Approches basées modèles et Réalité Mixte pour l'Entraînement d’Opérateurs coopérant avec un essaim de Robots (AREOR)

Les essaims de robots sont composés d’un grand nombre de robots, de petites tailles et autonomes, obéissant à un ensemble de règles simples, et dont le comportement (inspiré de ceux observables dans la nature) est influencé par leur environnement direct. Dans ce type de systèmes, l’intelligence n’est pas centralisée mais collective, émergeant des interactions entre les robots. Ces systèmes distribués peuvent être plus adéquats, dans certains contextes, par leurs propriétés de robustesse, d’auto-adaptation, de résilience qui s’avèrent utiles pour faire de l’exploration ou de la couverture de zones par exemple. Ces systèmes sont conçus pour être autonomes, mais un opérateur humain reste nécessaire afin notamment d'identifier et atténuer leurs éventuelles erreurs. Cependant, interagir avec ces systèmes est difficile. D’une part, la position de l’humain a évolué : initialement activement inclus dans la boucle, l’humain se retrouve dans un rôle principalement passif de supervision. Ainsi il reste responsable du bon déroulé de la mission avec un système dont il est exclu du processus de prise de décision. Dans de telles situations, l’opérateur peut être incapable de maintenir un niveau d’engagement et de conscience situationnelle suffisants pour intervenir dans les délais en cas d’erreur. D’autre part, la nature émergente et distribuée des essaims complique, pour l’opérateur, la mise en place d’un modèle mental du comportement de l’essaim, l’empêchant de correctement comprendre, expliquer et anticiper ce comportement. En conséquence, un apprentissage et un entraînement des opérateurs sont nécessaires. Les approches existantes restent incomplètes et sont coûteuses par la mobilisation des utilisateurs sur de longues durées. Ce projet de thèse propose de mettre en place une coopération opérateur-essaim de robots performante, sûre et satisfaisante, par une approche centrée utilisateur incluant deux étapes : (1) utiliser une approche basée modèles pour réduire le temps d’apprentissage des opérateurs par identification préalable des procédures, (2) concevoir une interface en Réalité Mixte afin d’améliorer la transparence de l’essaim sans compromettre la conscience situationnelle de l’opérateur. La thèse étudiera le cas de la surveillance des littoraux pour l’identification et le ramassage des déchets.

Le Lab-STICC, fort de son rattachement à l'institut INS2I du CNRS, est une unité de recherche historiquement reconnue en Bretagne Océane et en France dans le domaine des STIC. Elle affiche une capacité avérée de couvrir un large spectre scientifique autour des sciences du numérique, et avec en particulier cette faculté d’adresser des champs disciplinaires variés (Théorie de l’Information, Ondes & Matériaux, Electronique et Informatique embarquées, Sciences des données, Communication et détection de signaux, Interfaces Homme-Machines,..) suivant des thématiques/secteurs applicatifs multiples : l’environnement maritime, les objets communicants, la défense, le spatial, la santé, la sécurité, la robotique...

Au sein du Lab-STICC, l'équipe INUIT développe des travaux de recherche sur l'interaction collaborative en Réalité Mixte. Nous concevons des systèmes de Réalité Virtuelle et Augmentée en proposant des modèles et des métaphores que nous évaluons aux travers d'expérimentations utilisateurs. Dans ce contexte, nous nous concentrons en particulier sur la collaboration humain - systèmes complexes, qui vise à :

• Faciliter la compréhension par un utilisateur humain des phénomènes complexes, et la collaboration avec ces systèmes, grâce à une interaction immersive et naturelle

• Proposer des solutions pour améliorer la performance du système global constitué par l’humain et la machine

• Master en informatique
• Compétences et connaissances en Interaction Humain-Machine (IHM) et en systèmes multi-agents / multi-robots (SMA)
• De l’expérience en Réalité Virtuelle (RV), Réalité Augmentée (RA) ou visualisation de données est un plus