RecherchearXiv cs.RO 14 juillet 2026

Vers une adaptation en ligne de l'interaction robotique aux déficiences de mobilité du membre supérieur en contexte de retour au travail

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche propose un nouveau cadre d'interaction homme-robot en ligne conçu pour s'adapter aux limitations de mobilité du membre supérieur, dans la perspective de faciliter le retour au travail de personnes en situation de handicap. Contrairement aux approches classiques de collaboration homme-robot qui supposent un utilisateur valide, ce framework intègre un modèle de mobilité spécifique à certaines limitations articulaires directement dans un contrôleur optimal hiérarchique, permettant au robot de générer un comportement réactif et adapté en temps réel. Le système a été testé sur des tâches de remise d'objet (handover) avec un manipulateur mobile, en simulant plusieurs types de déficiences: arthrite du coude, arthrite de l'épaule et blocage du poignet, dans des configurations debout et assise avec contraintes de tâche. Les auteurs ont comparé quantitativement et qualitativement leur méthode à des approches ergonomiques de pointe déjà établies dans le domaine de l'interaction homme-robot. Les résultats préliminaires montrent que le framework parvient à personnaliser l'interaction selon l'amplitude de mouvement réellement disponible de l'utilisateur, tout en encourageant l'usage des articulations en fonction de la sévérité de leurs limitations fonctionnelles.

Pour les intégrateurs et les décideurs industriels, ce travail touche à un angle mort réel de la robotique collaborative: la quasi-totalité des cobots et bras manipulateurs déployés en usine ou en entrepôt sont calibrés pour des corps valides, ce qui exclut de fait une partie de la main-d'œuvre après un accident du travail ou une maladie chronique. Un contrôleur capable d'ajuster dynamiquement sa trajectoire et son rythme à la mobilité résiduelle d'un opérateur ouvre la voie à des postes de travail réellement inclusifs, plutôt qu'à des aménagements génériques. Cela s'inscrit aussi dans une tendance plus large de l'HRI vers la personnalisation en ligne, par opposition aux profils utilisateurs figés définis à l'avance.

Ce papier, republié en v2 sur arXiv, s'appuie sur la littérature existante de l'interaction ergonomique homme-robot, qu'il cherche explicitement à dépasser via des comparaisons directes. Il ne s'agit pour l'instant que de résultats préliminaires en conditions de laboratoire avec des déficiences émulées plutôt que des sujets réellement atteints, une étape de validation clinique restant nécessaire avant tout déploiement en environnement de travail réel.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Cadre de politique adaptatif au contexte pour une manipulation robotique robuste et réactive via apprentissage par imitation sensible à l'incertitude

Une nouvelle version (v2) de l'article arXiv:2410.24035 propose un cadre de politique adaptatif au contexte pour la manipulation robotique, combinant robustesse et réactivité. Les auteurs s'appuient sur l'apprentissage par démonstration (Learning from Demonstration, LfD), et plus précisément sur les approches basées sur des systèmes dynamiques (DS), pour apprendre une politique conditionnée à la fois par l'état du robot et par des paramètres de tâche de basse dimension représentant le contexte environnant. Cette politique est ensuite combinée à des politiques additionnelles sensibles à l'incertitude via une formulation de type mélange d'experts (Mixture of Experts, MoE). Le système est validé sur le jeu de données de référence LASA handwriting, utilisé classiquement pour évaluer l'apprentissage de trajectoires, ainsi que sur un robot réel à 7 degrés de liberté (7-DoF), dans trois scénarios concrets : la saisie conditionnée par la force appliquée, la manipulation d'aliments déformables, et la saisie centrée sur l'objet. L'enjeu technique visé est précis : les approches DS de l'état de l'art excellent généralement en robustesse mais restent rigides face aux variations de contexte, car elles ne modulent pas leur comportement selon des variables dépendantes de la tâche. En articulant fusion de politiques et quantification d'incertitude, ce cadre cherche à améliorer le comportement hors distribution (out-of-distribution) et la convergence des trajectoires générées, deux propriétés critiques pour tout déploiement en environnement réel non contrôlé. Pour les intégrateurs robotiques, l'intérêt pratique tient surtout à la manipulation d'objets déformables, un cas d'usage encore mal résolu dans l'industrie (agroalimentaire, logistique), et à la promesse d'une politique réutilisable sans réentraînement complet à chaque changement de tâche ou d'environnement. Sur le plan du contexte scientifique, le LfD via systèmes dynamiques est un axe de recherche établi depuis plusieurs années pour produire des politiques de contrôle réactives en robotique. Ce travail se positionne comme une extension de recherches antérieures sur la fusion de politiques et l'estimation d'incertitude, plutôt que comme une rupture méthodologique. L'abstract ne mentionne ni laboratoire ni entreprise associée, et il s'agit d'une publication académique (statut « replace », donc une révision d'un article déjà soumis) sans indication de déploiement industriel à ce stade.

