Soutenance de thèse : Allan HENRY | Laboratoire de Psychologie et NeuroCognition

Soutenance

Le 6 novembre 2026

Saint-Martin-d'Hères - Domaine universitaire

Parler pour piloter : compréhension de la parole spontanée pour le guidage de drone par des opérateurs naïfs

Piloter un drone à la voix suppose de savoir ce qu'un utilisateur dit. Les systèmes de contrôle vocal existants reposent sur des lexiques prédéfinis, et aucune ressource ne documente la parole d'un locuteur sans contrainte. Cette thèse part de ce constat et le traite en trois temps : caractériser le guidage vocal spontané, produire un corpus aligné sur des commandes de vol, et concevoir une architecture capable d'interpréter la parole en temps réel pour produire des mouvements du drone. Deux exigences structurent le problème. Rendre le pilotage accessible à des utilisateurs non formés suppose d'accepter une parole libre. Maintenir la stabilité du contrôle impose une réponse rapide : au-delà de 200 ms entre l'intention et la réaction de l'engin, l'opérateur corrige une situation déjà dépassée et le pilotage devient instable. Une fois retranchés les délais incompressibles d'acquisition et de transmission, le budget alloué à la compréhension de la parole est d'environ 100 ms. La littérature résout l'une ou l'autre de ces exigences, jamais les deux. Trois expérimentations ont été menées selon un protocole dyadique commun, où un guide dirige vocalement un pilote vers des cibles que ce dernier ne voit pas. Dans la première, le pilote est un humain se déplaçant les yeux fermés, dans la deuxième, il dirige un drone à la manette, dans la troisième, le système automatique le remplace, à l'insu du guide. L'analyse du corpus établit quatre propriétés du guidage spontané. Moins de 2% des énoncés combinent plusieurs directions : les guides décomposent la navigation en instructions élémentaires. Un peu plus de la moitié des énoncés porte un marqueur directionnel explicite, le contexte immédiat porte cette part à 61%, le reste concernant le contrôle de flux. L'amplitude du mouvement, rarement quantifiée, est modulée par des atténuateurs (ex. «un peu») corrélés à la distance à la cible, et non à la durée du déplacement. Enfin, le guidage s'organise en trois phases : Orientation, Approche, et Ajustement. Il est identique dans les deux configurations humaines malgré des interfaces motrices très différentes. Il en résulte le corpus VoiceStick, première ressource francophone de parole spontanée alignée sur des commandes de pilotage : 4 219 énoncés produits par 29 dyades, chacun associé à deux étiquettes : l'intention du guide et l'action exécutée. Cette dualité rend mesurable l'écart entre ce qui est demandé et ce qui est fait. Sur le plan architectural, l'approche en cascade est disqualifiée : 202 ms d'inférence, avec 81% d'erreurs imputables à la transcription. L'architecture de bout en bout proposée, fondée sur un encodeur auto-supervisé francophone à couches pondérées et agrégation par attention, atteint 93% d'exactitude sur l'intention en 7 ms. Une régression de durée fondée sur les seules métadonnées temporelles exploite un aspect nouveau : le silence entre deux énoncés prédit la quantité de mouvement mieux que tout indice prosodique. Adapté au flux continu, le système traite des trames de 300 ms en 60 ms et atteint 70% d'exactitude en déploiement, la dégradation affectant la direction plutôt que le mouvement. La validation en vol réel, où dix participants dirigent alternativement un pilote humain ou le système sans savoir lequel, ne révèle aucune différence sur les neuf dimensions d'expérience mesurées, la moitié des évaluations attribuant des notes identiques aux deux pilotes. Ce travail démontre qu'un système entraîné sur de la parole non contrainte peut fonctionner en temps réel, et que les contraintes de conception décisives ne se déduisent pas de l'intuition : elles ne s'observent que dans des données que personne n'avait collectées.

Date

Le 6 novembre 2026

Localisation

Saint-Martin-d'Hères - Domaine universitaire

à venir