Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Belief-Aware Influence and Trust (BAIT) : façonner les croyances humaines lors d'interactions répétées avec un robot
RecherchearXiv cs.RO 

Belief-Aware Influence and Trust (BAIT) : façonner les croyances humaines lors d'interactions répétées avec un robot

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE
Belief-Aware Influence and Trust (BAIT) : façonner les croyances humaines lors d'interactions répétées avec un robot
▶ Voir sur YouTube

Une équipe de recherche présente BAIT (Belief-Aware Influence and Trust), un contrôleur pensé pour les interactions répétées entre humains et robots, où l'humain ajuste continuellement sa perception du robot au fil des rencontres. Le système combine un filtre particulaire hiérarchique, capable d'inférer à la fois les changements stratégiques rapides de l'humain et l'évolution plus lente de ses croyances perceptives, avec un planificateur MPPI (Model Predictive Path Integral) intégrant explicitement ces croyances. BAIT a été évalué en simulation, lors d'une étude impliquant des sujets humains, puis en conditions réelles sur un véhicule de recherche GEM, dans des scénarios répétés d'insertion de voie (lane-merging). Résultat annoncé: une performance de tâche équivalente à celle des méthodes de référence qui maximisent l'influence à long terme via un comportement imprévisible, mais avec un niveau de confiance de l'utilisateur nettement supérieur.

L'enjeu dépasse le simple exercice académique. Dans les interactions répétées, homme-robot ou véhicule autonome-conducteur, deux écueils dominent aujourd'hui: soit traiter chaque rencontre comme isolée, ce qui dégrade progressivement la performance à mesure que la perception humaine dérive, soit maintenir une influence durable par des comportements erratiques, au prix d'une confiance érodée et de calculs difficilement généralisables à grande échelle. BAIT propose de traiter le compromis entre influence à long terme et confiance humaine comme un objectif d'optimisation explicite, tout en imposant la performance immédiate de la tâche comme contrainte stricte plutôt que comme variable négociable. Pour des intégrateurs travaillant sur des flottes de véhicules autonomes ou des robots collaboratifs amenés à interagir de façon répétée avec les mêmes opérateurs, cela suggère une voie pour préserver l'acceptabilité sans sacrifier l'efficacité.

Le travail s'inscrit dans la lignée des recherches en interaction homme-robot centrées sur la calibration de la confiance, un terrain d'étude classique pour les véhicules autonomes, où l'insertion de voie sert souvent de banc d'essai standardisé. Il s'agit à ce stade d'un résultat de recherche publié sur arXiv, validé par simulation, étude utilisateur et déploiement réel limité sur véhicule GEM, et non d'un produit commercialisé. L'article ne précise pas de calendrier de généralisation à d'autres scénarios d'interaction répétée.

Dans nos dossiers

arXiv cs.RO

À lire aussi

H2INT : un Transformer d'interactions humain-humain et humain-robot pour naviguer en foule dense et incertaine
1arXiv cs.RO 

H2INT : un Transformer d'interactions humain-humain et humain-robot pour naviguer en foule dense et incertaine

Une équipe de recherche publie sur arXiv (référence 2609.05300v1, prépublication de septembre 2026) un nouveau cadre d'apprentissage par renforcement baptisé H2INT, pour Human-Human & Human-Robot Interaction Transformer, destiné à la navigation de robots dans des foules denses et imprévisibles. Le système repose sur un Transformer à portes en deux étapes qui encode progressivement les relations humain-humain puis humain-robot, couplé à une politique récurrente chargée de capturer leur évolution temporelle. Un curriculum d'entraînement réduit graduellement la réactivité simulée des piétons afin de complexifier peu à peu les scénarios d'interaction. Point clé de la méthode : la réactivité des piétons au robot influence la dynamique de la foule dès que le robot est visible, mais n'est jamais fournie en entrée à la politique, qui doit donc en déduire les conséquences à partir des seules positions relatives centrées sur le robot. Les expériences, menées en simulation sur plusieurs niveaux de densité de foule et de réactivité, montrent des gains de sécurité et de robustesse par rapport à des méthodes de référence, ainsi qu'un transfert vers des configurations de flux de foule structurellement différentes sans réentraînement. Un déploiement sur robot réel confirme que la politique apprise fonctionne avec des observations limitées. L'enjeu dépasse l'exercice académique : la plupart des politiques de navigation sociale entraînées par apprentissage traitent le mouvement des piétons comme indépendant du robot, ou supposent une réciprocité uniforme entre individus, ce qui ignore une source majeure d'incertitude dans les environnements réels. En modélisant explicitement comment la présence du robot modifie le comportement humain, sans imposer cette information comme donnée d'entrée artificielle, H2INT s'attaque directement à un angle mort connu des robots mobiles autonomes appelés à opérer en entrepôt, hôpital, aéroport ou espace commercial. La capacité démontrée à généraliser sans réentraînement à des topologies de foule inédites est l'élément le plus pertinent pour les intégrateurs, car elle réduit le coût de recalibrage à chaque nouveau site de déploiement, un frein habituel à la commercialisation de la navigation sociale robotisée. Ce travail s'inscrit dans la lignée des recherches en navigation sociale par apprentissage par renforcement, un champ où les limites des hypothèses de réciprocité simplifiée sont documentées depuis plusieurs années. L'abstract ne précise ni les auteurs, ni le laboratoire, ni le matériel robotique utilisé pour la validation réelle, ce qui invite à la prudence tant que ces détails et une évaluation indépendante ne sont pas disponibles. Aucune date de publication en conférence ni de feuille de route de déploiement industriel n'est mentionnée à ce stade.

