Épisode oublié : mise en œuvre et évaluation d'une mémoire épisodique personnalisée pour la tête du robot humanoïde Kim
Des chercheurs ont développé et testé un module de mémoire épisodique pour Kim, une tête de robot humanoïde social, afin de résoudre un problème classique des agents conversationnels basés sur des grands modèles de langage : l'absence de mémoire persistante entre les sessions. Le système combine une récupération sémantique par vecteurs avec un modèle de dialogue piloté par LLM, en utilisant une fonction de score hybride qui associe similarité cosinus et une métrique de "force mémorielle" pour sélectionner les interactions passées les plus pertinentes et les injecter dans le prompt de génération. L'équipe a évalué l'approche via une étude en ligne à base de vidéos, en intra-sujets, auprès de 43 participants, à l'aide de l'échelle HRIES (Human-Robot Interaction Evaluation Scale). Les résultats montrent une augmentation significative de la sociabilité perçue (d = 0,60, p < .001), avec des effets particulièrement marqués sur la confiance perçue (d = 0,62) et la chaleur perçue (d = 0,56), tandis que le niveau de gêne ressenti par les participants est resté strictement inchangé (d = 0,00).
Ce dernier point est le résultat le plus significatif pour l'industrie : ajouter de la mémoire personnalisée à un robot social améliore la qualité relationnelle perçue sans déclencher de malaise lié à la vie privée ni d'effet de vallée dérangeante, deux risques souvent redoutés par les concepteurs de robots compagnons. Pour les équipes qui développent des agents conversationnels embarqués, ces travaux apportent une validation empirique concrète à une intuition répandue mais peu testée : la mémoire à long terme agit comme un "lubrifiant social" qui renforce la relation humain-robot, sans compromis apparent sur l'acceptabilité. C'est un signal utile alors que la majorité des déploiements actuels de robots conversationnels restent limités à des interactions sans continuité d'une session à l'autre.
Le travail s'inscrit dans la lignée des systèmes de récupération augmentée (RAG) appliqués à l'interaction humain-robot, un domaine où la plupart des architectures LLM conversationnelles butent encore sur la gestion du contexte long terme. Contrairement aux approches propriétaires opaques des grands robots commerciaux, cette étude fournit une méthodologie reproductible et une mesure quantifiée de l'impact social de la mémoire, ouvrant la voie à des évaluations comparables sur d'autres plateformes robotiques et à une intégration plus large de mécanismes de mémoire persistante dans les futurs robots compagnons ou d'assistance.
