RechercheInteresting Engineering 4 août 2026

Robots humanoïdes expressifs : la confiance grandit, mais les erreurs la font chuter rapidement

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une étude de l'université Drexel montre que la confiance envers les robots humanoïdes expressifs s'effondre plus vite qu'elle ne s'était installée dès la première erreur. Cinquante adultes ont interagi avec Pepper, robot conçu à l'origine par la société française Aldebaran Robotics avant son rachat par SoftBank, décliné en deux versions : l'une expressive, avec contact visuel, hochements de tête, gestes et acquiescements verbaux type "uh-huh" ; l'autre immobile, délivrant le même dialogue scripté sans aucun signal non verbal. Chaque participant a suivi trois sessions, les deux premières sans erreur pour établir la confiance, la troisième introduisant volontairement des ratés conversationnels (réponses hors sujet, interruptions, raisonnements incohérents, demandes de répétition) plutôt que des pannes mécaniques. Fait rare pour ce type d'étude, les chercheurs ont croisé quatre mesures simultanées : activité cérébrale par spectroscopie proche infrarouge fonctionnelle (fNIRS) portable, taux d'ocytocine salivaire, notes de confiance déclarées et décisions comportementales réelles.

Le robot expressif captait davantage l'attention et influençait plus les choix des participants tant qu'il ne se trompait pas. Mais dès l'apparition d'erreurs, sa capacité à peser sur les décisions a chuté de plus de moitié, un effondrement plus marqué que pour la version immobile. Les IRM ont montré que les erreurs du robot expressif activaient le cortex préfrontal dorsolatéral et médian, zones impliquées dans le raisonnement social, signe que les participants traitaient ces ratés comme une trahison sociale plutôt qu'un simple bug technique. À l'inverse, les erreurs du robot immobile étaient perçues comme de simples défaillances système, avec une réaction neurale plus faible. Pour les concepteurs de robots sociaux destinés à la santé, l'éducation, le service client ou le domicile, le message est clair : plus un robot paraît humain, plus l'expérience utilisateur devient fragile face à l'erreur, ce qui interroge directement les stratégies actuelles misant sur l'expressivité pour vendre l'adoption.

Résultat inattendu, l'ocytocine, hormone habituellement associée au lien social, augmentait après les erreurs des deux robots alors même que la confiance chutait. Les chercheurs y voient un signal de vigilance accrue face à un comportement social jugé peu fiable, plutôt qu'un marqueur d'attachement renforcé. Contrairement aux études précédentes sur la confiance homme-robot, majoritairement fondées sur de simples questionnaires déclaratifs, ce protocole multimodal permet d'observer en temps réel la dynamique neurologique, physiologique et comportementale des interactions. L'étude ne fournit pas de calendrier de déploiement ni d'acteur industriel précis pour intégrer ces résultats, mais elle pose un jalon méthodologique pour l'évaluation des interfaces sociales robotiques, à un moment où healthcare, retail et éducation multiplient les pilotes avec des humanoïdes conversationnels.

À lire aussi

1arXiv cs.RO

Un système pour des comportements loco-manipulatoires rapides, résilients et adaptatifs sur les robots humanoïdes

Des chercheurs de l'IHMC (Institute for Human and Machine Cognition) ont publié une thèse présentant un système de pilotage comportemental pour robots humanoïdes, conçu pour combiner locomotion et manipulation d'objets en temps réel dans des environnements industriels non structurés. Le système, déployé sur cinq plateformes distinctes, le DRC Atlas de Boston Dynamics, le Valkyrie de la NASA, le Nadia d'IHMC et Boardwalk Robotics, le H1-2 d'Unitree et l'Alex d'IHMC, permet à un opérateur de créer, modifier et superviser des comportements directement pendant l'exécution, sans arrêt du robot. La bibliothèque de comportements couvre plus de vingt variantes de tâches réelles : ouverture de portes à poignée rotative, barre anti-panique ou levier, séquences d'exploration multi-étapes, désencombrement d'obstacles et manipulation réactive de surface à surface. Ce travail s'attaque à l'un des verrous fondamentaux de la robotique humanoïde commerciale : la fragilité des comportements face à la variabilité du monde réel. En combinant des "Affordance Templates" centrés sur les objets, une logique inspirée des Behavior Trees et une couche de perception éditable à l'exécution, l'architecture permet d'adapter, d'étendre ou de composer des comportements existants en quelques minutes à quelques heures. C'est une rupture significative par rapport aux pipelines d'apprentissage bout-en-bout, type VLA (Vision-Language-Action), qui nécessitent des cycles d'entraînement longs pour toute nouvelle tâche. Le système repose sur un contrôleur corps-entier autorisant le mouvement des bras pendant la marche, avec un algorithme de superposition d'actions concurrentes pour accélérer les cycles. Le contexte académique est celui du DARPA Robotics Challenge (2013-2015), dont les principes de "Coactive Design", observabilité maximale, prédictibilité, directivité, ont structuré toute l'architecture. Cette thèse constitue une capitalisation de plusieurs années de déploiements multi-robots au sein de l'IHMC, laboratoire fédéral américain historiquement centré sur la locomotion bipède. Face aux approches concurrentes purement end-to-end de Figure AI, Physical Intelligence (pi0) ou Tesla Optimus, ce système positionne un pôle alternatif : contrôle symbolique hybride, intervention opérateur en boucle courte, portabilité multi-plateforme. La prochaine étape naturelle serait une intégration avec des politiques apprises pour les sous-tâches de manipulation fine, comblant le gap sim-to-real que ni l'approche symbolique ni l'apprentissage seul ne résolvent pleinement à ce stade.

