Résumé Technique : Adaptation Mutuelle dans le Co-transportation Humain-Robot avec Incertitude de la Préférence Humaine

Énoncé du Problème

L'article traite des défis du co-transportation humain-robot, en se concentrant spécifiquement sur les scénarios où un humain et un robot naviguent conjointement un objet à travers des ouvertures d'obstacles vers une cible. Le problème central réside dans l'incertitude des paramètres de préférence humaine et la difficulté de l'équilibre entre les stratégies d'adaptation.

Les approches traditionnelles reposent souvent sur des paramètres fixes pour modéliser le comportement humain, ce qui ne parvient pas à rendre compte des variations individuelles et des fluctuations de la perception du risque et de la sensibilité à la distance. De plus, les modèles de collaboration existants se concentrent fréquemment sur des interactions statiques et ponctuelles ou sur une adaptation unidirectionnelle (soit le robot s'adapte à l'humain, soit l'humain s'adapte au robot), plutôt que sur une adaptation mutuelle dynamique dans des environnements évolutifs. Les auteurs identifient trois lacunes spécifiques :

1. L'absence de modèles quantifiant les incertitudes de décision humaine découlant de paramètres de préférence subjectifs.
2. L'absence de mécanismes de changement de rôle dynamique (qui dirige l'équipe) basé sur la résistance de l'humain au plan du robot.
3. L'insuffisance des stratégies de contrôle de bas niveau pour atténuer l'impact des choix incertains de l'humain lorsque celui-ci est en position de leader.

Méthodologie

Les auteurs proposent un cadre unifié comprenant trois modules interconnectés, chacun traitant une hypothèse spécifique concernant l'incertitude de la préférence humaine, l'adaptation mutuelle et le contrôle de bas niveau.

1. Modèle de Préférence Humaine avec Incertitude de Paramètre (H1)

Au lieu de supposer des paramètres humains fixes, les auteurs modélisent la prise de décision humaine comme une distribution de probabilité.

• Coût Subjectif : Ils définissent une fonction de coût subjectif $\hat{J}_o(\alpha, \gamma)$ basée sur la fonction de pondération de probabilité de Prelec (pour la perception du risque, paramètre $\gamma$) et la loi de puissance de Stevens (pour la perception de la distance, paramètre $\alpha$).
• Modélisation de l'Incertitude : Les paramètres $\alpha$ et $\gamma$ sont traités comme des variables indépendantes suivant des distributions uniformes ($\alpha \sim U(0.55, 0.95)$, $\gamma \sim U(0.5, 1.1)$).
• Distribution de Choix : En intégrant sur l'espace des paramètres, le modèle calcule la probabilité $P_o$ qu'un humain choisisse une option de chemin spécifique $o$. Cela convertit l'incertitude des paramètres en une distribution de choix, permettant au robot d'anticiper une gamme de préférences humaines plutôt qu'un chemin déterministe unique.

2. Planification de Trajectoire Coopérative via l'Entêtement Variable dans le Temps (H2)

Pour gérer la transition entre les modes dirigés par le robot et ceux dirigés par l'humain, le cadre introduit une mesure d'entêtement variable dans le temps $\phi(k)$.

• Accumulation d'Inconfort : La mesure croît exponentiellement en fonction de l'accumulation d'« inconfort » $g(k)$, qui survient lorsque le mouvement de l'équipe dévie des préférences subjectives probabilistes de l'humain.
• Transition de Mode :
  • Mode Dirigé par le Robot ($\phi(k) \le 1$) : Le robot sélectionne un chemin qui équilibre son coût objectif avec le coût subjectif humain approximé. Le poids du coût de l'humain augmente à mesure que $\phi(k)$ approche de 1.
  • Mode Dirigé par l'Humain ($\phi(k) > 1$) : Une fois que l'entêtement de l'humain dépasse un seuil (1), le robot cède le contrôle et suit l'humain.
• Adaptation Dynamique : Ce mécanisme permet à l'équipe de commencer par une guidance du robot mais de passer à un leadership humain si l'humain résiste systématiquement au plan du robot, réalisant ainsi une adaptation mutuelle.

