💻 computer science

ARIS: Agentic and Relationship Intelligence System for Social Robots

Ce document présente ARIS, un cadre d'IA agentique modulaire qui intègre un raisonnement multimodal, un Modèle du Monde Social basé sur un graphe et une génération augmentée par la récupération pour permettre aux robots sociaux d'entretenir des relations à long terme ancrées dans le contexte avec les utilisateurs, démontrant une intelligence perçue et une sympathie nettement supérieures par rapport aux modèles de référence dans une étude utilisateur avec le robot Pepper.

Auteurs originaux : Stavya Datta, Fucai Ke, Leimin Tian, Hamid Rezatofighi

Publié 2026-05-05

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Stavya Datta, Fucai Ke, Leimin Tian, Hamid Rezatofighi

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un robot social qui ne se contente pas de parler comme un chatbot, mais qui se souvient réellement de qui vous êtes, sait comment vous vous reliez à vos amis, et peut se rappeler de vos conversations passées sans être submergé. C'est l'objectif d'ARIS (Système d'Intelligence Agentique et Relationnelle), un nouveau « cerveau » conçu pour des robots sociaux comme le robot Pepper.

Voici une explication du fonctionnement d'ARIS, utilisant des analogies simples :

1. Le Problème : Le Robot « Poisson Rouge »

Les robots sociaux actuels ressemblent un peu à des poissons rouges avec une mémoire très courte. Ils peuvent discuter avec vous pendant quelques minutes, mais si vous leur parlez pendant des heures, ou si vous amenez un ami, ils se confondent. Ils oublient qui est votre ami, ne se souviennent pas de ce dont vous avez parlé hier, et peinent à comprendre que vous et votre ami formez une « équipe ». Ils deviennent également lents et engourdis si la conversation est trop longue, car ils tentent de se souvenir de tout en même temps.

2. La Solution : ARIS

Les chercheurs ont construit ARIS pour résoudre ces problèmes. Considérez ARIS comme un assistant personnel ultra-organisé qui réside dans la tête du robot. Il possède trois super-pouvoirs principaux :

A. La « Carte Sociale » (Le Modèle du Monde Social)

Imaginez que le robot possède une carte mentale (un graphe) géante et vivante dessinée sur un mur.

Fonctionnement : Chaque fois que vous rencontrez le robot, il dessine un point pour vous. Si vous mentionnez votre ami « Sarah », il dessine un point pour Sarah et relie les deux points par une ligne étiquetée « Ami ».
Pourquoi c'est important : Si vous revenez la semaine prochaine, le robot ne voit pas seulement un inconnu ; il consulte sa carte, voit la ligne qui vous relie à Sarah, et sait instantanément : « Ah, c'est la personne qui traîne avec Sarah. » Cela permet au robot de comprendre les relations (comme « mari », « patron » ou « meilleur ami ») et de suivre les personnes même après de nombreuses conversations différentes.

B. Le « Bibliothécaire Intelligent » (Génération Augmentée par Récupération)

Imaginez que le robot possède une bibliothèque de toutes les conversations qu'il a jamais eues.

L'Ancienne Méthode (Sans RAG) : Si vous posez une question, l'ancien robot tente de lire chaque livre de la bibliothèque de la première à la dernière page pour trouver la réponse. Si la bibliothèque contient 10 000 livres, cela prend une éternité, et le robot s'épuise (temps de réponse lent).
La Méthode ARIS (RAG) : ARIS agit comme un bibliothécaire intelligent. Lorsque vous posez une question, le bibliothécair ne lit pas toute la bibliothèque. Au lieu de cela, il parcourt rapidement les titres et ne sort que les 20 livres les plus pertinents (et les 20 les plus récents) pour vous donner la réponse.
Le Résultat : Le robot reste rapide et vif, peu importe le nombre d'années de conversations stockées. Il ne se laisse pas submerger par le volume massif de données.

C. Le « Corps et les Yeux » (Raisonnement Multimodal)

ARIS n'est pas seulement une voix dans une boîte ; il connecte les yeux et le corps du robot à son cerveau.

Yeux : Si vous portez un chapeau rouge, le système de vision du robot le voit et dit au cerveau : « Hé, ils ont un chapeau rouge. » Le robot peut alors dire : « J'aime ton chapeau rouge ! »
Corps : Si vous demandez une tape dans la main, le robot ne dit pas seulement « D'accord » ; il lève réellement son bras et vous tape dans la main.
Le Cerveau : Le « Raisonneur » décide quand utiliser les yeux, quand bouger le corps et quand simplement parler, en fonction de ce qui se passe à l'instant présent.

3. Le Test : Est-ce que ça a marché ?

Les chercheurs ont testé ce système avec 23 personnes utilisant un robot Pepper. Ils ont comparé le robot ARIS à un robot standard (qui utilisait uniquement un chatbot IA de base sans carte de mémoire ni bibliothécaire intelligent).

