une rue peu fréquentée la nuit, mais comme un obstacle en plein jour. Pour la robotique humanoïde, qui vise la voie publique après l'usine et l'entrepôt, la perception ambivalente (menace ou protection) signale un risque d'acceptabilité à traiter dans le design et le choix des zones de déploiement. Le second enseignement est méthodologique : les personas simulés par MLLM ne captent qu'une partie des jugements humains. Les remplacer par des sondages réels pour des études d'acceptation reste donc risqué.

Les limites sont notables. Le protocole repose sur seulement 18 images synthétiques d'une seule ville, Séoul, et sur un échantillon humain de 25 personnes, ce qui restreint la portée statistique et la transposition à d'autres contextes culturels. Il s'inscrit dans la montée des robots de livraison sur trottoir et des premiers humanoïdes envisagés pour des usages urbains. Il s'inscrit aussi dans l'usage croissant de personas synthétiques pour simuler des panels d'enquête. Les travaux suivants devront confronter ces résultats à des observations en conditions réelles et à des échantillons humains plus larges.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Vers une perception spatiale pour la collaboration de robots hétérogènes en milieu minier souterrain

Des chercheurs présentent sur arXiv le pipeline de perception embarqué du projet PERSEPHONE, une mission d'extraction minière autonome dans d'anciennes mines souterraines abandonnées. Le système associe deux robots hétérogènes. Un robot « Explorer », léger, cartographie une mine inconnue et produit un graphe de scène 3D des cibles à inspecter. Pour cela, il exécute une pile de segmentation sémantique vision-langage en zero-shot, qui détecte les gisements minéraux à partir de simples requêtes en langage naturel. La carte et le graphe sont ensuite transmis à un second robot, l'« Inspector », équipé d'une charge utile de capteurs avancés, qui s'en sert pour planifier des points de vue d'inspection rapprochée. L'étape clé décrite est l'abstraction géométrique qui transforme les détections brutes en cibles exploitables : génération de boîtes englobantes par vue, fusion des boîtes entre vues, ajustement de plans et extraction de polygones. La validation a eu lieu dans une installation d'essai souterraine et dans une mine de magnésite en activité, sur des minéralisations de veines de fer et de magnésite, en conditions de perception dégradée. Le résumé ne donne ni taux de détection, ni temps de mission, ni dimensions des robots. L'intérêt tient au constat de départ : aucune plateforme unique ne combine la mobilité nécessaire pour parcourir des kilomètres de galeries dégradées et la charge utile de capteurs requise pour caractériser un corps minéralisé. La réponse est donc une division du travail entre un éclaireur agile et un inspecteur lourd. Pour les intégrateurs et les exploitants, l'enjeu concret est la passation d'un robot à l'autre, à travers une représentation partagée, et non plus la performance d'un seul engin. Le recours à des modèles vision-langage sans entraînement spécifique suggère aussi qu'on peut désigner une cible minérale par une phrase plutôt que par un jeu de données annoté. Reste à savoir ce que vaut cette approche hors des deux sites testés, car le texte ne chiffre pas la précision de détection, la robustesse face à la poussière, à l'obscurité ou aux variations de minéralogie, ni l'autonomie de l'ensemble. Ce travail s'inscrit dans la robotique souterraine, dont les références restent les équipes de la compétition DARPA SubT, qui avaient éprouvé cartographie et exploration en environnements dégradés, mais surtout pour la recherche et le sauvetage. Ici, la finalité est la réouverture de gisements profonds dans des mines abandonnées, un cas d'usage où le graphe de scène sert d'interface entre perception et planification. Le document est un preprint, non évalué par les pairs, et décrit un pipeline de perception, non un système commercial ni un déploiement industriel. Les suites logiques sont l'intégration avec les phases d'extraction de PERSEPHONE et des essais dans d'autres mines, sans calendrier annoncé dans le résumé.

