Doctorant h/f

25 campus, 8500 diplômés, 106 000 alumni Bienvenue dans une grande école d'ingénieurs qui a fait de la promotion sociale par l'excellence un modèle de réussite. Rejoignez un environnement stimulant où l'esprit d'équipe, la diversité des projets et l'autonomie ne font qu'un. Titre :
Émergence de vigilances contextuelles en robotique par apprentissage social pour la détection de risques industriels et d'inefficacités énergétiques en milieu professionnel Domaines scientifiques :
Intelligence artificielle, Robotique, Interactions sociales Mots clés :
Robotique sociale, apprentissage interactif, vigilance contextuelle Encadrement Directeur de thèse :
Fabrice DUVAL, Enseignant Chercheur Encadrant (s) :
Hakim GUEDJOU, Enseignant Chercheur Beatrice BIANCARDI, Enseignante Chercheuse Travaux de Recherche Résumé Cette thèse explore comment un robot peut développer des capacités de vigilance contextuelle via l'apprentissage social en interaction avec des humains. En observant et reproduisant des démonstrations, le robot apprend à détecter des situations critiques dans son environnement. L'objectif est de concevoir un système capable de s'adapter à divers contextes, comme la réduction énergétique ou la sécurité industrielle. L'approche mise sur des interactions intuitives pour permettre aux non-experts de transmettre leurs connaissances au robot. Ce travail s'inscrit à l'intersection de la robotique cognitive, de l'intelligence artificielle et des sciences humaines. Projet de thèse Contexte scientifique Dans un monde où les environnements de travail deviennent de plus en plus complexes et dynamiques, les systèmes robotiques doivent dépasser les capacités de perception basiques pour adopter une compréhension contextuelle plus fine (Balažević et al., 2023;
Ni et al., 2023). La notion de vigilance contextuelle fait référence à la capacité d'un agent à détecter de manière proactive des situations à risque ou inefficaces, en tenant compte des relations entre objets, actions humaines et environnement. Cela représente un enjeu crucial aussi bien dans des applications de sécurité industrielle (ex. détection d'anomalies ou de configurations dangereuses) que dans des démarches de sobriété énergétique (ex. gaspillage lié à un chauffage actif dans une pièce aérée). L'apprentissage social, et plus spécifiquement l'apprentissage par démonstration (Argall et al., 2009;
Correia and Alexandre, 2024), apparaît comme une stratégie prometteuse pour doter les robots de telles compétences. Cette approche permet à des utilisateurs non experts de transmettre intuitivement au robot des savoirs contextuels difficiles à modéliser explicitement (Engelbracht et al., 2024;
Luo et al., 2024), en lui montrant directement les situations pertinentes. Couplée à des avancées en perception multimodale et en apprentissage adaptatif, cette méthode favorise le développement de robots autonomes capables de généraliser des comportements appris à des contextes variés, tout en restant compréhensibles et acceptables par les humains. La recherche s'inscrit ainsi à la croisée de la robotique cognitive, de l'intelligence artificielle centrée humain et des sciences comportementales. Sujet de thèse Cette thèse a pour objectif principal de concevoir un cadre d'apprentissage permettant à un robot de développer une vigilance contextuelle, c'est-à-dire la capacité à détecter de manière autonome et pertinente des situations problématiques dans son environnement. L'originalité de cette démarche repose sur l'apprentissage social :
le robot apprend non pas à partir de jeux de données préalablement étiquetés, mais directement auprès des utilisateurs humains, via des démonstrations et des interactions situées (Engelbracht et al., 2024;
Luo et al., 2024). Ces situations peuvent recouvrir des domaines variés, allant de la sécurité industrielle à la performance énergétique, en passant par des problématiques de conformité ou de fonctionnement anormal. Le coeur scientifique de la thèse porte ainsi sur le développement de modèles capables d'interpréter des scènes complexes en mobilisant les signaux contextuels pertinents :
non seulement les objets présents, mais aussi leurs relations spatiales et fonctionnelles, les usages associés, et les intentions sous-jacentes des humains (Arashpour, Ngo and Li, 2021;
