Anticipation hiérarchique des intentions humaines par méthodes neuro-symboliques

Passer de la reconnaissance à l’anticipation

Un article soumis à arXiv le 15 septembre 2026, intitulé “Neuro-Symbolic Hierarchical Intention Anticipation in Human Behavior”, présente une méthode destinée à prédire les objectifs humains avant la fin d’un comportement observé [1]. Ses auteurs — Farnaz Soleimani, Abdelghani Chibani, Yacine Amirat et Ghazaleh Khodabandelou, du laboratoire LISSI de l’Université Paris-Est Créteil — ne réduisent pas le problème à une simple prédiction du prochain mouvement. Ils le formulent comme une inférence d’objectif à partir d’un épisode multimodal incomplet, suivie d’une prédiction structurée de ce qui reste à accomplir [1].

Cette nuance est essentielle pour les systèmes autonomes centrés sur l’humain. Un robot d’assistance ou un agent collaboratif qui reconnaît seulement ce qu’une personne vient de faire arrive souvent trop tard. Pour aider au bon moment, il doit agir pendant que les indices sont encore partiels. L’article déplace donc le centre de gravité: il ne s’agit plus de reconnaître un épisode complet, mais d’anticiper une trajectoire à partir d’un préfixe d’épisode [2].

Le travail a également été signalé dans des flux d’actualité de recherche en IA au cours de la même fenêtre des 15 et 16 septembre, où il a été résumé comme un système neuro-symbolique d’inférence d’objectifs à partir d’épisodes multimodaux partiels, avec des applications possibles en assistance autonome [3], [4]. Ces flux n’ajoutent pas de résultats expérimentaux indépendants, mais ils confirment la visibilité immédiate de l’article dans l’actualité scientifique récente [3], [4].

Ce que le système cherche à prédire

La pièce centrale est un Hierarchical Planning Decoder, ou HPD, attaché à un encodeur de reconnaissance neuro-symbolique gelé [1]. Plutôt que de prédire uniquement une action plate ou un mouvement isolé, le HPD produit des sorties à quatre niveaux: les prochaines actions atomiques, les activités restantes, les intentions de bas niveau restantes et l’intention de haut niveau de l’épisode [1].

Cette hiérarchie est le cœur du sujet. Une même action peut s’inscrire dans plusieurs objectifs selon le contexte. Ouvrir une boîte, se lever ou enfiler une veste ne prend pas le même sens selon que l’on observe une routine matinale, une préparation de sac ou une autre activité structurée. La méthode traite donc le comportement futur comme une trajectoire ancrée dans une ontologie, et non comme une simple suite de labels [2].

Dans la formulation des auteurs, l’entrée est un préfixe observé couvrant une fraction de l’épisode. À partir de ce fragment, le modèle infère l’intention de haut niveau, prédit les ensembles d’activités et d’intentions de bas niveau encore à venir, puis propose des actions futures cohérentes avec le modèle de transitions du benchmark [2]. Les auteurs ne revendiquent pas une prédiction motrice exacte. Ils parlent plutôt d’inférence d’objectif et de continuation structurée sous contraintes ontologiques [2].

Cette précision évite une interprétation excessive. Le système ne regarde pas uniquement une vidéo brute pour deviner tout le reste de manière entièrement bout en bout. Le HPD et les meilleures lignes de base reçoivent des labels d’actions observées, ce qui permet d’isoler l’apport du décodage hiérarchique et des contraintes neuro-symboliques par rapport au problème amont de reconnaissance d’actions [2]. L’expérience mesure donc la valeur d’une anticipation structurée lorsque le système dispose déjà d’un compte rendu partiel et labellisé de ce qui s’est produit.

Répartition des rôles entre neural et symbolique

La méthode repose sur une séparation claire. La composante neuronale apprend à classer et générer des continuations probables. La composante symbolique vérifie et impose la validité des sorties au regard de l’ontologie comportementale [1].