RecherchePaper

1 source

2arXiv cs.RO

Robots à double bras : des gains de performance en assemblage de précision

Assemblage de précision (tight assembly) par une paire de bras robotiques coordonnés : des chercheurs proposent un nouveau framework de bout en bout permettant à deux bras robotiques d'exécuter conjointement une opération d'assemblage, à partir des modèles CAO des pièces et de leur positionnement relatif visé une fois assemblées. Publié sur arXiv (2607.17876v1), le travail a été validé à la fois en simulation et sur des robots physiques réels. Les auteurs montrent que la coordination de deux bras réduit le temps d'exécution moyen de plus de 50% par rapport à un système à un seul bras, tout en produisant des trajectoires de meilleure qualité et en accélérant la recherche de positionnements valides pour les robots. La méthode fournit également des garanties théoriques sur le temps d'exécution et la précision des trajectoires, appuyées par des résultats empiriques, ainsi que des bornes sur les dimensions minimales requises pour la cellule robotique. Le code est publié en open source, accompagné de démonstrations vidéo sur la page du projet. Pour les intégrateurs industriels et les concepteurs de lignes d'assemblage, ce résultat interroge une hypothèse répandue : qu'un seul bras robotique, correctement programmé, suffit pour la plupart des tâches d'assemblage serré, la coordination bi-bras étant réservée à des cas de niche jugés trop complexes à orchestrer. En démontrant un gain de temps de cycle supérieur à 50% assorti de garanties théoriques, et pas seulement de chiffres de démonstration, les auteurs apportent une preuve quantifiée que l'investissement dans une cellule à deux bras peut se justifier économiquement pour des opérations de précision, en particulier quand l'espace disponible est contraint : les bornes dimensionnelles calculées permettent justement de dimensionner la cellule au plus juste. C'est aussi un signal pour la recherche en planification de mouvement multi-bras, un domaine où peu de méthodes offrent des garanties formelles plutôt que de simples heuristiques validées empiriquement. La coordination de deux bras robotiques pour des tâches d'assemblage est étudiée depuis plusieurs années, portée notamment par des plateformes industrielles bi-bras comme l'ABB YuMi, mais la littérature manquait encore d'une méthode end-to-end couvrant à la fois la planification à partir de CAO, l'optimisation du placement des robots et des garanties de performance chiffrées. Ce travail se positionne comme une contribution académique ouverte, l'équipe ayant publié à la fois le code source et des démonstrations vidéo sur robots réels, ce qui distingue la publication d'une simple étude en simulation. Aucun partenaire industriel ni déploiement pilote n'est mentionné à ce stade ; la suite logique, comme souvent pour ce type de publication arXiv, sera de voir si la méthode est reprise ou testée par des équipes tierces sur d'autres géométries de pièces et d'autres configurations de cellules robotiques.

RecherchePaper

1 source

3arXiv cs.RO

Vers des stratégies d'interaction adaptatives pour robots compagnons via l'apprentissage par renforcement profond

