Décoder la confiance : comment l'apprentissage automatique prédit le confort humain dans la collaboration robotique

Décoder la confiance : comment les modèles d'apprentissage automatique prédisent le confort humain dans la collaboration robotique

Alors que l'Industrie 5.0 déplace l'attention vers une fabrication centrée sur l'humain, la capacité des robots à évaluer la confiance humaine est devenue une exigence de sécurité critique. Des chercheurs de l'Aalborg University et de l'Istituto Italiano di Tecnologia (IIT) ont mis au point un cadre basé sur les données qui permet aux machines d'interpréter les signaux comportementaux, leur permettant d'ajuster leurs mouvements et d'établir un rapport avec les opérateurs humains en temps réel. En allant au-delà des enquêtes traditionnelles post-interaction, l'équipe a démontré avec succès que les machines peuvent quantifier la qualité intangible de la confiance humaine à travers les mouvements physiques et les paramètres d'interaction, atteignant des niveaux élevés de précision prédictive dans des environnements industriels à enjeux élevés.

L'évolution de l'Industrie 5.0

Le paysage industriel subit actuellement un changement de paradigme, passant de l'Industrie 4.0 — qui privilégiait l'hyper-efficacité et l'automatisation de masse — aux objectifs plus nuancés de l'Industrie 5.0. Cette nouvelle ère met l'accent sur la fabrication centrée sur l'humain, où les robots collaboratifs (cobots) ne sont pas de simples outils, mais des partenaires travaillant aux côtés des opérateurs humains. Cette transition nécessite de se concentrer sur la sécurité au travail, l'ergonomie et le confort psychologique. Dans un cadre collaboratif, l'automatisation « aveugle » ne suffit plus ; un robot qui se déplace trop rapidement ou trop près d'un opérateur peut induire du stress, mener à l'erreur humaine ou même causer des dommages physiques.

La confiance est le pivot de cette interaction. Telle que définie par les chercheurs du domaine, la confiance est la conviction qu'un agent soutiendra les objectifs d'une personne, en particulier dans des situations incertaines ou vulnérables. Dans les environnements industriels, un déséquilibre de confiance est dangereux : un manque de confiance peut entraîner une surcharge pour l'opérateur qui finit par micro-gérer la machine, tandis qu'un excès de confiance peut conduire à la complaisance et à des risques de sécurité. Pour remédier à cela, l'équipe de recherche, comprenant Giulio Campagna et Arash Ajoudani, a cherché à créer un système permettant aux robots de détecter ces états psychologiques subtils et de recalibrer leur comportement en conséquence.

La mécanique de la modélisation de la confiance

Le cœur de l'étude, récemment publiée dans IEEE Robotics and Automation Letters, s'articule autour d'un nouveau cadre basé sur les données, conçu pour évaluer la confiance par le biais d'indicateurs comportementaux. En son centre se trouve un algorithme d'optimisation basée sur les préférences (PBO). Contrairement aux modèles traditionnels qui pourraient deviner les préférences d'un utilisateur, l'algorithme PBO génère des trajectoires de robot spécifiques puis sollicite activement les commentaires de l'opérateur. Cela crée une boucle de rétroaction où le robot apprend quels mouvements — tels que des temps d'exécution spécifiques ou des distances de séparation — sont perçus comme dignes de confiance par le partenaire humain.

La recherche a été menée par une équipe multidisciplinaire comprenant Marta Lagomarsino et Marta Lorenzini du Human-Robot Interfaces and Interaction Lab de l'IIT, aux côtés de chercheurs du Human-Robot Interaction Lab de l'Aalborg University. En quantifiant les sentiments humains subjectifs en paramètres d'interaction mathématiques, l'équipe a comblé le fossé entre la psychologie humaine et le contrôle robotique. Le cadre optimise trois variables clés : le temps d'exécution du robot, la distance physique entre l'humain et la machine, et la proximité verticale de l'effecteur terminal du robot par rapport à la tête de l'utilisateur.