Les Résultats :

Sensation d'Intelligence : Les gens ont trouvé le robot ARIS nettement plus intelligent et plus vivant (animacité).
Plus Humain : Les gens ont senti que le robot ARIS était plus humain (anthropomorphisme). Il semblait moins comme une machine et plus comme un compagnon social.
Plus Agréable : Les gens ont tout simplement préféré le robot ARIS.
Victoire de la Mémoire : Lorsque les participants présentaient un partenaire, le robot ARIS se souvenait du nom et de la relation du partenaire beaucoup mieux que le robot standard.
Victoire de la Vitesse : Même lorsque l'historique de conversation était artificiellement étiré à des milliers de messages, le robot ARIS restait rapide, tandis que le robot standard ralentissait jusqu'à l'arrêt.

Résumé

En bref, ARIS donne à un robot une mémoire à long terme, une carte des relations humaines et une façon intelligente de rechercher son propre historique. Cela rend le robot moins comme un outil qui oublie tout à chaque fois que vous vous éloignez, et plus comme un ami qui se souvient de vos histoires, connaît vos amis et peut suivre une conversation longue et profonde sans se fatiguer.

Résumé Technique : ARIS – Système d'Intelligence Agentique et Relationnelle pour Robots Sociaux

1. Énoncé du Problème

Bien que les modèles fondamentaux (LLM et VLM) aient amélioré la robotique sociale en permettant une perception et une communication plus riches, les systèmes actuels font face à des limitations critiques en matière d'engagement sur plusieurs tours, de raisonnement relationnel social et de dialogue ancré dans le contexte à grande échelle. Les architectures existantes ciblent principalement l'exécution de tâches et la manipulation physique plutôt que l'intelligence sociale. Par conséquent, les robots éprouvent des difficultés à :

Représenter ou raisonner sur les relations sociales entre individus (par exemple, famille, collègues).
Maintenir une cohérence historique et une réactivité dans des interactions denses et à long terme en raison de fenêtres de contexte finies et d'une latence d'inférence croissante.
Intégrer la cognition sociale avec l'incarnation physique dans un cadre unifié.

2. Méthodologie

Les auteurs proposent ARIS (Système d'Intelligence Agentique et Relationnelle), un cadre d'IA agentique modulaire conçu pour unifier le raisonnement multimodal, un Modèle de Monde Social basé sur un graphe et la Génération Augmentée par Récupération (RAG). Le système est déployé sur un Robot Pepper (v1.8) utilisant une architecture client-serveur en périphérie (edge).

2.1 Architecture du Système

Périphérie (Robot) : Le robot Pepper sert d'interface utilisateur, capturant des flux audio-visuels et exécutant des actions physiques (gestes, danses).
Client : Un Raspberry Pi 5 qui encapsule les flux audio-visuels dans des paquets gRPC pour transmission.
Serveur : Un serveur NVIDIA RTX 4090 qui traite les entrées. Il utilise Whisper-large-v3 pour la transcription de la parole et un LLM Grok 2 pour le raisonnement.
Moteur de Raisonnement Modulaire : Un module « Reasoner » consulte une bibliothèque d'API pour sélectionner les actions appropriées (Parole, Vision ou Incarnation Physique) en fonction du contexte.

2.2 Composants Principaux

A. Modèle de Monde Social (SWM)

Structure : Un graphe de connaissances basé sur un graphe (Neo4j) où les nœuds représentent des Nœuds Personne (utilisateurs) et les arêtes représentent des relations (par exemple, ami, famille).
Fonction : Le système extrait des indices relationnels du dialogue en utilisant un LLM pour inférer des connexions (par exemple, « X est le superviseur de Y »). Il met à jour le graphe via des requêtes Cypher, créant de nouveaux nœuds pour les utilisateurs inconnus ou fusionnant les nœuds existants en utilisant la distance de Levenshtein pour la correspondance des noms.
Attributs : Le modèle stocke les attributs des utilisateurs (intérêts, profession) liés à des Nœuds Personne spécifiques, permettant une interaction personnalisée.

B. Pipeline de Parole Basé sur RAG

Conception : Pour répondre aux limites de la fenêtre de contexte et aux coûts de calcul, ARIS emploie un pipeline RAG. L'historique des conversations est stocké sous forme de Nœuds Message (entrée utilisateur + réponse du robot) liés aux Nœuds Personne.
Stratégie de Récupération : Après réception d'une entrée, le système récupère :
1. Les 20 messages les plus récents pour assurer la continuité immédiate.
2. Les 20 messages sémantiquement les plus proches (utilisant des embeddings OpenAI de 1536 dimensions et un index HNSW) pour fournir le contexte.
3. Les prédécesseurs et successeurs immédiats des messages récupérés sont inclus, limitant le contexte total à 80 messages.
Exécution : Le contexte récupéré est transmis au LLM (Grok 2) pour générer une réponse, qui est ensuite ajoutée au graphe.