Le HPD est relativement petit au regard des architectures actuelles. L’article le décrit comme un décodeur transformer autorégressif de 2,06 millions de paramètres entraînables, avec une dimension interne de 192, trois couches, quatre têtes d’attention et une couche feed-forward de largeur 768 [2]. Il est branché sur un encodeur neuro-symbolique graph-based gelé, qui fournit les représentations du préfixe observé [2].

Le décodeur fusionne plusieurs vues du préfixe: les états ordonnés de l’encodeur, les embeddings des labels d’actions observées et un histogramme non ordonné des actions déjà vues [2]. Ce choix reflète une tension importante. L’ordre est utile pour prédire les quelques actions suivantes, mais l’objectif global peut parfois être récupéré à partir de la composition des éléments, même lorsque l’ordre local entre éléments apparentés devient moins discriminant [2].

À l’entraînement, les auteurs ajoutent deux pertes logiques différentiables aux pertes d’anticipation. Une perte de cohérence transitionnelle encourage les étapes futures à respecter des transitions plausibles. Une perte de continuité hiérarchique pénalise l’écart entre l’objectif inféré à partir du préfixe et l’objectif anticipé par le décodeur [2]. À l’inférence, des masques de joignabilité éliminent les actions ou ensembles de sorties non valides sous l’ontologie inférée; ces masques ne modifient pas les poids du modèle, mais retirent les choix impossibles de l’espace de décodage [2].

C’est là que se situe l’apport neuro-symbolique. La logique n’est pas seulement utilisée après coup pour juger une sortie, ni seulement comme régularisation faible pendant l’entraînement. Elle oriente l’apprentissage, puis contraint strictement la génération au moment où le modèle produit sa trajectoire anticipée [2].

Un benchmark hiérarchique de 15 002 épisodes

L’évaluation repose sur un benchmark compositionnel à quatre niveaux construit à partir de caractéristiques NTU RGB+D 120, avec 15 002 épisodes multimodaux [1]. Dans la description autonome fournie par l’article, l’ontologie comprend 8 intentions de haut niveau, 35 intentions de bas niveau, 50 activités et 85 classes d’actions sources [2]. Les épisodes comptent en moyenne 6,95 actions, avec une médiane à 6 et une plage allant de 4 à 17 actions [2].

Le découpage comporte 7 062 épisodes d’entraînement, 1 519 de validation, 3 006 de test et 3 415 de test compositionnel [2]. Ce dernier sous-ensemble est particulièrement intéressant: il retire de l’entraînement une association parente pour chaque intention de bas niveau ayant plusieurs parents, de sorte que le modèle doit transférer un concept vers un contexte de haut niveau jamais vu pendant l’apprentissage [2].

Les auteurs évaluent des préfixes observés à des ratios de 0,25, 0,50 et 0,75, avec un point de fonctionnement principal à 0,50 [2]. Comme le benchmark ne fournit pas de durées par clip, les horizons sont exprimés en étapes futures plutôt qu’en secondes [2]. Ainsi, la troisième étape prédite ne correspond pas à un délai temporel fixe, mais à la troisième continuation actionnelle sous le protocole de l’étude.

Les résultats: progrès réels, limites nettes

Au point médian de l’épisode, le HPD complet avec logique et masques atteint 81,5 % de précision top-5 à l’étape 1 sur le test standard, contre 79,8 % pour la meilleure ligne de base séquentielle [2]. L’écart augmente lorsque l’horizon s’allonge: à l’étape 3, le HPD atteint 64,4 % de top-5 contre 57,1 % pour cette ligne de base, soit 7,3 points de mieux [2]. C’est l’un des résultats les plus significatifs, car les modèles séquentiels se dégradent souvent rapidement quand l’incertitude s’accumule.

L’inférence de l’objectif de haut niveau progresse également avec la quantité d’observation disponible. L’article rapporte une précision HLI top-1 de 67,2 % à un quart de l’épisode, 77,5 % à la moitié et 81,4 % aux trois quarts pour la configuration HPD complète [2]. Ces chiffres appuient l’idée que les préfixes partiels contiennent déjà des indices d’objectif exploitables, tout en montrant que le régime de faible observation reste difficile.