Traduire le comportement en données

Un défi important en robotique est la transition de l'observation qualitative à la modélisation prédictive quantitative. Pour surmonter cela, les chercheurs ont identifié des indicateurs comportementaux spécifiques — dérivés à la fois du langage corporel de l'humain et du mouvement propre du robot — qui signalent les niveaux de confiance. Les facteurs liés à l'humain ont été suivis à l'aide d'une capture de mouvement du corps entier, surveillant la tête et le haut du corps pour détecter des signes d'hésitation ou de confort. Ces indicateurs ont ensuite été couplés aux caractéristiques de mouvement du robot pour fournir une vue holistique de la collaboration.

En utilisant le retour explicite de l'opérateur comme « vérité terrain », les chercheurs ont entraîné des modèles d'apprentissage automatique à reconnaître les signatures physiques de la confiance. L'auteur principal Giulio Campagna et ses collègues se sont concentrés sur la relation dynamique entre la façon dont un humain bouge en réponse à la trajectoire d'un robot. Cette méthodologie permet au modèle de prédire les préférences de confiance même lorsque l'opérateur ne fournit pas de feedback actif, transformant un comportement physique silencieux en un flux riche de données qui informe le prochain mouvement du robot.

Étude de cas : simulation dans l'industrie chimique

Pour tester le cadre dans un environnement réaliste à enjeux élevés, l'équipe a mis en œuvre un scénario impliquant la tâche dangereuse de mélanger des produits chimiques. Dans cette simulation, un manipulateur robotique assistait un opérateur humain pour verser et transporter des agents chimiques. Cet environnement a été choisi spécifiquement parce que le danger potentiel — et donc la nécessité de confiance — est intrinsèquement élevé. L'expérience a consisté à suivre les mouvements du corps entier de l'opérateur pendant que le robot effectuait diverses trajectoires basées sur les paramètres de l'algorithme PBO.

Les résultats ont été probants. L'équipe de recherche a évalué plusieurs modèles d'apprentissage automatique, le « Voting Classifier » obtenant un taux de précision remarquable de 84,07 %. Plus impressionnant encore, le modèle a enregistré un score d'aire sous la courbe ROC (AUC-ROC) de 0,90, une mesure qui indique un haut niveau de fiabilité et une forte capacité à distinguer les différents niveaux de confiance. Ces mesures suggèrent que le cadre ne se contente pas de deviner, mais décode avec précision la relation entre le mouvement humain et les états de confiance internes.

Implications futures pour la sécurité au travail

Les implications de cette recherche s'étendent bien au-delà du laboratoire. En intégrant la détection de la confiance en temps réel dans les robots industriels, les entreprises peuvent améliorer considérablement la sécurité au travail. Un robot qui détecte l'inconfort d'un opérateur peut ralentir de manière autonome ses mouvements ou augmenter sa distance, réduisant ainsi la charge cognitive et le stress de l'opérateur. Cela crée un système en « boucle fermée » où le robot recalibre constamment son comportement pour maintenir le niveau de confiance optimal, prévenant les accidents qui découlent souvent des frictions entre l'humain et le robot.

De plus, l'utilisation des valeurs SHAP (SHapley Additive exPlanations) dans l'étude ajoute une couche d'explicabilité à l'IA. Cela permet aux chercheurs de voir exactement quels indicateurs comportementaux — tels que la vitesse de retrait d'un humain ou l'angle de sa tête — influencent le plus le score de confiance. Alors qu'Arash Ajoudani et l'équipe de l'IIT continuent de perfectionner ces modèles, l'accent se déplacera probablement vers la personnalisation. Les futurs systèmes pourraient être capables de s'adapter aux traits de personnalité uniques et aux réponses émotionnelles de chaque travailleur, favorisant un écosystème collaboratif plus intuitif et résilient. Dans le monde de l'Industrie 5.0, le robot le plus efficace sera bientôt celui qui comprendra le mieux son partenaire humain.