RecherchePaper

1 source

2Interesting Engineering

Robot humanoïde marche sur sable, gravier et pentes grâce à un cadre d'entraînement plus rapide

Des chercheurs du Georgia Institute of Technology ont mis au point un nouveau cadre d'apprentissage automatique baptisé « Learn to Teach » (L2T), qui permet à un robot humanoïde bipède de marcher sur du sable, du gravier, de l'herbe détrempée, des pentes, des escaliers et des surfaces glissantes, tout en réduisant nettement le temps et la puissance de calcul nécessaires à l'entraînement du contrôleur. Contrairement à l'apprentissage classique par renforcement de type enseignant-élève, où un modèle « professeur » est d'abord entraîné en simulation avant de transmettre ses connaissances à un modèle « élève » qui pilote le robot réel, la méthode de Georgia Tech entraîne les deux agents simultanément. Selon Feiyang Wu, chercheur principal du projet, l'approche séquentielle classique pose deux problèmes : elle prend trop de temps et gaspille une partie des informations collectées par le professeur en cours d'apprentissage. Le contrôleur a été testé sur un robot humanoïde grandeur nature dans le laboratoire du professeur associé Ye Zhao, où l'équipe a aussi poussé et tiré la machine pendant les essais pour observer sa capacité à ajuster sa démarche et rester stable. Les travaux ont été présentés à l'ICRA (IEEE International Conference on Robotics and Automation). Cette avancée s'attaque à un goulot d'étranglement bien identifié dans la robotique humanoïde : l'entraînement de contrôleurs en simulation nécessite souvent des heures de calcul sur du matériel GPU coûteux, un frein direct à l'itération rapide et au déploiement à grande échelle. En faisant apprendre le professeur et l'élève en parallèle, et en permettant au professeur de tirer des enseignements de l'expérience de l'élève, l'équipe réduit ce que les roboticiens appellent le « fossé d'imitation » entre les conditions idéalisées de la simulation et la réalité du terrain, un problème central dans le débat sur le fameux « sim-to-real gap ». Fait notable, le même contrôleur généraliste a surpassé le logiciel fourni par le fabricant du robot sur plusieurs types de terrains, sans nécessiter de contrôleurs distincts par environnement, ce qui illustre la valeur d'une recherche en apprentissage automatique directement confrontée au monde réel plutôt qu'à des démonstrations scénarisées. Wu reconnaît que l'équipe ne s'attendait pas elle-même à une telle polyvalence pour un robot humanoïde aussi volumineux, la locomotion agile sur terrain accidenté n'ayant jusqu'ici jamais été véritablement démontrée pour ce type de machine. Au-delà de la marche, les chercheurs estiment que le cadre « Learn to Teach » pourrait s'appliquer à d'autres architectures de robots et à des tâches variées exigeant un déplacement fiable en environnement imprévisible, ouvrant une piste de recherche transférable bien au-delà du seul cas d'usage testé à Atlanta.

RecherchePaper

1 source

3Interesting Engineering

Robots humanoïdes réussissent un jeu complet de corde à sauter longue sans aide humaine

