The integration of intention recognition systems in industrial collaborative robotics is crucial for improving safety and efficiency in modern manufacturing environments. This review paper looks at frameworks that enable collaborative robots to understand human intentions. This ability is essential for providing effective robotic assistance and promoting seamless human–robot collaboration, particularly in enhancing safety, improving operational efficiency, and enabling natural interactions. The paper discusses learning techniques such as rule-based, probabilistic, machine learning, and deep learning models. These technologies empower robots with human-like adaptability and decision-making skills. It also explores cues for intention recognition, categorising them into physical, physiological, and contextual cues. It highlights how implementing these various sensory inputs sharpen the interpretation of human intentions. Additionally, the discussion assesses the limitations of current research, including the need for usability, robustness, industrial readiness, real-time processing, and generalisability across various industrial applications. This evaluation identifies future research gaps that could improve the effectiveness of these systems in industrial settings. This work contributes to the ongoing conversation about the future of collaborative robotics, laying the foundation for advancements that can bridge the gap between human and robotic interactions. The key findings point out the significance of predictive understanding in promoting safer and more efficient human–robot interactions in industrial environments and provide recommendations for its use.

Dans cette thèse, nous abordons la navigation autonome d'un robot mobile en milieu domiciliaire congestionné. Cette problématique relève du domaine de la navigation parmi les obstacles amovibles. Nous proposons une architecture robotique permettant la navigation parmi des obstacles fixes, amovibles et interactifs. L'objectif du robot est de rejoindre une position, tout en évitant les obstacles fixes, déplacer les obstacles amovibles s'ils gênent le passage ou bien demander à des obstacles interactifs (humain, robots, etc.) de céder le passage.Dans notre première contribution, nous proposons une architecture robotique hiérarchique baptisée VICA (VIcarious Cognitive Architecture), dont le niveau décisionnel est couplé à une architecture cognitive. Nous nous sommes inspiré des travaux sur la simplixité de Alain Berthoz qui décrivent comment le vivant prépare l'action et anticipe les réactions. L'architecture robotique se compose d'un planificateur global permettant la navigation dans un environnement inconnu et d'un planificateur local dédié à la gestion des obstacles.La seconde met en œuvre un planificateur global dont le but est de rapprocher autant que possible le robot de son objectif, en utilisant l’algorithme H* que nous avons développé.La troisième propose un planificateur local pour la gestion des obstacles. La solution proposée consiste à utiliser la simulation multi-agents dans le but d'anticiper le comportement des obstacles.L'implémentation de cette solution est réalisée dans l'architecture VICA développée sous ROS (Robot Operating System). En parallèle, nous avons développé un robot expérimental pour valider nos résultats.