Dans les recoins calmes et encombrés d'une maison ou dans les allées étroites d'un magasin de proximité, un robot est confronté à un défi qui est simple pour un humain mais déroutant pour une machine : ramasser un sandwich sans l'écraser, ou soulever une tasse en papier sans la laisser glisser. Pendant des décennies, les ingénieurs ont appris aux robots à saisir des objets en mesurant des nombres : quelle force est appliquée, quelle friction existe et si l'objet bouge. Ces mesures sont précises et fiables, mais elles omettent la partie la plus importante de l'équation : le sentiment humain du « juste milieu ». Un robot peut appliquer une force physiquement suffisante pour tenir un objet, et pourtant, pour un observateur humain, l'objet semble légèrement cabossé ou déformé, signalant que la prise est trop serrée. Ce décalage entre ce qu'un robot mesure et ce qu'un humain attend crée une barrière à une véritable coopération. Si un robot ne peut pas comprendre qu'un sandwich écrasé est un échec, même s'il ne l'a pas fait tomber, il ne pourra jamais être dignement confié à des tâches quotidiennes délicates.

Une équipe de chercheurs de l'Institut de technologie de Kyushu au Japon a développé une nouvelle façon de combler ce fossé. Ils ont créé un système qui permet à un robot d'apprendre les normes visuelles subjectives d'une prise humaine, puis d'appliquer ces normes en utilisant uniquement ses propres capteurs mécaniques. Au lieu de programmer un robot avec des règles rigides pour chaque objet possible, ce qui est impossible étant donné la variété infinie des choses dans le monde, les chercheurs ont construit un cadre qui transfère l'intuition humaine à la machine. Le système fonctionne en montrant d'abord à un humain comment juger une prise, puis en utilisant ce jugement pour enseigner au robot ce qu'il doit rechercher dans ses propres données. Le résultat est un robot capable de s'adapter à un nouvel objet inconnu après n'avoir vu que quelques exemples, apprenant à arrêter de presser au moment exact où un humain déciderait que la prise est parfaite.

Les chercheurs ont testé cette idée sur trois articles courants que l'on trouve dans des environnements non structurés : une boule de riz, un sandwich et une tasse en papier. Ces objets ont été choisis car ils sont mous, déformables et se comportent différemment sous la pression. Pour enseigner au robot, l'équipe a d'abord enregistré des vidéos du robot saisissant ces articles tout en augmentant la force par étapes petites et précises. Un observateur humain a regardé ces vidéos et a marqué deux moments critiques : la seconde exacte où la pince tenait l'objet de manière sécurisée, et l'instant très précis où l'objet commençait à montrer des signes visibles de dommages, tels qu'une bosse ou un changement de forme. Ces moments ont défini trois états pour le robot : glissement (ne tient pas assez fort), approprié (tient juste bien) et excessif (presse trop fort).

L'innovation centrale réside dans la façon dont le robot apprend ces définitions sans avoir besoin de milliers d'exemples étiquetés par l'humain. Les chercheurs ont utilisé un grand modèle de langage et de vision, un type d'intelligence artificielle capable de comprendre des images et du texte, pour servir de pont. Ils ont montré à cette IA quelques exemples des jugements humains — seulement deux ou trois vidéos où un humain avait déjà marqué les moments parfaits. L'IA a ensuite utilisé ces exemples comme guide pour étiqueter automatiquement le reste des données vidéo. Ce processus, que l'équipe appelle un générateur de superviseur semi-automatisé, leur a permis de créer un ensemble complet de données d'entraînement pour chaque objet avec un effort humain minimal. L'IA a appris à reconnaître les indices visuels subtils de déformation qu'un humain remarquerait, traduisant efficacement l'« œil » humain en un ensemble d'étiquettes compréhensibles par le robot.