Une équipe de recherche a publié en septembre 2026 sur arXiv (référence 2609.25031) une nouvelle méthode de suivi humain-robot fondée sur l'apprentissage par renforcement profond (DRL), qui rompt avec les approches classiques imposant une position fixe au robot par rapport à la personne accompagnée, derrière, devant ou à ses côtés. Le système modélise un "espace d'interaction" liant humain, robot et environnement, utilisé comme espace d'état pour l'agent DRL, et s'appuie sur un contrôleur combinant Model Predictive Path Integral (MPPI) et Control Barrier Functions (CBF) pour suivre précisément la position et l'orientation de la cible tout en évitant les obstacles. Testé en conditions réelles, en intérieur comme en extérieur, et comparé à des méthodes existantes, le robot accompagne une personne marchant jusqu'à 1,7 m/s en ajustant dynamiquement sa stratégie de positionnement, avec un taux de réussite amélioré d'au moins 24% et une précision de suivi améliorée d'au moins 47%, tout en respectant l'espace intime de la personne pour garantir sécurité et confort. L'intérêt dépasse la démonstration technique: la plupart des robots d'accompagnement actuels, en logistique, en assistance ou en robotique de service, reposent sur des règles de positionnement figées, peu robustes face aux changements de vitesse, aux couloirs étroits ou à la densité de foule. Un positionnement adaptatif piloté par apprentissage, capable de basculer entre suivi latéral, frontal ou arrière selon le contexte, répond à une limite connue de la navigation sociale robotique, le compromis entre sécurité, fluidité de déplacement et acceptabilité sociale. Pour les intégrateurs travaillant sur des robots mobiles autonomes (AMR) destinés à l'accompagnement de personnes en environnement industriel ou de santé, cette approche laisse entrevoir des systèmes moins rigides et potentiellement plus sûrs en cohabitation avec des humains. Le travail s'inscrit dans un courant de recherche en interaction humain-robot (HRI) qui cherche à dépasser les schémas de suivi rigides documentés dans la littérature existante, et les auteurs comparent directement leurs résultats à ceux d'études antérieures. Comme souvent pour ce type de publication académique, les métriques de réussite et de confort restent définies et mesurées par les auteurs eux-mêmes sur un nombre limité de scénarios, ce qui appelle une validation indépendante avant toute généralisation. Aucune affiliation industrielle ni calendrier de transfert commercial n'est mentionné: il s'agit à ce stade d'une contribution de recherche, sans pilote ni déploiement annoncé, dont la suite logique serait une extension à des scénarios multi-personnes et une validation sur d'autres plateformes robotiques.

RecherchePaper

1 source

4arXiv cs.RO

Robots de livrable : navigation en foule via apprentissage des préférences sociales (SPLC)

Une équipe de recherche présente SPLC (Social Preference Learning for Crowd Robot Navigation), un nouvel algorithme d'apprentissage par renforcement hors ligne conçu pour faire naviguer des robots au milieu de foules de piétons sans avoir à concevoir manuellement une fonction de récompense. Publié sur arXiv le 2 juillet 2026 (arXiv:2607.01925v1), le système introduit un mécanisme de retour de préférences sociales qui génère automatiquement des données de préférence à partir de critères d'évaluation prédéfinis, en tenant compte explicitement de la dynamique complexe des piétons. Les auteurs ont testé SPLC en combinaison avec plusieurs méthodes de RL hors ligne et rapportent des gains constants par rapport aux meilleures références actuelles sur des métriques de performance standard, avant de valider l'approche en conditions réelles sur un robot TurtleBot4. Le code et des démonstrations vidéo sont disponibles sur le dépôt GitHub du projet (sklus949/SPLC). L'enjeu pratique est la conception des récompenses en RL, un goulot d'étranglement bien connu pour déployer des robots mobiles autonomes dans des environnements humains partagés, entrepôts, hôpitaux, espaces commerciaux. Écrire à la main une fonction qui capture des normes sociales floues (garder ses distances, céder le passage, anticiper une trajectoire) introduit des biais et ne généralise pas d'une foule à l'autre. En automatisant la génération de préférences plutôt que la récompense elle-même, SPLC s'attaque directement au problème du "reward hacking" et du décalage entre simulation et réel, un point sensible pour tout intégrateur qui envisage des robots de navigation autonome en zones piétonnes denses. Le passage à un test réel sur TurtleBot4, plutôt qu'une simple démonstration en simulateur, distingue ce travail de nombreuses publications qui restent cantonnées au benchmark. Ce travail s'inscrit dans une lignée de recherches sur le RL hors ligne appliqué à la navigation sociale, un axe où les laboratoires cherchent à réduire la dépendance aux interactions coûteuses en environnement réel pendant l'entraînement. Les approches concurrentes reposent généralement sur du reward shaping manuel ou sur de l'apprentissage par imitation à partir de trajectoires humaines annotées, des méthodes que les auteurs positionnent comme moins robustes face à la variabilité des comportements piétons. Les prochaines étapes annoncées ne sont pas détaillées dans le résumé, mais la mise à disposition du code laisse présager des évaluations comparatives par d'autres équipes, et potentiellement une extension à des plateformes robotiques plus complexes que le TurtleBot4.

RecherchePaper

1 source