Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
L'enseignement comme processus : le cadre TOSS pour modéliser les décisions humaines d'enseignement dans l'apprentissage robotique interactif
RecherchearXiv cs.RO 

L'enseignement comme processus : le cadre TOSS pour modéliser les décisions humaines d'enseignement dans l'apprentissage robotique interactif

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

Une étude exploratoire menée auprès de 34 participants (N=34) documente pour la première fois la logique intuitive que les humains appliquent lorsqu'ils enseignent à un robot par apprentissage par renforcement (RL). Les chercheurs ont fait observer aux participants deux scénarios distincts de RL robotique et ont analysé 204 réponses d'enseignement intuitif, réparties sur trois phases d'apprentissage du robot (précoce, intermédiaire, tardive). L'analyse révèle que les décisions d'enseignement ne sont pas de simples signaux de récompense ponctuels, mais forment un réseau structuré de quatre composantes: des déclencheurs (situations qui incitent à intervenir), des objectifs (ce que l'enseignant cherche subjectivement à obtenir), des signaux (les actes de communication effectivement produits) et des stratégies (une logique de pilotage de plus haut niveau). Les participants endossent spontanément des rôles différents selon les moments, tantôt coach, tantôt ingénieur, tantôt concepteur, avec des priorités d'objectifs qui varient en conséquence. Ces résultats sont formalisés dans le cadre théorique TOSS (Trigger-Objective-Signal-Strategy), publié le 24 août 2026 sur arXiv (2608.21083).

Cette recherche met en évidence un décalage entre la manière dont les algorithmes de RL interactif attendent un retour humain, généralement un signal de récompense simple et homogène, et la façon dont les humains enseignent réellement, de manière contextuelle, changeante et stratégique. Pour les équipes qui conçoivent des pipelines d'apprentissage par démonstration ou des interfaces de feedback humain pour robots, ce constat suggère que les hypothèses simplificatrices actuelles limitent l'efficacité de l'apprentissage interactif et que des architectures capables d'intégrer des rôles et objectifs multiples pourraient mieux exploiter l'expertise humaine.

Le travail s'inscrit dans le champ de l'interaction humain-robot appliquée à l'apprentissage par renforcement interactif, où la modélisation du comportement de l'enseignant humain reste peu formalisée malgré son rôle central dans l'apprentissage supervisé par démonstration. Les auteurs mettent à disposition un jeu de données ouvert accompagnant le cadre TOSS, destiné à servir de base pour simuler des oracles humains réalistes et concevoir de nouveaux algorithmes de RL ainsi que des interfaces d'enseignement centrées sur l'humain, au-delà des contraintes des configurations actuelles.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Exploitation de l'expertise humaine pour l'assemblage robotique de précision dans la construction industrialisée : un cadre d'apprentissage par renforcement interactif avec installateur dans la boucle, économe en échantillons
1arXiv cs.RO 

Exploitation de l'expertise humaine pour l'assemblage robotique de précision dans la construction industrialisée : un cadre d'apprentissage par renforcement interactif avec installateur dans la boucle, économe en échantillons

Une équipe de recherche a publié sur arXiv, en septembre 2026, un cadre d'apprentissage par renforcement interactif pour l'assemblage robotique de fenêtres préfabriquées en construction industrialisée (arXiv:2609.13234). Le système combine démonstrations téléopérées hors ligne, reprises en main binaires de l'installateur aux seuls échecs de contact, et récompenses terminales alignées sur les critères d'acceptation, pilotées par une politique d'action séquentielle fondée sur Q-chunking et Flow Q-Learning. Testé dans le simulateur MuJoCo, de la préhension par ventouse jusqu'au positionnement à jeu serré, le pipeline atteint 100% de pose autonome réussie avec 12 à 15 minutes de supervision humaine cumulée sur 3 heures d'entraînement en ligne, pour un jeu de 2 mm par côté avec pose et frottement randomisés. Le seuil de 95% de réussite est atteint en 0,5 puis 1,5 heure selon les deux configurations testées. Ce résultat cible un verrou classique de la robotique de construction: convertir le savoir-faire tacite d'un installateur en autonomie exploitable malgré un retour d'acceptation rare et une forte variabilité de contact. En ramenant à quelques minutes la supervision nécessaire pour approcher une fiabilité totale sur des tolérances millimétriques, l'étude suggère qu'un apprentissage par renforcement guidé par l'humain reste efficace même à récompense très sparse, un enjeu direct pour les intégrateurs visant l'automatisation d'assemblages jugés jusqu'ici trop précis pour la robotique classique. Une réserve s'impose: tous les résultats proviennent de simulation, sans essai sur robot physique ni déploiement réel rapporté, et le transfert sim-to-réel sur un jeu de 2 mm reste l'inconnue principale avant toute application industrielle. La méthode prolonge les travaux récents sur l'apprentissage hors ligne vers en ligne et sur les politiques d'action segmentées (Q-chunking), associées ici à Flow Q-Learning pour capturer des manœuvres de récupération multimodales en cas d'échec de contact, avec une phase de warm-start pour stabiliser la transition. Elle se distingue des approches tout-autonome ou tout-téléopérées en ne sollicitant l'opérateur qu'aux frontières d'échec de contact. L'article ne cite ni partenaire industriel, ni site de déploiement, ni concurrent nommé, ni calendrier de pilote: il s'agit d'une contribution méthodologique validée par ablations isolant les apports de l'abstraction temporelle, de l'intervention humaine et du calibrage du warm-start, sans feuille de route de production précisée.

