Interaction physique personnalisée et proactive entre l'humain et le robot grâce à la prédiction de mouvements humains

Les robots sont de plus en plus envisagés pour assister les humains dans des contextes tels que l'Industrie 5.0, la santé ou les environnements domestiques. Cependant, les interactions physiques homme-robot (pHRI) sûres et naturelles restent difficiles en raison de la forte variabilité des comportements humains. Cette thèse vise à développer un cadre d'interaction physique homme-robot personnalisée et proactive, permettant au robot d'anticiper et de s'adapter en temps réel au comportement de chaque individu. Les transferts d'objets et le transport de charges constitueront les principaux cas d'étude, avec une validation sur des bras robotiques et des robots humanoïdes. L'hypothèse centrale est que l'analyse et la prédiction en temps réel du comportement humain sont indispensables pour assurer des interactions robustes, sûres et personnalisées. Le projet cherchera ainsi à identifier les stratégies biomécaniques et comportementales mises en œuvre lors de tâches collaboratives, afin de les intégrer à la génération des mouvements du robot, avec une attention particulière portée à la coordination spatiale et temporelle entre les partenaires. La méthodologie combine biomécanique, analyse du mouvement, vision par ordinateur, robotique, contrôle optimal et apprentissage profond. Dans un premier temps, la collaboration humain-humain sera étudiée à l'aide d'un système de capture du mouvement tridimensionnelle et de capteurs d'effort six axes fixés sur l'objet manipulé. Ces mesures fourniront des données cinématiques et dynamiques synchronisées permettant l'estimation de la cinématique, des forces et des couples articulaires du membre supérieur. L'analyse des données permettra l'identification des mécanismes de coordination, des invariants mécaniques et des régularités de comportement exploitables par un robot. Dans un deuxième temps, ces données serviront à développer un cadre de contrôle optimal inverse (IOC) combiné à l'apprentissage profond permettant d'identifier une fonction de coût décrivant les stratégies de mouvement humain. Ce modèle prédira le mouvement à court terme à partir de la pose actuelle de l'humain et de l'historique récent. Une approche par fenêtre glissante intégrera progressivement les informations propres à chaque individu, permettant au modèle de s'adapter de manière personnalisée à chaque sujet. Enfin, la perception de l'humain, la prédiction du mouvement et le contrôle robotique seront intégrés dans une architecture unifiée. Un système de vision déjà développé par les partenaires fournira la perception en temps réel de la posture humaine, permettant au robot d'anticiper les mouvements futurs et d'adapter proactivement sa trajectoire. L'approche sera d'abord validée avec des bras robotiques, puis étendue à des robots humanoïdes. Le principal résultat attendu de cette thèse est un système intégré permettant une interaction physique souple, sécurisée et personnalisée avec un système robotique. La thèse permettra de mieux comprendre les mécanismes biomécaniques et comportementaux de la collaboration humain-hmain, notamment la variabilité inter- et intra-individuelle et les stratégies de coordination. Elle conduira également au développement de modèles IOC et d'apprentissage profond personnalisés capables de prédire le comportement humain à partir d'observations en temps réel. Le cadre proposé permettra ainsi au robot d'adopter un comportement proactif plutôt que purement réactif. À terme, ce projet vise à proposer un cadre transférable à différentes plateformes robotiques, notamment des manipulateurs fixes ou mobiles et des robots humanoïdes. Les algorithmes et bases de données produits pourront contribuer au développement de robots collaboratifs plus sûrs et naturels et au déploiement d'interactions physiques homme-robot personnalisées dans les environnements de l'Industrie 5.0. École doctorale : SYSTEMES Direction : Bruno WATIER Financement : MSCA COFUND BEST