Tremplin Carnot Interfaces | Les modèles computationnels du système nerveux pour l'apprentissage des robots
1321
post-template-default,single,single-post,postid-1321,single-format-standard,qode-quick-links-1.0,ajax_fade,page_not_loaded,,qode_grid_1300,footer_responsive_adv,qode-content-sidebar-responsive,qode-child-theme-ver-1.0.0,qode-theme-ver-11.2,qode-theme-bridge,wpb-js-composer js-comp-ver-5.2.1,vc_responsive
 

Les modèles computationnels du système nerveux pour l’apprentissage des robots

Les modèles computationnels du système nerveux pour l’apprentissage des robots

Benoît Girard est chercheur en intelligence artificielle pour la robotique et directeur de recherche au CNRS au sein de l’ISIR (Sorbonne Université). Il travaille notamment sur la question des modèles computationnels du système nerveux central dans ses fonctions de sélection de l’action, de navigation et d’exécution motrice. Il nous explique en quoi cela consiste.

Pouvez-vous nous parler de votre parcours avant d’arriver à l’ISIR ?

Après une école d’ingénieur avec une spécialité informatique, je suis venu faire mon DEA à Paris. J’ai alors fait mon stage puis ma thèse au LIP6 auprès d’Agnès Guillot (spécialiste de la psychophysiologie). J’ai commencé un travail sur la sélection de l’action pour les robots. Le hasard a voulu que je tombe sur le travail de collègues de l’Université de Sheffield utilisant un modèle neuro-mimétique pour résoudre ce problème. Cela m’a amené à m’intéresser aux ganglions de la base  et à travailler à créer des ponts entre neurosciences et robotique. La neuroscience computationnelle permet de simuler les fonctions du cerveau et ces travaux contribuent au domaine des neurosciences.

Comment avez-vous élaboré votre démarche de recherche dans ce domaine si nouveau ?

Le secteur de la robotique neuro-inspirée pose la question de savoir si on peut appliquer la biologie à un robot pour qu’il soit plus adaptatif. Par exemple, chez les rats, on observe plusieurs modes de comportement impliquant les ganglions de la base :

  • Élaborer une réflexion longue permettant de dérouler un plan pour atteindre un but pour la première fois (comme sortir d’un labyrinthe inconnu)
  • Automatiser un comportement habituel (sortir d’un labyrinthe déjà connu)

Avec l’équipe, nous essayons de modéliser la manière dont fonctionnent le comportement dirigé vers un but et le comportement habituel (le modèle ne change pas). Donc nous proposons des théories expliquant comment l’on passe du premier au deuxième. Peut-être que la mesure de la stabilité de l’environnement compte dans le passage vers le comportement d’habitude ? Nous essayons de reproduire ces types de comportements avec des algorithmes.

Quels pourraient-être les applications de vos recherches ?

Elles trouvent une application dans le cadre de la navigation (déplacements).  Donc, des entreprises utilisant des robots mobiles, dans des hangars et ayant besoin qu’ils intègrent un apprentissage de navigation. Egalement concernant les structures ayant des besoins en calculs neuromorphiques, c’est-à-dire la simulation d’une activité proche de celle des neurones. La propriété du voltage du neurone peut être simulé. Nous créons des modèles conceptuels et des modèles proches du neurone mais ils sont ensuite simulés sur des calculateurs classiques, qui ne sont pas adaptés. Cela se traduit par des calculs énergivores et trop longs. Il y a un réel besoin de calculateurs neuromorphiques, mettant en œuvre des principes similaires à ceux des neurones, pour tirer pleinement partie de ces modèles.