RecherchePaper
1 source
Repenser les implications du retour humain pour l'apprentissage des préférences dans la collaboration homme-robot
2arXiv cs.RO 

Repenser les implications du retour humain pour l'apprentissage des préférences dans la collaboration homme-robot

Une équipe de recherche en interaction homme-robot publie sur arXiv (2609.13982) une remise en cause de la méthode standard d'apprentissage des préférences pour le comportement des robots collaboratifs. Cette méthode standard fonctionne en trois étapes : le robot collecte un feedback humain direct limité, généralement binaire (positif ou négatif) ; il en déduit ensuite des étiquettes "acceptée" ou "rejetée" pour des actions faisables mais non choisies, via des règles d'implication fixes préétablies ; puis il met à jour son modèle de récompense avec l'ensemble de ces données. Une étude utilisateur menée sur deux environnements de simulation collaboratifs montre que les étiquettes d'implication réellement données par les humains divergent souvent de ce que prédit la règle fixe, et que l'usage des étiquettes humaines réelles améliore nettement l'apprentissage de récompense avec l'algorithme PIE (Preference Learning from Implicit and Explicit Feedback). Les chercheurs proposent en réponse IMPLIED, une méthode qui utilise la règle fixe comme simple point de départ tout en apprenant à inférer et corriger les étiquettes au fil des interactions. Testée sur des trajectoires d'interaction homme-robot enregistrées ainsi que sur une étude avec un robot physique préparant des pizzas, IMPLIED prédit les implications humaines plus fidèlement que la règle fixe et que des références basées sur des LLM, en se rapprochant des performances d'un oracle utilisant directement des étiquettes humaines. Ce résultat questionne une hypothèse implicite largement répandue dans la conception des systèmes de robots collaboratifs : que des règles logiques figées suffisent à extrapoler les préférences humaines au-delà du feedback explicite donné. Pour les concepteurs de robots d'assistance ou de cobots industriels, cela signifie que les modèles de récompense actuels risquent de mal interpréter systématiquement l'intention des opérateurs sur les actions non directement évaluées, ce qui peut se traduire par un comportement robotique perçu comme irrationnel ou mal aligné en situation réelle de collaboration. En réduisant l'erreur d'estimation des préférences, IMPLIED promet des robots capables de s'adapter plus vite et plus fidèlement à un opérateur humain sans multiplier les sollicitations de feedback, un enjeu direct pour l'efficacité des déploiements en environnement partagé homme-robot. Le travail s'inscrit dans la lignée des approches d'apprentissage de préférences par renforcement inverse appliquées à la robotique collaborative, où l'algorithme PIE sert de référence pour combiner feedback explicite et implicite. En comparant IMPLIED à la fois à la règle fixe classique et à des références utilisant des grands modèles de langage, les auteurs positionnent leur méthode comme une alternative apprise et adaptative aux heuristiques statiques du domaine. La validation combine environnements simulés et un cas d'usage physique concret de fabrication culinaire, suggérant une voie vers une intégration future dans des architectures de robots collaboratifs déployés en usine ou en environnement de service.

RecherchePaper
1 source
PACER : apprentissage de politiques VLA sensibles au processus à partir de corrections humaines pour le démontage robotisé
3arXiv cs.RO 

PACER : apprentissage de politiques VLA sensibles au processus à partir de corrections humaines pour le démontage robotisé

