Cet article aborde le défi de trouver un équilibre entre la nécessité de garanties de sécurité rigoureuses et celle d'un fonctionnement réactif et efficace dans les cellules robotisées collaboratives, afin de permettre une automatisation flexible et à haut débit dans les espaces de travail partagés homme-robot. Plus précisément, nous cherchons à surmonter les limites des approches purement réactives ou basées sur les hypothèses du pire cas en prenant en compte la variabilité stochastique et dépendante de la tâche du mouvement humain (obstacles dynamiques). Nous soulignons que les approches existantes de prédiction du mouvement humain basées sur l'apprentissage tendent à prédire les scénarios du pire cas et peinent à gérer l'incertitude de prédiction, ce qui conduit à des algorithmes de planification trop conservateurs. Par conséquent, nous proposons un cadre appelé Fonctions de barrière de contrôle prédictives sensibles à l'incertitude (UA-PCBF), qui intègre la prédiction probabiliste du mouvement de la main humaine aux garanties de sécurité formelles des Fonctions de barrière de contrôle (CBF). UA-PCBF ajuste dynamiquement les marges de sécurité en fonction des estimations d'incertitude du mouvement humain fournies par le module de prédiction. Nous validons les UA-PCBF grâce à des expériences de configuration automatisées avec de vraies mains de robot et des expériences d'interaction directe homme-robot, démontrant qu'ils surpassent les architectures HRI existantes dans les métriques liées aux tâches et réduisent considérablement le nombre de violations de l'espace de sécurité.