RecherchePaper

1 source

2arXiv cs.RO

SkillPlug : extraction non supervisée de compétences pour l'adaptation en few-shot dans la manipulation robotique

Une équipe de recherche publie sur arXiv (arXiv:2607.08354v1, soumission nouvelle) SkillPlug, un framework destiné à l'apprentissage par imitation visuomotrice en robotique de manipulation. Le système se présente comme un module "plug-in" qui vient s'ajouter à une politique visuomotrice existante : il ajoute un module de conditionnement par compétences ("skill-conditioning") et extrait, à partir de démonstrations multi-tâches brutes et sans supervision, une bibliothèque de compétences partagée et réutilisable. L'extraction repose sur des objectifs auto-supervisés conçus pour produire des primitives comportementales compactes, non redondantes et transférables d'une tâche à l'autre. Une fois cette bibliothèque figée, l'adaptation à une nouvelle tâche ne nécessite plus qu'un réentraînement léger : seuls un routeur et une tête d'action sont ajustés, sans réentraînement complet de bout en bout. Les auteurs rapportent des tests sur deux bancs d'essai en simulation et sur un robot réel, avec une amélioration observée à la fois en performance multi-tâches et en adaptation à partir de peu de démonstrations (few-shot). L'abstract ne fournit toutefois aucun chiffre précis de gain de taux de réussite ni détail sur les bancs de test utilisés, ce qui limite la portée vérifiable des résultats à ce stade. L'enjeu pratique visé est réel pour les intégrateurs robotiques : la plupart des politiques actuelles sont entraînées de bout en bout et n'offrent aucune structure explicite pour réutiliser des comportements déjà appris, ce qui rend le transfert vers de nouvelles tâches coûteux en données. En figeant une bibliothèque de compétences et en ne réentraînant qu'un routeur léger, SkillPlug promet une adaptation à moindre coût de calcul et de données, un point sensible pour tout déploiement industriel où recollecter des centaines de démonstrations par nouvelle tâche n'est pas viable économiquement. Ce travail s'inscrit dans un courant de recherche plus large qui cherche à réintroduire une structure compositionnelle (bibliothèques de compétences, primitives réutilisables) dans des politiques d'apprentissage par imitation de plus en plus dominées par des modèles monolithiques de type VLA (vision-language-action). Il s'agit ici d'une publication de recherche académique, sans acteur industriel ni produit commercial associé, et sans mention de comparaison directe avec des systèmes VLA à grande échelle déployés dans l'industrie. Les prochaines étapes attendues seraient une évaluation à plus grande échelle et une comparaison chiffrée face aux approches de politique de bout en bout dominantes.

RecherchePaper

1 source

3arXiv cs.RO

Mixed-Initiative : le travail d'équipe humain-robot en situation de sous-optimalité avec adaptation bayésienne en ligne