Une fois que le robot a obtenu ces données étiquetées, il a appris à prédire l'état de la prise en temps réel en utilisant uniquement ses propres capteurs internes. Le robot n'a pas d'yeux pour voir la bosse ; il repose plutôt sur des capteurs tactiles dans ses doigts et sur la mesure de la force qu'il applique. Les chercheurs ont entraîné un modèle de prédiction léger pour analyser l'historique de ces lectures de capteurs et deviner ce qui se passera dans la fraction de seconde suivante. Si le schéma de pression et de toucher suggère que l'objet est sur le point de se déformer, le robot sait qu'il doit arrêter d'augmenter la force. Cette prédiction se produit en une fraction de seconde, permettant au robot d'ajuster sa prise continuellement lorsqu'il soulève et déplace l'objet.

Les expériences ont montré que cette approche fonctionne remarquablement bien. Lorsque les chercheurs ont testé le système sur les trois objets, la capacité du robot à prédire l'état correct s'est améliorée rapidement à mesure qu'il voyait plus de données. Avec un seul exemple du jugement d'un humain, le robot pouvait commencer à comprendre la tâche, mais ses prédictions étaient parfois incertaines. En recevant deux exemples, la performance du robot est devenue hautement précise, correspondant presque parfaitement au jugement humain. Lors des tests où le robot soulevait et déplaçait réellement les objets, il a réussi à maintenir la prise « appropriée » dans presque tous les essais. Pour la tasse en papier et le sandwich, le robot a obtenu un score parfait en maintenant l'objet en sécurité sans dommage. Pour la boule de riz, qui a une forme plus irrégulière et une densité inégale, le robot s'est montré légèrement plus prudent, arrêtant sa pression un tout petit peu plus tôt qu'un humain ne l'aurait fait, mais il a tout de même transporté l'article avec succès sans le faire tomber ou l'écraser.

Pour confirmer que le robot répondait véritablement aux attentes humaines, les chercheurs ont demandé à vingt-cinq personnes de regarder des vidéos du robot effectuant ces tâches. Les participants devaient décider si la prise du robot était en glissement, appropriée ou excessive. Dans presque tous les cas, plus de quatre-vingt-dix pour cent des gens étaient d'accord pour dire que le robot tenait l'objet correctement. La seule exception fut un essai avec le sandwich où le robot le tenait légèrement de travers, provoquant une distorsion visuelle que certains ont interprétée comme une force excessive. Ce résultat suggère que le système a réussi à aligner les actions mécaniques du robot avec les attentes visuelles humaines, créant une prise qui semble correcte pour une personne qui observe.

L'étude a également mis en évidence les limites de l'approche actuelle. Les chercheurs ont noté que le système fonctionne mieux lorsque les objets sont similaires à ceux qu'il a déjà vus. Si un nouveau type de sandwich avec une texture ou une rigidité complètement différente est introduit, le robot pourrait avoir besoin de quelques exemples supplémentaires pour apprendre les nouvelles règles. L'équipe a également souligné que leur méthode actuelle repose sur une classification simple à trois états, ce qui est un bon point de départ mais ne capture pas toute la complexité de la préférence humaine. Les travaux futurs viseront à rendre le système plus robuste en incorporant des retours humains pendant la tâche et en élargissant la gamme d'objets qu'il peut manipuler.

En fin de compte, cette recherche démontre une voie à suivre pour les robots qui doivent travailler aux côtés des humains dans des environnements désordonnés et imprévisibles. En apprenant aux machines à valoriser la perspective humaine — non seulement la sécurité physique de l'objet, mais aussi son apparence et son intégrité — les chercheurs ont franchi une étape significative vers des robots capables de comprendre véritablement les nuances de la vie quotidienne. Le robot n'a pas besoin qu'on lui dise exactement avec quelle force presser un article spécifique ; il a seulement besoin d'apprendre à quoi ressemble le « trop », et il peut alors appliquer cette leçon à tout ce qu'il rencontre. Cette capacité à transférer des critères humains subjectifs en un contrôle de machine objectif suggère un avenir où les robots pourront manipuler nos possessions les plus fragiles avec le même soin que nous.