RecherchePaper
1 source
Assistance sans interruption : un benchmark et un cadre basé sur les LLM pour l'aide humain-robot non intrusive
2arXiv cs.RO 

Assistance sans interruption : un benchmark et un cadre basé sur les LLM pour l'aide humain-robot non intrusive

Une équipe de chercheurs a publié en mai 2026 sur arXiv (arXiv:2605.01368) un cadre formel et un benchmark dédié à l'assistance robotique non intrusive, qu'ils nomment NIABench. Le problème étudié est précis : comment un robot peut-il soutenir un humain en train d'exécuter une séquence d'actions complexes, sans jamais l'interrompre ni attendre une commande explicite ? Les chercheurs proposent également une architecture hybride combinant un grand modèle de langage (LLM) et un modèle de scoring à deux étages : une première couche de récupération sémantique réduit l'espace des actions candidates, puis un module de ranking évalue les paires (étape humaine, action robot) pour arbitrer sur le moment et la nature de l'intervention. Les expériences sont conduites sur NIABench et validées sur des scénarios réels, avec des métriques inédites adaptées à ce paradigme. Ce travail est significatif parce qu'il déplace le curseur de la robotique collaborative vers un mode opératoire radicalement différent : le plan humain devient le processus principal, et le robot se positionne en assistant discret plutôt qu'en agent concurrent. Pour les intégrateurs de robots de service ou de cobots industriels, cela ouvre une voie concrète vers des déploiements où le robot n'exige ni formation de l'opérateur, ni protocole de communication explicite. La formalisation du problème joint, décider simultanément du quand et du quoi, est également un apport méthodologique, car la littérature HRI traitait jusqu'ici ces deux dimensions séparément. La présence d'un benchmark public avec métriques standardisées facilite la comparaison future entre approches. Ce travail s'inscrit dans un courant de recherche HRI qui cherche à dépasser les modèles maître-esclave ou les systèmes à déclenchement explicite. Des approches concurrentes, notamment dans les travaux sur les VLA (Vision-Language-Action models) de DeepMind ou Stanford, adressent la réactivité contextuelle mais sans formaliser explicitement la contrainte de non-intrusion. NIABench pourrait devenir un point de référence pour évaluer ces modèles sur cette dimension précise. Les prochaines étapes naturelles incluent le transfert vers des plateformes embarquées et des tests en environnements industriels réels, bien qu'aucun partenariat ou calendrier de déploiement ne soit mentionné dans cette publication.

RecherchePaper
1 source
Collaboration humain-robot : analyse des modalités d'interaction dans les tâches complexes
3arXiv cs.RO 

Collaboration humain-robot : analyse des modalités d'interaction dans les tâches complexes

Des chercheurs ont soumis sur arXiv un préprint comparant trois modalités d'interaction en collaboration humain-robot sur une tâche d'assemblage contrainte. Dix-huit participants reconstruisaient de mémoire une tour colorée de sept couches à partir de briques proches et éloignées. La modalité passive les plaçait seuls face à la tâche ; la réactive activait l'assistance d'un robot mobile uniquement sur demande explicite ; la proactive permettait au robot d'initier lui-même les livraisons de briques et les signalements d'erreurs sans sollicitation. Résultat contre-intuitif : l'assistance robotique a allongé le temps de complétion dans les deux modalités actives, mais 67 % des participants ont préféré le comportement proactif et 78 % l'ont jugé le plus utile. Ce résultat met en évidence une tension centrale dans la conception des systèmes HRC : efficacité chronométrique et préférence subjective peuvent diverger significativement. Pour les intégrateurs industriels, la question pratique devient immédiate : optimiser le throughput ou l'expérience opérateur ? La supériorité perçue du mode proactif suggère que le support anticipatif réduit la charge cognitive et l'incertitude, deux facteurs critiques en production. L'échantillon restreint de 18 participants en contexte de laboratoire limite toutefois sérieusement la généralisation à une échelle industrielle réelle. Cette étude s'inscrit dans une littérature croissante sur les AMR (robots mobiles autonomes) dotés de comportements adaptatifs, en dialogue direct avec les approches basées sur des architectures VLA (Vision-Language-Action) pour la planification d'intention. En Europe, des acteurs comme Enchanted Tools et des équipes académiques comme le LAAS-CNRS explorent des interfaces humain-robot de nature comparable. Les suites logiques de ce travail incluent un échantillon élargi, des tests hors laboratoire et l'évaluation de la fatigue cognitive sur des horizons temporels plus longs.

