Des chercheurs aux États-Unis ont mis au point un nouveau cadre d’apprentissage pour les robots humanoïdes, leur permettant de mieux collaborer avec les humains, dont les mouvements sont souvent imprévisibles. Cette approche s’éloigne de l’idée de traiter les humains comme un facteur prévisible et se concentre plutôt sur l’amélioration de la flexibilité des robots face à des gestes humains inattendus. Des entreprises comme Figure AI, qui conçoivent des robots humanoïdes, explorent des applications dans des environnements tant industriels que domestiques. Auparavant, les simulations formaient les robots en supposant que les humains agiraient de manière prévisible, ce qui entraînait souvent des échecs lorsque le comportement humain changeait en termes de mouvement, de rythme ou de décisions. Une équipe de l’université Carnegie Mellon a créé un cadre appelé Heterogeneous-Agent Lyapunov policy Optimization (HALO), conçu pour remédier au manque de flexibilité des machines face aux comportements humains spontanés. Ce cadre utilise l’apprentissage par renforcement multi-agents, permettant aux robots d’apprendre de manière autonome à interagir et collaborer avec les humains. En pratique, le robot ne suit pas une routine fixe, mais est placé dans un environnement où son partenaire humain peut adopter une grande variété de comportements. Cela signifie que le robot intègre directement la variabilité humaine dans son processus d’apprentissage. En robotique collaborative, deux agents – comme un robot et un humain – peuvent avoir le même objectif, comme déplacer des meubles ou d’autres objets dans une pièce, mais utiliser des stratégies différentes. Cela peut créer un « fossé rationnel », où les deux agents ne savent pas comment procéder. Pour stabiliser ce processus d’apprentissage décentralisé, la méthode HALO s’appuie sur la théorie de la stabilité de Lyapunov, un concept mathématique qui garantit que, malgré des différences initiales de mouvement ou de rythme, le robot et l’humain peuvent atteindre en douceur et en toute sécurité un objectif commun. Les chercheurs ont démontré que, grâce à HALO, les robots peuvent se faufiler entre les meubles et les murs tout en transportant des objets lourds et encombrants. Ils peuvent rapidement ajuster leur posture ou leurs mouvements pour mieux gérer les changements de poids ou les actions imprévues des humains, assurant ainsi une collaboration plus efficace. La méthode HALO a déjà été testée en conditions réelles et devrait trouver des applications dans plusieurs domaines. Les secteurs industriel et logistique pourraient en tirer un bénéfice significatif, notamment pour le transport de charges lourdes et les tâches d’assemblage complexes. Les scientifiques estiment également que cette méthode pourrait améliorer l’efficacité des machines assistant les secouristes humains dans des situations où le temps est crucial. Par ailleurs, les chercheurs ont évoqué l’utilisation potentielle de HALO dans les milieux hospitaliers, où elle pourrait faciliter le transport et la manipulation en douceur et en toute sécurité des patients, par exemple lors de transferts sur brancard ou d’autres procédures médicales, sans provoquer de secousses ni d’inconfort.