Adaptive Human-Robot Collaborative Painting Combining Preference-Based Optimization and Dynamic Motion Primitives

Imaginez un monde où les robots ne sont pas de simples machines rigides suivant un script strict, mais plutôt des partenaires utiles capables de réellement « ressentir » vos besoins. C'est le cœur d'un domaine appelé la Collaboration Humain-Robot, ou CHR. Voyez cela comme une danse : autrefois, le robot menait la danse et l'humain devait suivre ses pas parfaitement. Mais dans ce nouveau style, c'est l'humain qui mène, et le robot suit, en ajustant ses mouvements en temps réel pour rendre la danse plus facile et plus confortable. Pour y parvenir, les scientifiques utilisent deux astuces principales. Premièrement, ils utilisent les « Primitives de Mouvement Dynamique », qui sont comme la mémoire musculaire interne du robot, lui permettant d'apprendre un chemin fluide à partir d'une seule démonstration, puis de l'adapter à la volée. Deuxièmement, ils utilisent l'« Optimisation Basée sur les Préférences », qui est essentiellement une façon pour le robot d'apprendre ce que vous aimez en demandant : « Était-ce mieux ou pire qu'avant ? » et en ajustant son comportement en fonction de votre réponse. Pourquoi est-ce important ? Parce que dans de nombreux métiers, comme la peinture de pièces automobiles ou de meubles volumineux, les humains se fatiguent et ont des douleurs à force de maintenir des positions inconfortables. Si un robot pouvait tenir l'objet lourd et le faire pivoter juste assez pour que l'humain n'ait jamais à lever les bras trop haut ou à se pencher trop bas, le travail serait plus sûr, plus rapide et beaucoup moins épuisant.

Cet article présente un système ingénieux conçu pour faire de ce rêve une réalité pour la peinture par pulvérisation. Les chercheurs ont mis en place une installation où un humain tient une bombe de peinture et peint un objet incurvé de grande taille, tandis qu'un bras robotisé tient l'objet lui-même. L'objectif ? Permettre au robot de faire pivoter l'objet en temps réel afin que la main de l'humain puisse rester dans une position confortable et détendue, plutôt que de forcer l'humain à pivoter tout son corps pour atteindre chaque recoin.

Pour faire fonctionner cela, l'équipe a combiné la « mémoire musculaire » du robot (les Primitives de Mouvement Dynamique) avec une boucle d'apprentissage (l'Optimisation Basée sur les Préférences). Voici comment cela fonctionne : le robot ne se contente pas de copier un chemin fixe. Au lieu de cela, il observe la main de l'humain. Si l'humain effectue une légère rotation de sa main pour peindre un nouvel endroit, le robot amplifie ce petit mouvement en une rotation plus large de l'objet. Cela signifie que l'humain peut peindre une grande surface en effectissant de petits mouvements de poignet faciles. Mais voici le plus important : chaque humain est différent. Certaines personnes aiment que le robot bouge vite ; d'autres préfèrent qu'il soit lent et régulier. Certains ont besoin que le robot fasse pivoter l'objet de manière plus agressive ; d'autres veulent quelque que ce soit plus subtil. Pour résoudre cela, le système utilise un algorithme appelé GLISp. Il exécute une série de tests de peinture où l'humain essaie différents réglages. Après chaque essai, l'humain dit simplement : « C'était mieux », « C'était pire » ou « C'était pareil ». Le robot utilise ces préférences simples pour traquer mathématiquement les réglages parfaits pour cette personne spécifique.

Les chercheurs ont testé cela avec 15 personnes différentes, de tailles et de morphologies variées, en leur faisant peindre un grand panneau incurvé (d'environ 1 mètre carré) en utilisant un colorant alimentaire non toxique au lieu de la vraie peinture. Ils ont comparé le nouveau robot adaptatif à une version « statique » où le robot se contentait de tenir l'objet immobile. Les résultats étaient prometteurs. Le système adaptatif a réussi à réduire l'amplitude de mouvement de la main de l'humain. Pour les mouvements latéraux, l'amplitude de mouvement a diminué jusqu'à 73 % pour certains participants, et en moyenne, l'amplitude du mouvement vertical a chuté d'environ 31 %. En d'autres termes, le bras de l'humain est resté dans une zone beaucoup plus petite et confortable, tandis que le robot effectuait le gros du travail de rotation de l'objet.

L'étude a également révélé que le robot apprenait à s'adapter aux besoins individuels. Les participants plus grands et les plus petits se sont retrouvés avec des réglages « optimaux » différents, prouvant qu'une approche universelle ne fonctionne pas. Le système a aussi appris à équilibrer la vitesse et la réactivité ; certains préféraient que le robot réagisse instantanément à leur main, tandis que d'autres préféraient un certain délai. Les participants ont déclaré se sentir plus à l'aise et satisfaits à mesure que le système apprenait leurs préférences, leurs évaluations augmentant à mesure que le robot devenait meilleur pour deviner ce qu'ils voulaient.

Cependant, l'article prend soin de noter que ce n'est pas encore une solution miracle. Le système repose sur le fait que l'humain fournisse un retour d'information, et dans quelques cas, le robot s'est déplacé trop vite, provoquant le rejet de ce réglage par l'humain. Les chercheurs suggèrent que les versions futures pourraient s'ajuster automatiquement à la fatigue ou inclure plus de variables pour gérer le tout début de la tâche. Mais la conclusion principale est claire : en laissant le robot apprendre des préférences humaines et en amplifiant les petits mouvements de la main en grandes rotations d'objets, nous pouvons rendre la peinture industrielle nettement moins exigeante physiquement, transformant un travail fatigant en un partenariat ergonomique.