Thèse Perception Robotique Multimodale et Modélisation de la Décision Humaine pour l'Anticipation des Comportements Piétons H/F - 75

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique
École doctorale : Sciences et Technologies de l'Information et de la Communication
Laboratoire de recherche : Laboratoire Interdisciplinaire des Sciences du Numérique
Direction de la thèse : Céline CLAVEL ORCID 0000000222537963
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-03-22T23:59:59

Ce projet de thèse en cotutelle entre l'Université Paris-Saclay et l'University of Exeter vise à développer des systèmes robotiques capables d'interagir de manière sûre, fluide et intuitive dans des environnements riches en piétons. Il s'inscrit dans une approche interdisciplinaire à l'interface de l'intelligence artificielle et de la psychologie, combinant perception robotique multimodale, apprentissage profond et modélisation théoriquement fondée de la prise de décision humaine.

L'objectif principal est de concevoir des algorithmes permettant aux robots de détecter, comprendre et anticiper le comportement des piétons en intégrant des modèles psychologiques de la décision. Le projet s'appuie notamment sur la Regulatory Focus Theory (Higgins, 1997), particulièrement pertinente pour modéliser les comportements d'approche et d'évitement en contexte d'incertitude. La distinction entre une orientation motivationnelle de type promotion (recherche de gains et sensibilité aux opportunités) et une orientation de type prévention (évitement des risques et recherche de sécurité) permettra de paramétrer des profils décisionnels susceptibles d'améliorer la prédiction des intentions de déplacement.

Dans cette perspective, il ne s'agit pas de doter le robot d'une personnalité, mais de lui permettre d'inférer des profils comportementaux chez les usagers de son environnement afin d'adapter dynamiquement ses stratégies de perception et d'interaction. La personnalité est ainsi mobilisée comme un cadre de modélisation de la variabilité des comportements humains, au service d'une anticipation plus fine et d'interactions plus naturelles.

Le projet adopte une approche d'IA hybride combinant la fusion de données issues de capteurs multiples avec des modèles computationnels de la décision. L'intégration de ces informations dans les mécanismes perceptifs et décisionnels du robot devrait renforcer la sécurité des déplacements, la fluidité des interactions humain-robot et l'acceptabilité de ces technologies dans des contextes réels tels que la navigation urbaine ou les technologies d'assistance.

Une validation expérimentale en conditions écologiques sera conduite afin d'évaluer la capacité du système à prédire les intentions de traversée et à ajuster son comportement en conséquence.

À travers ce projet, l'ambition est de contribuer au développement de robots autonomes plus sûrs et mieux alignés avec les comportements et attentes humaines.

Les avancées récentes en intelligence artificielle, en robotique mobile et en apprentissage profond ont considérablement accru les capacités perceptives des systèmes autonomes. Toutefois, malgré ces progrès, l'anticipation fiable du comportement humain demeure un défi scientifique majeur, en particulier dans des environnements urbains denses où les robots doivent coexister et interagir en temps réel avec des piétons. Les approches actuelles peinent encore à capturer la variabilité des comportements humains et leurs déterminants motivationnels.

Parallèlement, la psychologie a produit des modèles théoriques permettant d'expliquer la prise de décision en contexte d'incertitude. Parmi eux, la Regulatory Focus Theory (Higgins, 1997) propose une distinction entre des orientations motivationnelles de type promotion, associées à la recherche de gains et d'opportunités, et de type prévention, orientées vers l'évitement des risques et la recherche de sécurité. Ces cadres offrent des perspectives pour modéliser les comportements d'approche et d'évitement susceptibles d'influencer des décisions rapides, telles que traverser ou attendre face à un robot en mouvement.

Dans ce contexte, un enjeu scientifique consiste à dépasser une opposition classique entre modèles purement computationnels et approches théoriques du comportement humain, en développant des systèmes capables d'intégrer des connaissances issues de la psychologie au sein même de leurs mécanismes perceptifs et décisionnels. Cette perspective s'inscrit dans le développement de l'IA hybride, qui vise à combiner la puissance des méthodes d'apprentissage avec des modèles explicatifs afin de produire des systèmes interprétables et adaptés aux interactions humaines.

Le projet se positionne ainsi à l'interface de la perception robotique multimodale, de la modélisation computationnelle de la décision et de la psychologie. Son originalité réside dans l'utilisation de modèles motivationnels non pas pour caractériser le robot, mais pour représenter l'hétérogénéité des comportements humains et permettre au système d'inférer des profils décisionnels chez les usagers de son environnement. En améliorant la capacité des robots à anticiper les intentions piétonnes et à ajuster leur comportement, ce projet contribue aux enjeux scientifiques et sociétaux liés au déploiement de robots autonomes sûrs, acceptables et alignés avec les attentes humaines.

Développer des algorithmes d'apprentissage profond multimodaux afin d'améliorer la perception robotique en environnements riches en piétons.

Intégrer des modèles théoriques de la prise de décision humaine dans les mécanismes perceptifs et décisionnels du robot, en s'appuyant notamment sur la Regulatory Focus Theory (Higgins, 1997) pour modéliser les comportements d'approche (promotion) et d'évitement (prévention).

Concevoir un cadre computationnel permettant au robot d'inférer des profils décisionnels chez les piétons, afin d'anticiper leurs intentions (notamment les intentions de traversée) et d'adapter dynamiquement ses stratégies d'interaction et de navigation.

Évaluer expérimentalement l'impact de l'intégration des modèles psychologiques sur la performance du système (précision de prédiction, sécurité de navigation, fluidité des interactions), en comparant des versions avec et sans modélisation des profils motivationnels.