Assistants autonomes pour la gestion des activités des soignants : s'adapter au changement grâce à l'apprentissage actif et à la communication adaptative

Les robots sociaux autonomes suscitent un intérêt croissant grâce aux récentes avancées de l'IA basée LLM, qui améliorent les capacités de communication. Cependant, ils restent limités à des processus élémentaires et à des comportements réactifs. Leur utilisation pour des longues missions, et la garantie de robustesse face aux incertitudes, constituent un défi majeur, nécessitant de s'appuyer sur des méthodes de raisonnement plus formelles. Parallèlement, dans le domaine de la santé, les défis actuels [Shekhar et al., 2024] [Vigné et al., 2024], résident dans l'amélioration de la communication homme-robot et la prise en compte des imprévus. De plus, le remplacement des soignants humains par des robots n'est ni toujours faisable ni souhaitable. Dans cette thèse, nous étudierons les robots utilisés comme assistants, qui exécutent certaines actions du planning quotidien d'un service de santé, soulageant les soignants humains des tâches courantes, fastidieuses ou trop nombreuses. Cette thèse s'attachera à améliorer les techniques de planification dynamique et d'exécution de plans dans ce contexte, en s'appuyant sur des modèles d'IA symbolique via une représentation explicite des connaissances et des contraintes, comme par exemple pour les contraintes temporelles sous incertitude [Sumic et al., 2024]. Dans le cadre de l'interaction robots - humains, ces derniers constituent une source spécifique d'incertitudes pour laquelle les approches habituelles sont limitées. Le robot devra communiquer avec le personnel soignant et avec les patients, ces derniers apportant une diversité d'états cognitifs et émotionnels. Nous avons [Bidot et al., 2009] étudié les différentes stratégies permettant de prendre en compte les incertitudes au sein d'une architecture dynamique combinant planification et exécution des tâches, en distinguant les approches proactives (qui anticipent des incertitudes via des plans dont la robustesse face à de telles contingences est prouvée), les approches réactives (qui adaptent localement le plan ou replanifient en ligne), et enfin les approches progressives/continues (où la planification est effectuée en ligne avant l'exécution en intégrant les événements observés pour planifier l'étape suivante). Une définition légèrement différente de la proactivité a été développée à l'AASS [Grosinger et al., 2019] : elle prend en compte les futurs possibles et les intentions humaines issues d'interactions en temps réel afin de déterminer la meilleure action suivante ou, éventuellement, d'ajouter de nouveaux objectifs à atteindre. L'objectif principal de cette thèse est de proposer un processus décisionnel dynamique de plus haut niveau, destiné principalement à exécuter un planning prédictif (généré grâce au système ARIES [Bit-Monnot, 2023] utilisé à RIS/LAAS) en collaboration avec des soignants humains, mais pouvant choisir à chaque instant entre : - exécuter simplement la prochaine tâche attribuée ; - reprogrammer certaines tâches (approche réactive) ou planifier l'étape suivante (approche progressive) ; - collecter des données pour acquérir de nouvelles connaissances afin de lever les incertitudes [Veiga & Renoux, 2023] (capacité de diagnostic) ; - mettre en œuvre un processus d'apprentissage actif pour acquérir de nouvelles compétences [Sartor et al., 2023]. Ce processus de niveau supérieur pourrait s'inspirer des MDPs habituellement utilisés dans la planification probabiliste [Beynier & Mouaddib, 2004], ou des états de croyance utilisés dans le diagnostic basé modèles [Cordier et al., 2020]. Dans notre contexte, la difficulté réside dans les actions de communication [Sabu et al., 2025] qui peuvent à la fois contribuer à la résolution des incertitudes, mais aussi potentiellement en introduire de nouvelles. Elles sont également au cœur du besoin de capacités d'apprentissage en raison de la diversité déjà mentionnée des caractéristiques des humains, qui ne sont que partiellement connues. École doctorale : SYSTEMES Direction : Thierry VIDAL Financement : MSCA COFUND BEST