Partage de tâches adaptatif dans une équipe humain-machine basé sur des modèles quantitatifs de performance et de confiance

Lorsqu'une équipe humain-machine est formée dans le but d'accomplir des tâches de prise de décision, certains facteurs humains peuvent avoir un impact important sur les performances de l'équipe. C'est le cas en particulier de la charge de travail et de la confiance que place un opérateur dans les capacités de la machine. Il peut alors être nécessaire de prendre en compte ces facteurs dans le design de la stratégie de collaboration. Cependant, la confiance et la charge de travail varient dans le temps en fonction des interactions entre l'humain et la machine. Une façon de prendre en compte ces éléments est d'opter pour une stratégie de collaboration adaptative, c'est-à-dire qui varie en fonction de l'état cognitif de l'opérateur. Dans ce mémoire on propose une stratégie de collaboration adaptative sous la forme de suggestions automatiques et dynamiques de partage de tâche. Régulièrement, une proposition de partage de tâche est suggérée à l'opérateur en prenant en compte sa charge de travail ainsi que sa confiance. Cette stratégie est issue de la résolution d'un Processus Décisionnel Markovien Partiellement Observable (POMDP). Pour cela des modèles quantitatifs des performances humaines et de la dynamique de la confiance ont été sélectionnés. Des simulations permettent de montrer le potentiel de la méthode en comparant les performances de la stratégie adaptative proposée à celles d'une stratégie statique plus simple. Les résultats à long terme de l'équipe humain-machine sont en moyenne meilleurs de 24% lorsque la stratégie adaptative est appliquée plutôt que la stratégie statique. L'utilisation de modèles quantitatifs dont certains paramètres doivent être identifiés pose la question de la robustesse de la stratégie aux erreurs de calibration. On montre, toujours en simulation, que malgré certaines erreurs de modèles, la stratégie proposée conserve son avantage.