Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Un robot autonome, conscient des normes sociales, franchit des portes et livre une charge utile en urgence
RecherchearXiv cs.RO 

Un robot autonome, conscient des normes sociales, franchit des portes et livre une charge utile en urgence

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

Les chercheurs à l'origine de ce papier arXiv (2607.05315v1) ont testé un système d'assistance robotique à l'évacuation d'urgence sur le Toyota Human Support Robot (HSR), une plateforme mobile équipée d'un bras manipulateur. Le robot doit remplir deux missions simultanées lors d'une évacuation : ouvrir les portes sur le chemin des personnes évacuées en repérant et actionnant les boutons d'accès conformes aux normes ADA, et récupérer du matériel de secours pour le livrer aux intervenants d'urgence. L'équipe a bâti l'architecture de décision autour d'un arbre de comportement (behavior tree), une structure capable de sélectionner des tâches de haut niveau selon des déclencheurs environnementaux et de s'étendre à de nouvelles situations. Le système a été évalué sur 105 essais, répartis entre cinq scénarios matériels réels et trois scénarios en simulation, avec un taux de réussite de 97 sur 105, soit environ 92%.

Ce résultat compte parce qu'il s'attaque à un problème rarement traité dans la littérature robotique : la prise de décision sociale en contexte d'urgence, où le robot doit arbitrer en temps réel entre céder le passage à une personne, franchir une porte qu'un humain tient déjà ouverte, ou aller chercher un équipement avant de traverser. C'est un cas concret où la robotique d'assistance dépasse la simple exécution de tâches pour intégrer une conscience de l'environnement humain, un enjeu clé pour les intégrateurs qui envisagent des déploiements en environnements partagés avec des personnes, secteur hospitalier, logistique de secours ou sites industriels évacuables.

Le choix de l'arbre de comportement plutôt qu'un contrôleur monolithique ou un modèle end-to-end répond à un besoin d'extensibilité et de traçabilité des décisions, un critère souvent recherché dans les systèmes destinés à des usages critiques. Les auteurs ont publié le code et des démonstrations vidéo sur GitHub (AndrewSnowdy/hsrmmcontrol), ouvrant la voie à des reproductions et extensions vers d'autres tâches de réponse d'urgence.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Robots de livrable : navigation en foule via apprentissage des préférences sociales (SPLC)
1arXiv 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
Milo, un chien-guide robotique entièrement autonome pour intérieur et extérieur
2arXiv cs.RO 

Milo, un chien-guide robotique entièrement autonome pour intérieur et extérieur

Milo est un chien-guide robotique entièrement autonome, présenté dans une prépublication arXiv (arXiv:2607.19530v1), et développé pour un coût matériel d'environ 2 000 dollars, contre près de 50 000 dollars pour l'acquisition et l'entretien d'un chien-guide vivant. La plateforme repose sur un robot quadrupède Unitree Go2 modifié, équipé d'une poignée pour le harnais humain, de capteurs et de tout le calcul embarqué nécessaire, sans dépendance à un serveur externe. Son architecture logicielle combine une pile de perception, cartographie voxel, détection du sol, des obstacles et des piétons, et une pile de navigation fondée sur une politique d'évitement d'obstacles entraînée dans un simulateur vue de dessus (bird's-eye-view) développé en interne. Les auteurs ont testé Milo sur des parcours d'obstacles réels, en intérieur et en extérieur, et l'ont comparé à une approche de référence basée sur une costmap classique, observant une navigation plus fluide et moins de collisions avec le porteur du harnais. L'ensemble, matériel et logiciel, est publié en open source. L'enjeu dépasse la simple démonstration technique. Les chiens-guides robotiques sont envisagés depuis plusieurs années comme alternative aux chiens vivants pour les personnes aveugles ou malvoyantes, mais les prototypes existants butaient sur un problème récurrent: ils nécessitaient un scan 3D préalable de l'environnement ou un calcul déporté, les rendant inutilisables hors d'un cadre contrôlé. En démontrant une autonomie complète, sans connaissance a priori des lieux et sans calcul externe, Milo répond directement à cet écart entre démonstration en laboratoire et déploiement réel, un problème classique en robotique mobile assistive. Le choix de l'open source, à la fois hardware et software, vise explicitement à abaisser la barrière d'accès pour la communauté BLV (blind and low-vision) et pour les chercheurs qui voudraient reproduire ou améliorer la plateforme, plutôt que de verrouiller la technologie derrière un produit commercial fermé. Le projet s'inscrit dans la lignée des travaux académiques sur la navigation collaborative homme-robot utilisant des plateformes quadrupèdes commerciales comme base matérielle, une stratégie déjà explorée par d'autres équipes universitaires mais généralement limitée par l'autonomie de perception. En misant sur un simulateur maison pour l'entraînement de la politique de navigation plutôt que sur des données réelles coûteuses à collecter, les auteurs ouvrent la voie à des itérations rapides. La publication complète du code et des instructions de fabrication laisse présager des reproductions et extensions par la communauté robotique et accessibilité dans les mois à venir.

