>>

Equipe neurocybernétique

Responsable : Professeur Philippe Gaussier

Notre but est de modéliser les mécanismes neuronaux et les structures cérébrales importants du développement infantile pour faire des robots autonomes qui puissent percevoir le monde extérieur, apprendre par eux-mêmes et interagir avec lui.

La sensorimotricité de notre corps structure la façon dont on perçoit le monde.

La perception que l'on a de l'environnement dépend énormément de la façon dont on bouge et de la façon où se trouvent nos récepteurs sensoriels. Pour les robots, c'est la même chose. La géométrie du robot (sa morphologie), la composition de ses matériaux (sa visco-élasticité) la disposition de ses capteurs et de ses moteurs structurent les informations qui lui arrivent. On appelle cela la coordination sensorimotrice ou la boucle perception-action.

L'auto-organisation des structures cérébrales émergent du développement et de l'apprentissage.

Comme pour un enfant, un robot peut apprendre ce couplage sensorimoteur, à contrôler les actions de son propre corps et à se représenter l'espace extérieur activement à travers ses senseurs, en faisant comme pour un nourrisson un babillage qui va structurer son système de représentations internes (sa mémoire) et son contrôleur sensorimoteur : bref, son cerveau.

Master recherche

L'équipe est aussi associée au Master de recherche "intelligence artificielle et robotique" de l'université de Cergy-Pontoise.

Vue d'ensemble des recherches de l'équipe

Quelques faits marquants

Modélisation intégrée de la boucle cortex-préfrontal, hippocampe, ganglions de la base

Meilleure spécification du rôle des sous structures de l'hippocampe (pour tenir compte des grids cells, cellules de lieux, cellules de transitions de lieux, connexions aux PFC et ganglions de la base pour l'association des transitions à une valeur).

Test sur robot dans des tâches de navigation et d'apprentissage de geste.

Modélisation des mécanismes émotionnels

Modélisation des mécanismes émotionnels comme propriété émergente d'un système de méta-contrôle et d'un système de communication.

Modélisation des mécanismes d’apprentissage

Modélisation des mécanismes d’apprentissage impliqués dans les boucles sensori-motrices lors de mouvements rythmiques.

  • Aspects rythmique : oscillateurs (CPG), architecture (primitives de mouvements dynamiques) ;
  • Aspect apprentissage : mécanismes d’apprentissage, liens  spinaux/corticaux, synergie compliance  Articulaire/dynamique neuronale ;
  • Aspects interaction : compliance articulaire, impact de la synchronisation bas niveau sur les interactions sociales (synchronisation des gestes, sélection d'un partenaire, controle de l'attention...), rôle de l’état émotionnel.

Modèle intégré du contrôle moteur d'un bras

Modèle intégré du contrôle moteur d'un bras (boucle cortex associatif, frontal, striatum, cortex moteur, cervelet).

Prise en compte de la dynamique à bas niveau (contrôle des actions musculaire permettant un contrôle en force du bras et non plus en position) : capacité à créer des attracteurs dynamiques beaucoup plus riches, capacité à créer et réaliser des intégrations d'informations multimodales à partir de ''gating'' neurons.

Modélisation du développement de capacité de référentiation sociale

  • Apprendre à reconnaitre des expressions faciales,
  • apprendre à associer une valeur à un objet en fonction de l'expression faciale du partenaire humain pour saisir ou éviter un objet.