ROCHIA – DEFI CLE : Robotique

ROCHIA

RObotique Collaborative Centrée sur l’Humain et l’IA

Pitch

C’est un projet de mobilité à l’étranger (Université de Sherbrooke) d’un chercheur de l’UTTOP de Tarbes (Région Occitanie) afin de renforcer les collaborations entre les deux universités et travailler sur un projet de recherche en cours autour de la robotique de collaboration avec l’humain en utilisant des techniques de l’IA.

Objectifs

L’objectif principal de ce projet de mobilité est d’initier et structurer une collaboration scientifique durable entre l’UTTOP/LGP et l’Université de Sherbrooke afin de combiner commande robotique et IA/Machine Learning pour améliorer l’interaction physique humain-robot, tout en consolidant le projet ANR CALL et en mettant en place une thèse co-encadrée.

Résultats attendus

Les principaux résultats attendus de cette mobilité résident d’abord dans la mise en place d’une collaboration scientifique durable entre l’UTTOP/LGP et l’Université de Sherbrooke, fondée sur la complémentarité entre commande robotique et techniques d’IA. Cette collaboration doit permettre de consolider le projet ANR CALL en clarifiant et en priorisant ses objectifs scientifiques, afin d’en renforcer la cohérence et l’impact. La mobilité vise également à aboutir à la définition détaillée d’un plan de thèse co-encadrée, intégrant une méthodologie structurée, des jalons précis et une analyse des risques. Enfin, elle permettra de sélectionner et d’harmoniser les plateformes robotiques et les moyens expérimentaux des deux sites, posant ainsi les bases d’une stratégie commune de validation expérimentale en interaction physique humain-robot.

Type de financement

Mobilité sortante

Chercheur

Mourad BENOUSSAAD

LGP UTTOP -équipe MAVRICS

Chercheur accueil

Wael Suleyman

Structure d’accueil

Université de Sherbrooke

Mots-clés

Collaboration UTTOP–Univ. de Sherbrooke

Renforcement réseau international

Travaux scientifiques sur la robotique collaborative

Plan de thèse co-encadrée (projet ANR CALL)

Présentation et sélection plateformes robotiques (projet ANR CALL)

Date

22/09/2025 au 09/10/2025

Tutelle

Université de Technologie de Tarbes (UTTOP)

Contact

Dr Mourad BENOUSSAAD & Prof. Wael Suleiman à l’institut 3IT (Université de Sherbrooke

+ Présentation détaillée

Ce projet de mobilité vise à renforcer la collaboration entre l’Université de Technologie de Tarbes Occitanie Pyrénées (UTTOP) et l’Université de Sherbrooke (Canada) dans le domaine de l’interaction physique entre humains et robots. L’objectif est de développer des robots capables de travailler aux côtés des humains de manière naturelle, fluide et sécurisée, en anticipant leurs mouvements et leurs intentions lors de tâches de manipulation et de transport d’objets.
Pendant la mobilité, des échanges scientifiques ont permis de combiner les expertises : commande robotique à Tarbes et intelligence artificielle/ apprentissage automatique à Sherbrooke. Le plan scientifique du projet ANR CALL a été clarifié et ses priorités définies, incluant la prédiction des mouvements humains, l’adaptation dynamique des robots et la validation expérimentale sur des plateformes réelles.
Un plan de thèse co-encadrée a été élaboré, avec objectifs, méthodologie et étapes de validation, accompagné d’une analyse des risques et de solutions alternatives. Les robots les plus adaptés ont été sélectionnés, notamment le KUKA iiwa, Sawyer, Kinova Gen3 et Mirokaï.
En résumé, cette mobilité a permis de structurer une collaboration durable, de préparer la formation de futurs chercheurs et de poser les bases d’expérimentations avancées en robotique collaborative.

