MODÉLISATION DE L'ACTION JOINTE AVEC APPRENTISSAGE PAR RENFORCEMENT POUR LA VARIABILITÉ INTER- ET INTRA- PERSONNELLE // MODELING JOINT ACTION REINFORCEMENT LEARNING UNDER INTER- AND INTRA- PERSONAL VARIABILITY

Bien que des recherches récentes en robotique sociale se soient intéressées au fait de doter un robot de la capacité à trouver un
équilibre entre des mouvements expressifs et des mouvements fonctionnels (visant uniquement à résoudre une tâche) dans les tâches
d'actions jointes, en utilisant notamment l'apprentissage par renforcement (voir, par exemple, Hu et al., 2025), ces travaux ne
concernent pas l'adaptabilité du robot à la situation d'interaction.
L'approche adoptée consiste généralement à doter le robot d'un répertoire de comportements prédéfinis, comportements qui ne sont
peut-être pas toujours adaptés si l'on tient compte des différences entre les différents sujets humains (inter-variabilité). De plus, les
approches ne considèrent pas non plus la variabilité pour un même sujet (intra-variabilité), au sens où les motivations, les envies,
l'attention d'un sujet varient au cours du temps. De notre point de vue, ces approches n'abordent pas toute la complexité de la question
de l'interaction jointe en robotitque sociale.
Ainsi, l'originalité du travail de thèse que nous proposons consiste à étudier la co-adaptation humain-
robot 'en-ligne' dans l'interaction expressive. Nous aimerions explorer l'utilisation du cadre général de l'apprentissage par renforcement
(Sutton et Barto, 1998) pour modéliser le problème de l'adaptation comme un processus d'optimisation stochastique, prenant ainsi en
compte la variabilité inter- et intra-sujet pour les scénarii d'interaction d'action conjointe.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Although recent studies in social robotics have addressed the problem of providing the robot with the ability to balance between motion
expressiveness and function in achieving joint tasks (e.g. in Hu et al., 2025) using, for example, reinforcement learning, they do not
consider the adaptability of the robot to the situation. The approach adopted consists in endorsing the robot with a predefined behavior
repertory, with may not be suitable when considering human inter-variability. Also, the approach does not consider intra-subject
variability, in the sense that humans continuously fluctuate in mood, awareness, and motivation; which results in our opinion in a
somewhat narrow perspective for social robotics in joint action interaction with humans.
Therefore, the originality of the thesis work we propose consists in investigating online human-robot
co-adaptation in expressive interaction. We would like to explore using the general framework of Reinforcement Learning (Sutton and
Barto, 1998) to model the adaptation problem as a stochastic optimization process, thus taking into account both inter- and intra-subject
variability for joint action interaction scenarios.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

Université de Lorraine

77 IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

-- Avoir obtenu un diplôme équivalent à un Master 2 français en robotique ou informatique ou mathématique appliquées ou sciences cognitives. -- Un intérêt marqué pour la recherche en interaction humain-robot, 'embodiment', sciences cognitives et la modélisation bio-inspirée. -- Savoir programmer en Python, (savoir programmer en C++ est un plus appréciable). -- Des notions de modélisation géométrique et du contrôle de comportements robotique seraient un plus. -- Niveau en français ou anglais requis : un niveau moyen, au minimum. Vous devez pouvoir commprendre, et vous exprimer correctement et de manière cohérente sur les sujets qui vous sont familiers.
• Equivalent degree to a French Master II diploma in robotics, computer science, mathematical modeling or cognitive science. • Deep research interest in human-robot interaction, embodiment, cognitive sciences and bio-inspired modeling. • Programming skills in Python language (skills in C++ would be a plus). • Notions of classical geometric modeling and behavior regulation in robotics would be a plus. • Level of French or English required: at least intermediate level. You can speak the language understandably, coherently and confidently on everyday topics that are familiar to you.