UELe LAAS-CNRS et Enchanted Tools explorent des interfaces humain-robot comparables, rendant ces résultats pertinents pour les équipes françaises travaillant sur la robotique collaborative et les AMR adaptatifs.

RecherchePaper
1 source
De la collecte de dialogues humain-robot en magicien d'Oz à une taxonomie des décisions de réponse robotique : analyse rétrospective d'interactions avec un pilote d'assistance
4arXiv cs.RO 

De la collecte de dialogues humain-robot en magicien d'Oz à une taxonomie des décisions de réponse robotique : analyse rétrospective d'interactions avec un pilote d'assistance

Des chercheurs ont publié le 18 septembre 2026 sur arXiv (référence 2609.19447v1) une analyse rétrospective d'une étude pilote menée selon le protocole du Magicien d'Oz, où un opérateur humain simule les réponses d'un robot avant qu'un système autonome ne le fasse réellement. Cinq participants ont réalisé des tâches domestiques courantes (ouvrir une porte, ouvrir un tiroir, s'alimenter, boire, nettoyer) à l'aide d'un manipulateur mobile monté sur un fauteuil roulant, l'opérateur répondant sans politique de communication formelle prédéfinie. À partir de 40 épisodes de dialogue collectés, les auteurs ont construit une taxonomie hiérarchique de six modes de réponse du robot (répondre, signaler une tâche accomplie, refuser, confirmer, demander une clarification, agir) et quatre types d'ambiguïté (intention, référence, position spatiale, intelligibilité de l'énoncé). Deux annotateurs humains et un annotateur automatique basé sur un modèle d'IA ont appliqué cette grille: les taux d'étiquetage jugés propres atteignent 91% et 89%, avec un coefficient kappa de Cohen compris entre 0,72 et 0,95 selon le niveau considéré, pour les comparaisons humain-humain comme humain-IA. Un modèle vision-langage LLaVA-1.6-7B a ensuite été affiné sur les étiquettes issues de cette taxonomie pour les catégories agir et clarifier. Ce travail cible un angle mort connu du secteur: les robots suivant des instructions en langage naturel doivent gérer des consignes humaines incomplètes (objet hors champ, destination non précisée, but implicite), alors que les jeux de données existants contiennent peu de dialogues réels situés et offrent peu de critères ancrés dans la pratique pour décider quand un robot doit agir, confirmer, clarifier ou refuser. Pour la robotique assistive et pour les équipes qui entraînent des modèles vision-langage-action, cette taxonomie fournit un cadre d'annotation reproductible plutôt qu'une preuve de concept isolée: elle rend mesurable la cohérence des décisions de dialogue, un maillon souvent négligé derrière les démonstrations de manipulation pure. Le fait qu'un modèle comme LLaVA-1.6-7B puisse être entraîné sur ces étiquettes ouvre une voie concrète vers une gestion plus systématique de l'ambiguïté, mais il s'agit d'une étude pilote à échelle réduite (cinq participants, 40 épisodes), non d'un système déployé. La démarche part d'un constat de terrain: l'étude Magicien d'Oz initiale, menée sans politique de communication formelle pour préserver un comportement utilisateur authentique, a produit des décisions robot incohérentes d'un épisode à l'autre, ce qui a motivé a posteriori un schéma de décision explicite. Les auteurs signalent des cas limites persistants, notamment dans l'identification du point de décision et dans la catégorie "tâche accomplie", et appellent à un protocole de collecte plus contraint pour des dialogues plus cohérents. L'étude ne cite aucun fournisseur commercial ni plateforme robotique nommée: elle s'inscrit dans la recherche académique sur l'interaction humain-robot assistive, avec un manipulateur mobile monté sur fauteuil destiné à des utilisateurs à mobilité réduite, et prépare le terrain pour des collectes de données plus larges et des modèles VLA mieux capables d'arbitrer entre agir immédiatement et engager une clarification.

RecherchePaper
1 source