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

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.