From Legible to Inscrutable Trajectories: (Il)legible Motion Planning Accounting for Multiple Observers

Imaginez un robot se déplaçant dans le sol d'une usine très fréquentée ou dans un couloir d'hôpital. Ce n'est pas seulement une machine suivant un ensemble d'instructions ; c'est un acteur social. Chaque fois qu'il tourne, s'arrête ou accélère, il envoie un message silencieux aux personnes et aux autres machines qui l'entourent. Dans le domaine de la robotique, cette communication silencieuse est connue sous le nom de « légibilité ». Un chemin légible est un chemin qui permet à un observateur de deviner rapidement et correctement où le robot se dirige. Si un robot se déplace d'une manière qui rend sa destination évidente, cela aide les humains à se coordonner avec lui en toute sécurité. Mais les règles changent selon qui regarde. Dans un contexte coopératif, comme un entrepôt où des humains et des robots travaillent ensemble, le robot doit être aussi clair que possible. Dans un contexte compétitif ou de confrontation, tel qu'une opération militaire ou un jeu, le robot peut avoir besoin de cacher sa véritable destination pour empêcher un adversaire de prédire son prochain mouvement. Cela crée un puzzle complexe : que se passe-t-il lorsqu'un robot doit être clair pour une personne tout en restant caché pour une autre, tout en contournant des murs qui bloquent la vue de certains mais pas d'autres ?

Des chercheurs de l'Université de l'Illinois à Urbana-Champaign ont abordé ce défi exact en introduisant un nouveau problème qu'ils appellent la planification de mouvement de légibilité à motivation mixte et à observabilité limitée (Mixed-Motive Limited-Observability Legible Motion Planning). Dans leurs travaux, ils décrivent un scénario où un robot doit planifier un chemin unique qui satisfait deux demandes contradictoires. Il doit être facilement compréhensible par des observateurs « positifs » — ceux qui sont amicaux ou coopératifs — tout en étant simultanément déroutant ou trompeur pour des observateurs « négatifs », qui pourraient être des adversaires. Pour compliquer davantage les choses, ces observateurs ne voient pas tous la même chose. Certains ne voient peut-être qu'un petit coin de la pièce, ou leur vue peut être obstruée par des obstacles. Les chercheurs ont développé un nouvel outil logiciel, qu'ils ont nommé l'optimiseur de trajectoire, pour résoudre ce problème. Cet outil agit comme un optimiseur de trajectoire, calculant le chemin exact que le robot doit suivre pour équilibrer ces besoins concurrents. Au lieu d'essayer d'être intelligible pour tout le monde ou invisible pour tout le monde, l'optimiseur de trajectoire détermine comment être intelligible pour les bonnes personnes et illisible pour les mauvaises, en fonction de ce que chaque personne peut réellement voir.

Pour comprendre comment cela fonctionne, considérez les deux principales stratégies qu'un robot peut utiliser face à un observateur négatif. La première est la stratégie du « leurre ». Ici, le robot se dirige délibérément vers une fausse destination, faisant croire à l'observateur qu'il s'y rend. Ce n'est qu'au dernier moment possible qu'il se tourne vers son véritable objectif. Cela est efficace lorsque le robot veut activement tromper un adversaire. La seconde stratégie est l'approche « ambiguë » ou d'évitement. Dans ce cas, le robot essaie de minimiser le temps qu'il passe dans la ligne de visée de l'observateur négatif, ou il se déplace d'une manière qui rend toutes les destinations possibles également probables, de sorte que l'observateur ne puisse pas du tout deviner l'objectif réel. Les chercheurs ont découvert que le meilleur choix dépend entièrement de la disposition de la pièce et des motivations des personnes qui regardent. Si un observateur amical et un observateur hostile se trouvent au même endroit, le robot doit peser leur importance. Si l'observateur amical est plus important, le robot donnera la priorité à la clarté envers lui, même si cela signifie que l'observateur hostile en verra un peu plus. Si l'observateur hostile est plus dangereux, le robot pourrait choisir de se cacher complètement ou d'utiliser un leurre, même si cela rend le chemin moins clair pour l'observateur amical.

L'équipe a testé leur système dans divers environnements simulés pour voir comment l'optimiseur de trajectoire performait. Dans un scénario, un robot devait être clair pour un observateur amical dans une zone verte et caché d'un observateur hostile dans une zone rouge. Le logiciel a généré avec succès des chemins qui s'enroulaient à travers la zone verte pour montrer clairement ses intentions, tout en glissant soit hors de la zone rouge, soit en se déplaçant d'une manière qui confondait l'observateur dans la zone rouge. Dans un autre test, les chercheurs ont placé les observateurs amicaux et hostiles dans des zones de chevauchement. Ils ont constaté que le robot pouvait toujours trouver un chemin qui fonctionnait pour les deux, bien qu'il doive faire des compromis. Par exemple, si l'observateur hostile avait une « motivation » ou une influence plus forte, le robot emprunterait une route plus trompeuse, même si cela signifiait que l'observateur amical devait attendre un instant supplémentaire pour comprendre l'objectif du robot. Les résultats ont montré que l'optimiseur de trajectoire pouvait générer des chemins nettement meilleurs que de simples lignes droites ou des chemins qui ne cherchaient qu'à être efficaces. Il pouvait produire des trajectoires hautement intelligibles pour les bonnes personnes et hautement illisibles pour les mauvaises, en adaptant son comportement en fonction des contraintes spécifiques de l'environnement.

Les chercheurs ont également exploré ce qui se passe lorsque les objectifs sont dans des directions complètement opposées. Dans ces cas difficiles, une ligne droite est généralement le chemin le plus efficace, mais elle pourrait être trop facile à lire. L'optimiseur de trajectoire a montré qu'en utilisant une stratégie de leurre, le robot pouvait se diriger vers un faux objectif pendant une longue période, convainquant l'observateur qu'il allait dans la mauvaise direction, avant de pivoter soudainement vers la destination réelle. Cela retardait la bonne supposition de l'observateur jusqu'à la toute fin du chemin. Cependant, l'équipe a noté que leur travail actuel repose sur des simulations où l'environnement est statique et les observateurs ne bougent pas. Ils reconnaissent que les applications dans le monde réel nécessiteraient que le robot gère des personnes en mouvement et des vues changeantes en temps réel. Ils soulignent également que leur système suppose que le robot sait exactement où se trouvent les observateurs et ce qu'ils peuvent voir, ce qui n'est pas toujours le cas dans un environnement chaotique du monde réel. Malgré ces limites, l'étude fournit un cadre mathématique clair pour un problème qui n'avait jamais été résolu auparavant : comment être clair pour certains et caché pour d'autres en même temps.

En fin de compte, ce travail va au-delà de l'idée qu'un robot doive simplement être efficace ou simplement poli. Il reconnaît que dans un monde comportant plusieurs observateurs, le chemin d'un robot est une forme de communication qui peut être adaptée à différents publics. Le système de l'optimiseur de trajectoire démontre qu'il est possible de calculer un chemin qui sert plusieurs maîtres, équilibrant le besoin de transparence et le besoin de confidentialité. À mesure que les robots deviennent plus courants dans notre vie quotidienne, des entrepôts aux hôpitaux, la capacité de naviguer dans ces complexités sociales et stratégiques deviendra de plus en plus importante. Cette recherche offre une nouvelle façon de concevoir le mouvement des robots, non pas seulement comme un acte physique d'aller d'un point A à un point B, mais comme une décision stratégique sur qui peut connaître les plans du robot et qui ne le peut pas.