Des chercheurs de l'Universite de Nanjing ont développe un système baptise Marope qui permet a des robots humanoïdes de jouer ensemble a la corde a sauter longue, sans intervention humaine : deux robots font tourner une corde partagée pendant qu'un troisième saute en rythme. Les résultats figurent dans un preprint accompagne de vidéos publiées sur une page projet dédiée. L'approche compte trois étages : une politique décentralisée, apprise par renforcement multi-agent, coordonne le mouvement de la corde entre les deux tourneurs ; une politique d'ordonnancement ajuste ensuite ces commandes en temps réel pour synchroniser la rotation avec le rythme du sauteur et éviter les collisions ; le robot sauteur a lui été entraine sur plusieurs styles de saut pour généraliser a différents partenaires. En simulation, Marope réduit les erreurs de suivi de la corde et le glissement des pieds face a des approches de référence, dont une version a agent unique pilotant les deux tourneurs. L'équipe a déployé le système sur des robots Unitree G1 réels, coordonnant avec succès des rotations humanoïde-humanoïde et humanoïde-humain, ainsi que des sauts mêlant participants humains et robotiques. L'équipe présente ce travail comme une première : la coordination réussie de plusieurs robots humanoïdes sur une tache physique partagée aussi précise. Contrairement aux précédents projets de sport robotique (tennis de table, danse, course a pied), généralement portes par un seul robot agissant seul ou réagissant a un objet extérieur, la corde a sauter longue impose une véritable coopération entre deux agents qui manipulent un objet souple et imprévisible tout en gardant leur équilibre, et qui doivent en plus se synchroniser avec un troisième agent au rythme variable. Pour les chercheurs et intégrateurs en robotique, la démonstration illustre les progrès de l'apprentissage par renforcement multi-agent sur des taches ou plusieurs robots partagent le contrôle d'un objet physique instable, un scenario pertinent au-delà du jeu pour la manipulation collaborative en environnement industriel. Il s'agit néanmoins d'une preuve de concept de laboratoire, pas d'un produit commercial ni d'un déploiement en conditions réelles. Le système tourne sur la plateforme humanoïde Unitree G1, du fabricant chinois Unitree Robotics, déjà largement utilisée comme banc d'essai par les laboratoires de recherche en robotique. Les chercheurs reconnaissent plusieurs limites : le cadre est conçu spécifiquement pour la corde a sauter longue et ne se généralisé pas automatiquement a d'autres taches coopératives entre humanoïdes ; le système actuel ne gère qu'un seul sauteur a la fois, et des formats plus complexes comme le double dutch restent non résolus. Surtout, l'ensemble repose sur un système de capture de mouvement externe pour suivre la corde et les participants, un dispositif qu'il faudrait remplacer par des capteurs embarques avant d'envisager une coordination réaliste entre humanoïdes et humains au quotidien, une piste que l'équipe présente comme un axe de travail futur.

RecherchePaper

1 source

4arXiv cs.RO

MARCH : apprentissage par renforcement assisté par modèle pour le contrôle perceptif de robots humanoïdes sur appuis rares

Des chercheurs ont publié sur arXiv (2606.10288) MARCH, un cadre d'apprentissage par renforcement assisté par modèles pour la locomotion bipedale sur appuis épars. La méthode repose sur trois étapes : générer une trajectoire de référence sûre à partir de modèles dynamiques simplifiés, entraîner une politique "enseignante" guidée par un reward basé sur une Control Lyapunov Function (CLF), puis distiller cette politique dans une politique "étudiante" visuelle déployable sur robot réel. L'ensemble a été validé en simulation et déployé sur un Unitree G1, humanoïde commercialisé autour de 16 000 dollars, naviguant sur des appuis épars avec contraintes latérales. L'enjeu est de réconcilier deux familles de méthodes historiquement opposées : les approches basées modèle (MPC, optimisation de contact) sont précises mais fragiles face à l'incertitude de terrain, tandis que le RL pur est robuste mais peine à découvrir les mouvements finement contraints nécessaires à la locomotion safety-critical, où une erreur de quelques centimètres peut provoquer une chute. Le reward CLF injecte une connaissance physique dans la boucle d'apprentissage sans curriculum d'entraînement complexe, améliorant l'efficacité d'échantillonnage et produisant une locomotion plus fluide. Les performances sur stepping stones sont déclarées comparables aux baselines RL purs, ce qui suggère que l'hybridation modèle/apprentissage est viable à coût computationnel comparable. Ce travail s'inscrit dans l'axe locomotion perceptive porté par ETH Zurich (parkour RL, 2023), Carnegie Mellon et Berkeley. La distillation teacher-student, popularisée par Agility Robotics et ANYbotics dans leurs pipelines de développement, est ici enrichie d'une contrainte CLF théoriquement fondée. Le Unitree G1 est devenu une plateforme quasi-standard dans les labos de locomotion pour sa documentation et son prix accessible. Il s'agit d'un preprint arXiv non évalué par les pairs, sans déploiement industriel ni timeline commerciale annoncés. Les prochaines étapes naturelles seraient une validation sur terrain extérieur non structuré et une comparaison directe avec les approches MPC de nouvelle génération.

UEImpact marginal : ETH Zurich (Suisse, hors UE) est cité en travaux connexes, mais aucun labo ou industriel européen n'est directement impliqué dans ce preprint.

RecherchePaper

1 source