Le travail, publié en version mise à jour sur arXiv (2403.16178v2) sous le titre "Mixed-Initiative Human-Robot Teaming under Suboptimality with Online Bayesian Adaptation", s'attaque à un biais courant dans la recherche en collaboration homme-robot: la plupart des modèles existants supposent qu'au moins un des deux partenaires, humain ou machine, agit de façon quasi optimale. Or, dans les situations réelles, humains comme agents autonomes ne disposent souvent que d'une connaissance partielle de l'environnement et agissent tous deux de manière sous-optimale, avec des capacités asymétriques. Les auteurs développent une approche bayésienne en ligne permettant à un robot d'inférer, pendant une tâche de décision séquentielle, la propension de son partenaire humain à suivre ses suggestions d'assistance, puis d'ajuster en conséquence son style d'intervention. Des études utilisateurs viennent étayer la méthode: les préférences des participants et la performance globale de l'équipe varient nettement selon le degré d'initiative pris par le robot, et l'approche proposée améliore la performance objective de l'équipe (p<.001), ainsi que des mesures subjectives comme la confiance envers le robot (p<.001) et la volonté de suivre ses recommandations (p<.001). Pour les concepteurs de systèmes homme-machine, la portée dépasse le cadre académique: cela suggère qu'un cobot ou un assistant robotique ne devrait pas se contenter d'exécuter un plan jugé optimal, mais apprendre en continu à quel point son opérateur humain lui fait confiance et adapter son niveau d'intervention en conséquence, une approche dite "mixed-initiative" où l'initiative de l'action bascule dynamiquement entre les deux parties. C'est un argument concret contre les démonstrations de laboratoire où l'humain est scripté pour se comporter de façon idéale, et un pas vers des architectures de collaboration plus robustes pour l'industrie, la logistique ou l'assistance, où l'imprévisibilité et les erreurs humaines sont la norme plutôt que l'exception. Le papier s'inscrit dans un courant de recherche en robotique interactive qui cherche à dépasser les hypothèses simplificatrices des modèles de théorie des jeux ou d'apprentissage par renforcement multi-agents, généralement testés entre agents artificiels supposés rationnels. En repositionnant l'humain comme partenaire imparfait plutôt que comme oracle de référence, ce travail rejoint les efforts plus larges sur l'adaptation en ligne et l'inférence de préférences dans les systèmes homme-robot, un axe amené à prendre de l'importance à mesure que les robots collaboratifs sortent des environnements contrôlés pour opérer aux côtés d'opérateurs aux compétences et à la disponibilité variables.

RecherchePaper

1 source

4arXiv cs.RO

Erreur quadratique sur intervalle critique : vers une validation hors ligne fiable des politiques de manipulation robotique

Une équipe de chercheurs publie sur arXiv (réf. 2606.29898) une métrique d'évaluation hors ligne baptisée Critical Interval MSE (CI-MSE), conçue pour combler un angle mort majeur dans le développement des politiques de manipulation robotique. Le problème de départ est bien connu : l'évaluation en conditions réelles reste la seule mesure fiable de la performance d'un modèle, mais elle est coûteuse, difficile à reproduire et trop lente pour comparer itérativement des variantes proches. Le proxy historique, la perte de validation MSE sur des démonstrations d'experts, présente une corrélation trop faible avec les performances en déploiement réel pour être utile en pratique. CI-MSE propose une approche différente : restreindre le calcul d'erreur aux segments temporels jugés critiques pour la tâche, et l'associer à des procédures d'alignement d'actions qui reproduisent mieux le comportement au moment du rollout. Les auteurs mesurent une corrélation de rang de Spearman de -0,87 entre leur métrique et les performances réelles, contre -0,61 pour la MSE brute, sur un large panel de checkpoints de politiques, validés en simulation et en environnement physique. L'enjeu industriel est direct : le goulot d'étranglement de l'itération sur les politiques robotiques n'est pas le calcul, c'est le temps de test physique. Si une métrique hors ligne prédit fiablement laquelle de deux variantes d'un modèle est meilleure, les équipes peuvent filtrer les mauvais candidats avant même de mobiliser un robot. Pour les intégrateurs et les labs qui travaillent sur des politiques de type VLA (Vision-Language-Action), ce gain de cycle de R&D peut se traduire en semaines économisées par itération. Le résultat de -0,87 est notable, mais à nuancer : les auteurs délimitent eux-mêmes des conditions limites d'utilisation, notamment en cas de shifts de distribution à l'évaluation. CI-MSE s'inscrit dans un effort plus large de la communauté pour résoudre le "sim-to-real gap" par des proxies d'évaluation plus fidèles, sans nécessiter de rollouts physiques systématiques. Les travaux sur les métriques comportementales (action chunking, diffusion policies) ont mis en évidence que la MSE brute ne capturait pas les moments décisifs d'une tâche de manipulation. Ce papier formalise cette intuition avec une analyse de sensibilité qui montre la robustesse de CI-MSE sur un large spectre d'hyperparamètres. Le code et les détails sont accessibles sur le site du projet (ci-mse.github.io). Prochaine étape attendue : validation à plus grande échelle sur des benchmarks multi-tâches et des architectures de politiques hétérogènes.

RechercheOpinion

1 source