3. Contrôle de Bas Niveau via l'Optimisation de la Pose (H3)

Lorsque le robot est en mode dirigé par l'humain, il doit se préparer à de multiples choix potentiels de l'humain sans connaître le chemin exact que l'humain empruntera.

• Résolution de la Redondance : Le robot utilise la redondance de son bras manipulateur.
• Optimisation de Pose Probabiliste : Le système résout un problème d'optimisation pour sélectionner une configuration articulaire $q^*$ qui minimise la somme pondérée par la probabilité des coûts de commande prédictive de modèle (MPC) à travers toutes les options de chemin possibles.
• Objectif : Cet ajustement proactif garantit que le robot maintienne des configurations cinématiques favorables pour gérer les changements inattendus entre les options de chemin, réduisant ainsi l'effort de contrôle et les erreurs de suivi.

Contributions Clés

1. Modèle de Préférence Humaine Probabiliste : Un cadre mathématique qui capture les incertitudes dans les paramètres de perception du risque et de la distance de l'humain, générant une distribution de probabilité des choix humains plutôt que de s'appuyer sur des valeurs fixes.
2. Adaptation Mutuelle via l'Entêtement : Un modèle de coordination utilisant une mesure d'entêtement variable dans le temps pour effectuer la transition dynamique entre les modes dirigés par le robot et ceux dirigés par l'humain, permettant à l'équipe de s'adapter à la résistance humaine au fil du temps.
3. Optimisation de Pose pour l'Incertitude : Une stratégie de contrôle de bas niveau qui utilise la distribution de probabilité des choix humains pour optimiser la configuration articulaire du robot, atténuant l'impact des décisions humaines incertaines lors du co-transportation dirigé par l'humain.

Résultats Expérimentaux

Le cadre a été validé par des études impliquant des participants humains et des simulations :

• Validation de H1 (Modèle de Préférence) : Des expériences avec 20 participants dans quatre environnements d'obstacles différents ont montré que le modèle probabiliste proposé capturait avec précision le classement des options de chemin choisies par les humains. Le modèle a réussi à prédire la probabilité que les humains choisissent des chemins plus sûrs mais plus longs par rapport à des chemins plus risqués mais plus courts.
• Validation de H2 (Adaptation Mutuelle) : Des simulations comparant le mécanisme de changement de mode proposé à une base de référence à mode fixe (où le robot dirige toujours ou suit toujours) ont démontré que l'approche adaptative obtenait systématiquement des coûts objectifs globaux plus faibles. Les résultats ont indiqué que le robot pouvait guider avec succès l'humain vers des chemins plus efficaces avant que l'humain ne devienne suffisamment entêté pour forcer un changement de mode.
• Validation de H3 (Optimisation de Pose) : Les résultats de simulation à travers diverses configurations de paramètres ont montré que l'activation de l'optimisation de la pose en mode dirigé par l'humain réduisait considérablement le coût de contrôle total du robot (erreur de suivi et effort de contrôle) par rapport à une base de référence sans optimisation de pose. Cela a confirmé que la préparation à de multiples choix humains améliore les performances de contrôle de bas niveau.

Signification et Revendications

L'article affirme que sa principale importance réside dans la fourniture d'une approche unifiée qui intègre la modélisation humaine avec des paramètres incertains, des stratégies d'adaptation mutuelle et l'optimisation du contrôle de bas niveau.

• Traitement de l'Incertitude : Ce travail dépasse la modélisation humaine déterministe, reconnaissant que les paramètres humains varient et fluctuent, et fournit un mécanisme pour gérer cela via des distributions de probabilité.
• Équilibre de l'Adaptation : Il offre une solution au compromis entre l'efficacité du robot et la préférence humaine, permettant au robot de diriger lorsqu'il est bénéfique de le faire, mais de céder lorsque la résistance humaine (entêtement) indique la nécessité d'un leadership humain.
• Contrôle Proactif : En liant l'incertitude de l'intention humaine de haut niveau à la configuration articulaire de bas niveau, le système atténue de manière proactive les risques de comportements humains inattendus, assurant un co-transportation plus sûr et plus fluide.

Les auteurs notent des limites, spécifiquement que leurs retours humains ont été collectés via des images et vidéos statiques plutôt que par interaction physique, et que les travaux futurs viseront à étendre le cadre aux études de co-transportation physique et aux scénarios multi-robots.