Une avancée révolutionnaire dans la robotique sociale bouleverse la manière dont les machines apprennent à interagir avec les humains. Des chercheurs ont développé un système de simulation permettant de former des robots sociaux sans recourir à des participants humains, ce qui pourrait transformer le calendrier de développement du secteur.
L’étude, présentée lors de la conférence internationale IEEE sur la robotique et l’automatisation (ICRA) 2025, a été menée par une équipe des universités de Surrey et de Hambourg. Leur approche repose sur un modèle dynamique de prédiction de trajectoire du regard, aidant les robots à anticiper là où les humains porteraient naturellement leur attention lors d’interactions sociales.
« Notre méthode nous permet de vérifier si un robot prête attention aux bons éléments – tout comme le ferait un humain – sans nécessiter de supervision humaine en temps réel », explique le Dr Di Fu, co-responsable de l’étude et maître de conférences en neurosciences cognitives à l’université de Surrey.
L’équipe a validé son modèle à l’aide de deux jeux de données publics, démontrant que les robots humanoïdes pouvaient imiter avec succès les mouvements oculaires humains. En projetant des cartes de priorité du regard humain sur un écran, ils ont comparé directement la concentration d’attention prédite par le robot avec des données réelles, supprimant ainsi la nécessité d’études à grande échelle d’interaction humain-robot lors des premières phases de recherche.
Cette innovation répond à un obstacle majeur dans le développement de la robotique sociale. Jusqu’à présent, les chercheurs devaient mobiliser de nombreux participants humains pour former et tester des robots destinés à des environnements sociaux tels que l’éducation, la santé ou le service à la clientèle. Parmi ces robots, on peut citer Pepper, assistant de vente, et Paro, robot thérapeutique pour les patients atteints de démence.
En permettant aux chercheurs de tester et d’affiner à grande échelle les modèles d’interaction sociale en simulation avant leur déploiement réel, cette avancée pourrait accélérer de façon spectaculaire le cycle de développement des robots sociaux, tout en réduisant les coûts et en améliorant leur efficacité dans les environnements humains.