Balažević et al., 2023;
Dolatyabi, Regan and Khodayar, 2025). L'apprentissage par démonstration doit permettre au robot d'encoder des représentations flexibles et généralisables, afin qu'il puisse, à terme, repérer de nouvelles occurrences de ces situations sans supervision directe. Un effort particulier sera mené pour concevoir des modalités d'interaction simples et accessibles aux non-experts, afin d'intégrer cette capacité d'apprentissage dans des contextes de travail réels. Dans un second temps, le robot pourra également apprendre, toujours par démonstration, des gestes correctifs pour réagir aux situations identifiées. Pour cette phase, des modèles existants issus de l'état de l'art en apprentissage de comportements par démonstration et en reconnaissance gestuelle seront mobilisés (Billard et al., 2008;
Argall et al., 2009;
Correia and Alexandre, 2024), puis adaptés aux contraintes du contexte considéré. Ce second volet permettra de boucler le cycle entre détection, décision et action, en assurant que le robot ne se limite pas à une fonction d'alerte, mais contribue activement à la résolution des anomalies ou dysfonctionnements. Enfin, une attention sera portée à l'effet de cette collaboration sur les comportements et motivations des utilisateurs eux-mêmes. Enseigner au robot des situations et des gestes peut avoir un effet de retour sur l'humain (Koh, Lee and Lim, 2018):
renforcement de l'attention, meilleure appropriation des bonnes pratiques, ou évolution des comportements et des motivations. Ces dynamiques seront explorées en s'appuyant sur des théories issues des sciences cognitives, comme la théorie de l'auto-perception (Bem, 1972) ou de dissonance cognitive (Festinger, 1957), pour comprendre comment l'interaction avec un robot apprenant pourrait devenir un levier de changement d'abord individuel et ensuite organisationnel. Antériorité du sujet dans le laboratoire Ce sujet de thèse s'inscrit naturellement dans la continuité des travaux menés par l'équipe encadrante, qui dispose d'une expertise dans les domaines clés mobilisés ici. Les recherches antérieures ont notamment porté sur la génération de données synthétiques pour l'apprentissage visuel en robotique, en particulier dans des environnements industriels complexes, offrant ainsi une base méthodologique solide pour aborder la reconnaissance contextuelle de situations problématiques (Laignel et al., 2024). Des travaux ont également exploré les mécanismes d'adaptation dans l'interaction humain-agent, en étudiant comment ajuster dynamiquement le comportement d'un agent socialement interactif en fonction des réactions et préférences de l'utilisateur, ce qui est essentiel pour structurer une interaction pédagogique efficace lors des phases d'apprentissage par démonstration (Biancardi, Dermouche and Pelachaud, 2021). Enfin, une attention particulière a déjà été portée à l'influence des caractéristiques individuelles des utilisateurs sur les dynamiques d'apprentissage en robotique sociale, ce qui alimente ici la réflexion sur l'impact mutuel de l'interaction humain-robot (Guedjou et al., 2024). L'ensemble de ces travaux constitue une assise scientifique cohérente et complémentaire, qui soutient pleinement l'ambition du projet :
faire émerger, par l'apprentissage social, une vigilance contextuelle chez le robot, tout en analysant les effets de cette relation d'apprentissage sur l'humain. Programme de travail Le programme de travail, d'une durée de 36 mois, se structure en deux phases principales, chacune articulée autour d'objectifs théoriques, techniques et expérimentaux. La première phase, prioritaire et plus longue (mois 1 à 24), sera consacrée à l'apprentissage de la détection des situations problématiques par démonstration. Elle comprendra une revue de littérature approfondie sur les modèles de perception contextuelle et l'apprentissage par démonstration, l'analyse comparative de modèles à partir de jeux de données publics, ainsi que la définition des scénarios d'expérimentation centrés sur la vigilance contextuelle (performance énergétique et sécurité industrielle). Cette phase verra également la constitution d'un dataset dédié, le développement d'un modèle de perception contextuelle, la…