Commande prédictive par jeux différentiels pour l'assistance intuitive du mouvement lors d'une interaction humain-robot

Model predictive game control for intuitive movement assistance during human-robot interaction

• Auteur / Autrice : Abdelwaheb Hafs
• Direction : Bastien Berret, Olivier Bruneau
• Type : Thèse de doctorat
• Discipline(s) : Sciences du sport et du mouvement humain
• Date : Soutenance le 08/12/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences du sport, de la motricité et du mouvement humain (Gif-sur-Yvette, Essonne ; 2015-....)
• Partenaire(s) de recherche : Référent : Université Paris-Saclay. Faculté des sciences du sport (Orsay, Essonne ; 2020-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sport, mouvement, facteurs humains (2020-….)
• Partenaire(s) de recherche : Laboratoire : Complexité, innovation, activités motrices et sportives (Orsay, Essonne ; 2010-....)
• Jury : Président / Présidente : Christine Azevedo
• Jury : Examinateurs / Examinatrices : Nathanaël Jarrassé, Nasser Rezzoug, Maria Makarov
• Jury : Rapporteurs / Rapporteuses : Nathanaël Jarrassé, Nasser Rezzoug
• DOI : 10.70675/aa2f0eaaz2c32z4c8ezb230z2470a4596f9a

Mots clés

Mots clés contrôlés

Interaction homme-robot

Théorie des jeux

Théorie de la commande

Robotique

Mots clés libres

Assistance

Contrôle optimal

Interaction homme-Robot

Jeux différentiels

Mouvement humain

Assistance

Optimal control

Human-Robot interaction

Differential games

Human movement

Résumé

Les manipulateurs robotiques et les exosquelettes offrent des perspectives prometteuses pour des applications allant de la rééducation motrice à l'entraînement physique et aux tâches industrielles. Cependant, leur efficacité reste limitée, principalement en raison de la difficulté à anticiper les politiques de contrôle utilisées par l'utilisateur humain. La présente thèse explore l'hypothèse selon laquelle la modélisation de l'humain et du robot en tant qu'agents adaptatifs interagissant selon des principes de théorie des jeux pourrait améliorer leur interactions physique. Pour tester cette hypothèse, nous avons développé un cadre de travail basé sur le contrôle par jeu prédictif (MPG) dérivé de la théorie des jeux différentiels. L'objectif du contrôleur est d'anticiper la stratégie motrice humaine en estimant une fonction de coût représentative et en adaptant l'assistance robotique en conséquence. Cette approche a d'abord été validée par des simulations, puis expérimentalement avec un exosquelette de poignet pour des tâches de suivi de trajectoire. Les résultats de ces études ont démontré que le contrôle MPG (i) réduit l'effort humain tout en maintenant la stabilité de la tâche, (ii) capture les caractéristiques individuelles de la stratégie motrice qui restent cohérentes dans le temps, et (iii) permet de moduler les stratégies motrices humaines grâce à un méta-paramètre d'assistance régulant la minimisation de l'effort humain. Les résultats indiquent que, dans le tâches investiguées, les humains comprennent et s'adaptent à la stratégie de contrôle de leur partenaire en se conformant aux principes de la théorie des jeux. De plus, la capacité du méta-paramètre d'assistance à guider les humains vers des comportements d'interaction spécifiques permet de créer des systèmes polyvalents assistés par robot pour l'entraînement physique et la rééducation.

Robotic manipulators and exoskeletons offer promising perspectives for applications ranging from motor rehabilitation to physical training and industrial tasks. However, their effectiveness remains limited, mainly due to the difficulty in anticipating the control policies used by human users.This thesis explores the hypothesis that modeling humans and robots as adaptive agents interacting according to game theory principles could improve their physical interactions. To test this hypothesis, we developed a framework based on model predictive game (MPG) control derived from differential game theory. The objective of the controller is to anticipate human motor strategy by estimating a representative cost function and adapting robotic assistance accordingly. This approach was first validated through simulations, then experimentally with a wrist exoskeleton for trajectory tracking tasks. The results of these studies demonstrated that MPG control (i) reduces human effort while maintaining task stability, (ii) captures individual characteristics of the motor strategy that remain consistent over time, and (iii) allows human motor strategies to be modulated using an assistance meta-parameter that regulates the minimization of human effort.The results indicate that, in the tasks investigated, humans understand and adapt to their partner's control strategy by following the principles of game theory. Furthermore, the ability of the assistance meta-parameter to guide humans toward specific interaction behaviors enables the creation of versatile robot-assisted systems for physical training and rehabilitation.