RecherchePaper
1 source
Au-delà de l'évitement de collision : priorité de passage entre robots et affordance spatiale en évacuation d'urgence
3arXiv cs.RO 

Au-delà de l'évitement de collision : priorité de passage entre robots et affordance spatiale en évacuation d'urgence

Une équipe de chercheurs a publié sur arXiv (2605.16115) les résultats d'une étude expérimentale portant sur le comportement des robots de service mobiles lors d'évacuations d'urgence en espace confiné. Cinquante-six participants ont été soumis à un protocole d'expérimentation via un environnement virtuel de type jeu vidéo, simulant des couloirs étroits avec ou sans niches de refuge latérales. Quatre stratégies de cession d'espace ont été comparées : Hide (le robot s'efface dans une niche), LineEscape (il se déplace en ligne pour libérer le couloir), Freeze (immobilisation complète) et ShortestPath (trajectoire optimale sans considération sociale). L'étude mesure les réponses psychologiques individuelles, notamment le confort perçu et le délai cognitif ressenti par les évacués. Les résultats établissent une hiérarchie de préférence nette : Hide > LineEscape > Freeze > ShortestPath. La conclusion centrale est que la cession proactive d'espace surpasse significativement les approches statiques ou purement efficientistes. Plus important encore pour les concepteurs de systèmes, l'étude met en évidence le rôle déterminant des affordances environnementales : lorsqu'une niche est visible mais non utilisée par le robot (stratégie LineEscape), les participants perçoivent un délai cognitif nettement accru, même si leur trajectoire physique reste dégagée. Ce phénomène, qualifié d'"Expectation Violation", signale que la navigation robotique en contexte d'urgence ne peut se limiter à l'optimisation de trajectoire : elle doit intégrer les attentes spatiales implicites des humains. L'étude note également que l'expérience préalable avec des robots améliore la capacité des utilisateurs à interpréter des comportements sociaux complexes. Ce travail s'inscrit dans un débat de fond sur la cohabitation humain-robot dans les espaces publics et industriels, où la densité de déploiement des AMR (robots mobiles autonomes) augmente dans les entrepôts, hôpitaux et gares. Les stratégies de navigation actuelles, principalement héritées des algorithmes d'évitement de collision comme DWA ou RVO, ne modélisent pas les attentes cognitives humaines. Cette recherche pousse vers une navigation dite "sémantiquement consciente", qui intègre la géométrie de l'environnement comme signal social. Les auteurs annoncent une suite centrée sur les interactions entre essaims de robots et foules de piétons, un scénario particulièrement pertinent pour les opérateurs de sites à forte densité humaine.

RecherchePaper
1 source
IA incarnée, HumAIN : la navigation sociale implicite du robot conscient des humains
4arXiv cs.RO 

IA incarnée, HumAIN : la navigation sociale implicite du robot conscient des humains

Des chercheurs présentent HumAIN (Human-Aware Implicit Social Robot Navigation), un nouveau framework publié sur arXiv (arXiv:2607.07357v1) qui vise à rendre la navigation des robots sociaux plus sensible aux comportements humains. Le système repose sur un modèle enseignant de type transformer qui fusionne plusieurs sources de données : images historiques, points clés du squelette humain (keypoints), état du robot et objectif de destination, afin d'apprendre des représentations robustes pour planifier la trajectoire future du robot. Cette connaissance est ensuite distillée dans un modèle élève beaucoup plus léger, optimisé conjointement pour reconstruire la trajectoire et aligner ses caractéristiques latentes sur celles de l'enseignant, ce qui permet un déploiement en temps réel. Lors des tests, HumAIN améliore les métriques de prédiction de trajectoire de 29,8% en moyenne sur l'ensemble des métriques évaluées, par rapport aux meilleures méthodes existantes. L'enjeu principal de ces travaux est de combler l'écart entre prédiction et planification, un problème récurrent dans la navigation robotique en environnement humain : beaucoup de systèmes prédisent bien le mouvement des piétons mais peinent à traduire cette prédiction en trajectoire exploitable en temps réel, surtout sur du matériel aux ressources limitées. En s'appuyant sur des indices sociaux implicites, comme la démarche ou l'orientation du corps, plutôt que sur des règles explicites ou des modèles de forces sociales classiques, cette approche pourrait rendre les robots mobiles (AMR, robots de service, plateformes embarquées) plus fluides et prévisibles dans des espaces partagés avec des humains, un facteur clé pour l'acceptabilité et la sécurité de ces systèmes en usage réel, notamment en logistique ou en environnement industriel où humains et robots cohabitent. Ce travail s'inscrit dans la lignée des recherches sur la navigation sociale des robots, un domaine qui cherche depuis plusieurs années à dépasser les modèles purement géométriques d'évitement d'obstacles pour intégrer une compréhension plus fine du comportement humain. La technique de distillation de connaissances, empruntée à l'apprentissage profond, est ici appliquée pour rendre exploitables sur des plateformes à ressources contraintes des représentations normalement coûteuses à calculer. Les auteurs positionnent HumAIN par rapport à des méthodes de l'état de l'art en prédiction de trajectoire, et les prochaines étapes attendues porteraient sur une validation au-delà de la simulation, sur des robots physiques en conditions réelles.

RecherchePaper
1 source