Des chercheurs présentent PACER (Process-Aware Correction and Evidence Reweighting), un cadre d'apprentissage pour le démontage robotisé de produits en fin de vie, publié sur arXiv. Il est évalué sur le démontage de cartes mères avec un bras UR5e, sur cinq classes de composants. La tâche testée est l'approche du composant puis sa remise (« approach-and-handoff »). Sur un benchmark de validation tenu à l'écart de l'entraînement, PACER réussit 87 essais sur 100, contre 54 sur 100 pour la politique VLA (vision-langage-action) de référence simplement affinée par fine-tuning supervisé (SFT). Le principe est de réutiliser deux sources d'expérience : les déploiements de la politique elle-même, qui enregistrent ses tentatives d'approche, et les corrections humaines, qui montrent comment récupérer après une erreur. Chaque segment d'actions (« action chunk ») est pondéré dans la fonction de perte supervisée native selon la progression vers la cible, la source de la trace et son résultat. Le framework entraîne une politique par réglage de pondération, puis retient celle qui obtient le meilleur score en validation. L'enjeu est pratique pour les intégrateurs du recyclage et du reconditionnement. Le démontage doit absorber la variabilité des produits, respecter des séquences de prérequis et approcher les composants avec précision pour une manipulation riche en contacts. Les données de démontage sont rares et coûteuses, et le SFT seul ne couvre pas les décalages de distribution liés à l'environnement ou à l'incertitude sur le produit. L'intérêt de PACER est de ne pas modifier la fonction de perte ni d'ajouter une phase d'apprentissage par renforcement : il repondère des données déjà collectées, ce qui limite le coût d'intégration. Le gain de 33 points est net, mais il reste à nuancer. Il provient d'un seul article, sur un seul bras, une seule famille de produits et une tâche limitée à l'approche et à la remise, sans démontage complet. La sélection finale sur validation conserve aussi la meilleure politique parmi plusieurs entraînées, ce qui peut flatter le chiffre. Aucune donnée n'est fournie dans le résumé sur les temps de cycle, le nombre de corrections nécessaires ni la robustesse face à des cartes inconnues. Ces travaux s'inscrivent dans la montée des politiques VLA affinées sur peu de démonstrations, comme Pi-0 ou GR00T, dont le point faible reste la généralisation hors distribution en environnement industriel. L'apprentissage à partir de corrections humaines, de type DAgger ou « human-in-the-loop », existait déjà, mais PACER y ajoute une pondération tenant compte du processus. La suite logique sera la validation sur des produits plus variés, des séquences complètes de démontage et un test hors laboratoire. À ce stade, il s'agit d'un résultat de recherche et non d'un produit déployé, et aucun partenaire industriel ni calendrier de pilote n'est annoncé.

RecherchePaper
1 source
Ce qui compte pour les actions latentes dans l'apprentissage robotique
4arXiv cs.RO 

Ce qui compte pour les actions latentes dans l'apprentissage robotique

Des chercheurs publient sur arXiv (2608.19613v1, article inédit non encore évalué par les pairs) la première étude empirique systématique consacrée aux Latent Action Models (LAM), une famille de modèles qui permet à l'apprentissage robotique d'exploiter de grands volumes de vidéos non étiquetées en les traduisant en actions latentes, des substituts compacts aux commandes physiques réelles. Les auteurs unifient les méthodes LAM existantes dans un cadre autoencodeur commun, puis testent systématiquement 41 choix de conception répartis en trois axes : les paradigmes de modélisation des actions latentes, les objectifs d'apprentissage et méthodes de régularisation associées, et les stratégies d'intégration de ces actions latentes dans les politiques de contrôle robotique. Ils évaluent également quatre métriques proxy censées juger la qualité des actions latentes, en vérifiant si elles prédisent effectivement la performance en manipulation. Les expériences couvrent trois benchmarks standards du domaine, avec une validation complémentaire sur des tâches de manipulation exécutées par un robot réel. Le résultat principal, le fine-tuning du backbone d'un modèle vision-langage (VLM) avec des actions latentes offre une meilleure initialisation pour l'apprentissage de politiques robotiques en aval qu'une simple utilisation figée du VLM, apporte une base empirique à un pan de recherche jusqu'ici dispersé. Pour les équipes qui développent des modèles VLA (vision-langage-action), ce travail répond à un problème concret : la rareté et le coût des données d'action étiquetées poussent le secteur à préentraîner sur des vidéos non annotées, mais chaque laboratoire testait ses propres choix d'architecture dans des conditions expérimentales différentes, rendant les comparaisons peu fiables. Cette étude fournit des repères de conception réels plutôt que des affirmations marketing sur le préentraînement vidéo. Le contexte est celui d'un champ de recherche fragmenté : les méthodes LAM se sont multipliées ces dernières années sans cadre d'évaluation commun, chaque publication isolant une variable différente. En proposant un cadre unifié et une comparaison à grande échelle de 41 configurations, les auteurs cherchent à combler ce vide méthodologique. Il s'agit d'un travail académique de type ablation étude, pas d'un produit ni d'un déploiement commercial : les suites attendues concernent l'adoption de ces recommandations de conception par les équipes développant des modèles VLA préentraînés sur vidéo à plus grande échelle.

RecherchePaper
1 source