Les contrôles myoélectriques pour les prothèses transhumérales entraînent souvent un taux élevé d’abandon en raison de leurs performances insatisfaisantes. Inspirés des progrès réalisés dans les contrôles exploitant les mouvements résiduels, nous avons affiné une approche alternative utilisant un réseau de neurones artificiels entrainé sur les mouvements naturels de bras pour prédire la configuration des articulations distales en fonction du mouvement des articulations proximales et d’information sur l’objet à saisir. Des études antérieures ont montré que cette stratégie permet aux amputés de contrôler un avatar de prothèse dans un environnement de réalité virtuelle aussi bien qu’avec leur bras valide. Cependant, le déploiement de ce contrôle dans des scénarios réels requiert des développements supplémentaires. Il est nécessaire d’intégrer une caméra montée sur la tête et des algorithmes de vision par ordinateur pour estimer en temps réel la position et l’orientation de l’objet. Dans ce contexte, les informations sur l’objet ne seraient disponibles que dans un référentiel centré sur la tête de l’utilisateur, alors que notre contrôle repose sur l’objet exprimé dans un référentiel centré sur l’épaule. Inspirés de la façon dont le cerveau exécute des transformations de coordonnées, nous avons développé et testé des solutions pour effectuer la transformation tête-épaule à partir des seules données d’orientation, disponibles en situation réelle. Pour développer ces algorithmes, nous avons constitué une base de données incluant la relation entre ces référentiels en demandant à vingt participants valides de saisir des objets dans diverses positions et orientations dans un environnement virtuel. Cette base de données comprenait les mouvements de la tête et du regard, ainsi que ceux du tronc, des épaules et des bras, capturant l’ensemble de la chaîne cinématique entre le but du mouvement et la main déplacée pour l’atteindre. Ensuite, nous avons mis en œuvre deux méthodes pour obtenir la position de la tête dans le référentiel de l’épaule. La première consiste en un réseau de neurones artificiels entraîné hors ligne sur la base de données pour prédire cette position en fonction de la taille du participant et de l’orientation de sa tête et de son épaule. La seconde méthode s’inspire des processus d’intégration multisensorielle du cerveau et déduit la position de la tête dans le référentiel de l’épaule en comparant les données relatives à la main prothétique obtenues dans le référentiel de l’épaule par cinématique directe et simultanément dans le référentiel de la tête par la vision par ordinateur. Inspirés par les mécanismes neuronaux du codage de l’espace péripersonnel, nous avons adapté en ligne les poids d’un réseau de neurones pour coder cette différence dans une carte spatiale. Les résultats expérimentaux sur douze participants valides en réalité virtuelle ont démontré des erreurs persistantes avec la première méthode, qui n’a pas réussi à prendre en compte avec suffisamment de précision la spécificité de la morphologie de l’utilisateur, entraînant ainsi un contrôle inefficace de la prothèse. En revanche, la seconde méthode a réussi à coder efficacement la transition de la tête à l’épaule associée à différentes cibles dans l’espace. L’efficacité de la seconde méthode a également été testée sur six amputés en réalité virtuelle, et une preuve de concept a été réalisée pour évaluer sa faisabilité en conditions réelles. Cette démonstration a été réalisée en contrôlant la plateforme robotique REACHY 2 en vision égocentrée, avec des marqueurs ArUco et un algorithme de vision artificielle pour détecter les objets à saisir et la main robotique. Les résultats suggèrent que, malgré les difficultés rencontrées dans la détection des objets, notre carte spatiale fonctionne efficacement dans des scénarios réels. Cette méthode pourrait également gérer des scénarios complexes, impliquant des déplacements de caméra ou des environnements perturbés.