C. Intégration Multimodale

Vision : Un Modèle de Langage Visuel (Grok-2-Vision) agit comme un légendier lorsque le contexte visuel est requis.
Re-Identification (ReID) : Un module traite 15 images par vote majoritaire pour attribuer un ID facial unique aux individus, les reliant à leur Nœud Personne dans le SWM.

3. Contributions Clés

L'article décrit trois contributions principales :

Modèle de Monde Social pour l'Interaction Humain-Robot (HRI) : Une représentation basée sur un graphe qui cartographie et met explicitement à jour les relations humain-humain, permettant aux robots de suivre les connexions sociales, de réidentifier les utilisateurs lors de rencontres et de générer un dialogue ancré dans le contexte et fondé sur des données relationnelles.
Pipeline RAG Efficace : Un mécanisme de récupération novateur utilisant une récupération hybride sémantique et sensible à la récence. Cela permet au robot de maintenir un dialogue ancré dans le contexte sur des milliers d'échanges tout en maintenant une latence bornée et une pertinence de réponse.
Intégration du Système et Validation : L'unification de ces composants dans une architecture agentique modulaire qui coordonne la parole, la vision et l'action physique. Le système a été validé empiriquement par rapport à une base de référence LLM uniquement.

4. Résultats Expérimentaux

Les auteurs ont mené deux expériences : une étude utilisateur ( $N=23$ ) et une simulation de scalabilité.

4.1 Étude Utilisateur (Hypothèse H1)

Les participants ont interagi avec le robot par paires dyadiques, comparant le système ARIS à une base de référence LLM uniquement (qui manquait de SWM, de ReID et d'incarnation physique).

Métriques : Intelligence Perçue, Animacité, Anthropomorphisme et Agréabilité (Questionnaire Godspeed).
Résultats : ARIS a nettement surpassé la base de référence sur toutes les métriques :
- Anthropomorphisme : $d = 1.05$ (Effet fort, $p < 0.001$ ).
- Intelligence : $d = 0.74$ (Effet moyen, $p = 0.0018$ ).
- Animacité : $d = 0.70$ (Effet moyen, $p = 0.003$ ).
- Agréabilité : $d = 0.46$ (Effet faible-moyen, $p = 0.0398$ ).
Performance du SWM : 7 participants sur 12 « seconds à interagir » ont été correctement reconnus par ARIS, et 9 ont rapporté que le robot « savait qui était mon partenaire », contre des taux de reconnaissance significativement plus faibles dans la base de référence.

4.2 Scalabilité RAG vs Non-RAG (Hypothèse H2)

Les auteurs ont simulé des conversations denses en dupliquant les historiques de messages jusqu'à 14 000 entrées.

Latence : Le pipeline Non-RAG a montré une croissance linéaire à super-linéaire du temps d'inférence, dépassant 10 000 ms à 14 000 messages. Le pipeline RAG a maintenu une latence bornée inférieure à 4 000 ms indépendamment de la taille de l'historique.
Qualité de Sortie : La similarité cosinus entre les sorties RAG et Non-RAG était de 83,54 %, suggérant que la récupération sélective préserve la pertinence de la réponse comparable à l'accès à l'historique complet.

5. Importance et Revendications

L'article affirme qu'ARIS démontre la valeur de l'intégration du raisonnement incarné et de la mémoire structurée pour faire progresser l'interaction sociale en robotique. En unifiant le raisonnement social, la perception multimodale et la récupération de contexte, le système réalise des améliorations mesurables de l'engagement utilisateur et de l'intelligence perçue par rapport aux bases de référence standard LLM uniquement.

Les auteurs soulignent que leur approche est rentable, n'invoquant le Modèle de Langage Visuel que lorsque le contexte l'exige et limitant la récupération RAG pour réduire la consommation de jetons. Ils positionnent ARIS comme une étape vers des robots capables d'une « profondeur conversationnelle intense » et d'un engagement soutenu et socialement conscient dans des environnements réels.

Limites Reconnaues :

L'évaluation manque d'une étude d'ablation formelle pour isoler les contributions individuelles des composants.
Le test de scalabilité a utilisé des messages dupliqués de manière synthétique plutôt que des dialogues à long terme organiques, ce qui pourrait ne pas capturer pleinement la dérive sémantique.
La taille de l'échantillon ( $N=23$ ) est modeste et le système a été testé sur une seule plateforme robotique (Pepper).

La mise en œuvre est destinée à être publiée en open source lors de la publication.