Les résultats de cohérence logique sont encore plus tranchés. Au niveau de l’épisode, 96,83 % des trajectoires de test produites par le système final satisfont l’ensemble de contraintes logiques rapporté, contre 88,09 % pour la meilleure ligne de base et un plancher de vérité terrain de 73,92 % sur ce split [2]. L’article explique que les masques stricts peuvent supprimer certaines violations de joignabilité, car les sorties invalides sont retirées au moment du décodage [2].

Mais l’article expose aussi clairement ses faiblesses. En généralisation compositionnelle, la précision HLI top-1 du système final chute de 77,5 % sur le test standard à 53,9 % sur le test compositionnel [2]. La prédiction séquentielle résiste beaucoup mieux: le top-5 à l’étape 1 passe seulement de 81,5 % à 81,1 %, et la marge sur la meilleure ligne de base séquentielle augmente de 1,7 à 4,9 points [2]. Autrement dit, les transitions locales se transfèrent, mais la composition des objectifs de haut niveau reste le verrou principal.

Les cibles sous forme d’ensembles restent également problématiques. L’article indique qu’une ligne de base fondée sur l’histogramme des actions observées demeure plus forte pour prédire les ensembles d’activités restantes et d’intentions de bas niveau restantes que le décodeur autorégressif appris [2]. Les auteurs citent donc plusieurs pistes: meilleure généralisation relationnelle pour les compositions HLI–LLI inédites, têtes hybrides pour les sorties en ensembles, entraînement de l’encodeur directement adapté aux préfixes, et validation sur des scénarios d’assistance naturellement enregistrés [2].

Pourquoi ce résultat mérite l’attention

L’intérêt de ce papier n’est pas d’avoir résolu la prédiction d’intention humaine. Il ne le fait pas. Son apport est de donner une forme plus structurée au problème: prédire les objectifs humains devient une tâche de raisonnement sous hiérarchie et contraintes, pas seulement une compétition de prédiction du prochain label [1].

Cette orientation est pertinente pour l’autonomie assistive. Un système proactif ne doit pas seulement deviner l’action suivante; il doit éviter de planifier une aide incohérente avec l’objectif qu’il attribue à la personne. Une prédiction statistiquement plausible mais ontologiquement impossible peut devenir problématique dans un environnement humain. Le HPD tente de conserver les avantages de l’apprentissage neuronal tout en imposant des garde-fous symboliques [2].

La leçon la plus intéressante vient peut-être de l’asymétrie des résultats. Le modèle sait souvent mieux quel type de comportement va apparaître qu’à quel emplacement exact chaque action future doit se produire [2]. C’est plausible pour les comportements humains: les sous-étapes peuvent être réordonnées tout en poursuivant le même objectif global. Un assistant autonome utile devra donc raisonner en termes d’ensembles, de hiérarchies et de contraintes, pas seulement en suites d’actions ordonnées.

À ce stade, “Neuro-Symbolic Hierarchical Intention Anticipation in Human Behavior” doit être lu comme un article méthodologique au protocole soigneusement borné [1]. Sa contribution actuelle est une architecture neuro-symbolique compacte et auditable, qui améliore l’anticipation d’actions à horizon plus long et la cohérence logique sur un benchmark compositionnel synthétique, tout en montrant clairement le prochain obstacle: généraliser les objectifs de haut niveau à des compositions jamais observées [2].

Sources des dernières 72 heures

1. [1]Neuro-Symbolic Hierarchical Intention Anticipation in Human Behavior15 sept. 2026, 12:09 UTC
2. [2]Neuro-Symbolic Hierarchical Intention Anticipation in Human Behavior15 sept. 2026, 12:09 UTC
3. [3]FLUX REPORT - The AI News Wire15 sept. 2026, 15:39 UTC
4. [4]AI.Wire — The daily record of frontier AI15 sept. 2026, 14:39 UTC

Article généré par IA à partir d’une recherche web récente, puis conservé comme instantané éditorial daté.