+ Références

Bernshteĭn, N. A. (1967). The co-ordination and regulation of movements. Pergamon Press.
Christen, S., Yang, W., Pérez-D’Arpino, C., Hilliges, O., Fox, D., & Chao, Y.-W. (2023b). Learning Human-to-Robot Handovers from Point Clouds. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 9654‑9664.
Costes, A., Turpin, N. A., Villeger, D., Moretto, P., & Watier, B. (2018). Spontaneous change from seated to standing cycling position with increasing power is associated with a minimization of cost functions. Journal of Sports Sciences, 36(8), 907‑913.
Djeha, M., Dallard, A., Zermane, A., Gergondet, P., & Kheddar, A. (2022). Human-Robot Handovers using Task-Space Quadratic Programming. 2022 31st IEEE International Conference on Robot and Human Interactive Communication (RO-MAN), 518‑523. Duan, H., Wang, P., Li, Y., Li, D., & Wei, W. (2023). Learning Human-to-Robot Dexterous Handovers for Anthropomorphic Hand. IEEE Transactions on Cognitive and Developmental Systems, 15(3), 1224‑1238.
Duan, H., Yang, Y., Li, D., & Wang, P. (2024). Human–robot object handover : Recent progress and future direction. Biomimetic Intelligence and Robotics, 4(1), 100145.
Feldman, A. G. (2010). How the Brain Solves Redundancy Problems. Motor control, 14(3), e1‑e5.
Fishman, C. Paxton, W. Yang, D. Fox, B. Boots, & N. Ratliff. (2021). Collaborative Interaction Models for Optimized Human-Robot Teamwork. 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 11221‑11228.
Gulletta, G., Silva, E. C. E., Erlhagen, W., Meulenbroek, R., Costa, M. F. P., & Bicho, E. (2021). A Human-like Upper-limb Motion Planner : Generating naturalistic movements for humanoid robots. International Journal of Advanced Robotic Systems, 18(2), 172988142199858.
Chappellet, K., Murooka, M., Caron, G., Kanehiro, F. & Kheddar, A. (2023). Humanoid Loco-Manipulations Using Combined Fast Dense 3D Tracking and SLAM With Wide-Angle Depth-Images. IEEE Transactions on Automation Science and Engineering, 1‑14. https://doi.org/10.1109/TASE.2023.3283497
Keller, M., Werling, K., Shin, S., Delp, S., Pujades, S., Liu, C. K., & Black, M. J. (2023). From Skin to Skeleton : Towards Biomechanically Accurate 3D Digital Humans. ACM Transactions on Graphics, 42(6), 1‑12.
Kupcsik, A., Hsu, D., & Lee, W. S. (2018). Learning Dynamic Robot-to-Human Object Handover from Human Feedback. In A. Bicchi & W. Burgard (Éds.), Robotics Research : Volume 1 (p. 161‑176). Springer International Publishing.
Liao, S., Lin, L., & Chen, Q. (2023). Research on the acceptance of collaborative robots for the industry 5.0 era—The mediating effect of perceived competence and the moderating effect of robot use self-efficacy. International Journal of Industrial Ergonomics, 95, 103455.
Maldonado, G., Souères, P., & Watier, B. (2019). From Biomechanics to Robotics. In G. Venture, J.-P. Laumond, & B. Watier (Éds.), Biomechanics of Anthropomorphic Systems (Vol. 124, p. 35‑63). Springer International Publishing.
Maroger, I., Silva, M., Pillet, H., Turpin, N., Stasse, O., & Watier, B. (2022). Walking paths during collaborative carriages do not follow the simple rules observed in the locomotion of single walking subjects. Scientific Reports, 12(1), 15585.
Maroger, I., Stasse, O., & Watier, B. (2021). Inverse optimal control to model human trajectories during locomotion. Computer Methods in Biomechanics and Biomedical Engineering, 1‑13.
Maroger, I., Stasse, O., & Watier, B. (2022). From the Study of Table Trajectories during Collaborative Carriages toward Pro-active Human-Robot Table Handling Tasks. 2022 IEEE-RAS 21st International Conference on Humanoid Robots (Humanoids), 911‑918.
Mastalli, C., Budhiraja, R., Merkt, W., Saurel, G., Hammoud, B., Naveau, M., Carpentier, J., Righetti, L., Vijayakumar, S., & Mansard, N. (2020). Crocoddyl : An Efficient and Versatile Framework for Multi-Contact Optimal Control. arXiv:1909.04947.
Meng, C., Zhang, T., & Lam, T. L. (2022). Fast and Comfortable Interactive Robot-to-Human Object Handover. 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 3701‑3706.
Mujica, M., Crespo, M., Benoussaad, M., Junco, S., & Fourquet, J.-Y. (2023). Robust variable admittance control for human–robot co-manipulation of objects with unknown load. Robotics and Computer-Integrated Manufacturing, 79, 102408.
Crombez, N., Buisson, J., André, A.N. & Caron G. (2024). Dual-Hemispherical Photometric Visual Servoing. IEEE Robotics and Automation Letters, 1‑8.
Pan, M. K. X. J., Knoop, E., Bächer, M. & Niemeyer, G. (2019). Fast Handovers with a Robot Character : Small Sensorimotor Delays Improve Perceived Qualities. 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 6735‑6741.
Perovic, G., Iori, F., Mazzeo, A., Controzzi, M., & Falotico, E. (2023). Adaptive Robot-Human Handovers With Preference Learning. IEEE Robotics and Automation Letters, 8(10), 6331‑6338.
Prassida, G. F., & Asfari, U. (2022). A conceptual model for the acceptance of collaborative robots in industry 5.0. Procedia Computer Science, 197, 61‑67.
Turpin, N. A., Costes, A., Moretto, P., & Watier, B. (2016). Upper limb and trunk muscle activity patterns during seated and standing cycling. Journal of Sports Sciences, 1‑8.
Turpin, N. A., Costes, A., Moretto, P., & Watier, B. (2017). Can muscle coordination explain the advantage of using the standing position during intense cycling? Journal of Science and Medicine in Sport, 20(6), 611‑616.
Yoshiyasu, Y. (2023). Deformable Mesh Transformer for 3D Human Mesh Recovery. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 17006‑17015.
Zhu, Y., Samet, N. & Picard, D. (2023). H3WB: Human3.6M 3D WholeBody Dataset and Benchmark. 2023 IEEE/CVF International Conference on Computer Vision (ICCV), 20109‑20120.
Ye, R., Xu, W., Xue, Z., Tang, T., Wang, Y., & Lu, C. (2021). H2O : A Benchmark for Visual Human-human Object Handover Analysis. 2021 IEEE/CVF International Conference on Computer Vision (ICCV), 15742‑15751.
Zatsiorsky, V. M. (2002). Kinetics of Human Motion. Human Kinetics.