Rapport d'activité - Institut des Systèmes Intelligents et de Robotique

Équipe AMAC
Architectures et Modèles pour l’Adaptation et la Cognition
12.1 Présentation générale de l’équipe
12.1.1 Domaine de recherche
L’équipe AMAC (Architectures et Modèles pour
l’Adaptation et la Cognition) s’intéresse à l’élaboration
de modèles des fonctions perceptives, cognitives
et motrices ainsi qu’à la synthèse d’architectures
de contrôle pour les robots dans une
perspective intégrative. Elle est multidisciplinaire,
entre neurosciences computationnelles et robotique/informatique
et a deux objectifs. Le premier
est de comprendre le vivant au travers d’une démarche
de modélisation mathématique et informatique
des fonctions cognitives et motrices. Le second
est de synthétiser des architectures de contrôle robotiques
pour doter les robots de capacités cognitives
et motrices intégrant la décision et l’apprentissage.
Ces objectifs sont abordés dans deux axes : un centré
sur les neurosciences computationnelles et un centré
sur les sciences de l’ingénieur.
L’axe neurosciences computationnelles s’intéresse
aux apprentissages basés sur la récompense au travers
de la modélisation de l’action de la dopamine,
ainsi qu’aux boucles dédiées à la sélection, notamment
les ganglions de la base, et à leurs interactions.
La mémoire de travail est également étudiée sous
l’angle d’une modélisation de sa structuration temporelle
basée sur les propriétés intrinsèques neuronales.
Des modèles du contrôle de la posture et du
mouvement sont développés, notamment pour étudier
l’intégration des efforts et des récompenses.
L’axe sciences de l’ingénieur s’intéresse à l’apprentissage
de séquences motrices pour la réalisation
d’une tâche dans un cadre mêlant commande
optimale adaptative et apprentissage par renforcement
hiérarchique et factorisé. L’équipe étudie également
l’utilisation de méthodes d’optimisation stochastiques
pour la synthèse de comportements dans
le continu et, en se basant sur une approche multiobjectif,
elle a proposé des algorithmes pour aborder
les problèmes de la généralisation, du transfert entre
simulation et réalité ou encore de la convergence prématurée
de l’apprentissage.
Les interactions entre les deux axes sont multiples.
Les modèles de neurosciences computationnelles intègrent
ainsi des théories issues des sciences de
l’ingénieur (contraction, approche bayésienne, commande
optimale, apprentissage par renforcement,
optimisation multi-objectif). Les travaux en sciences
de l’ingénieur s’inspirent des modèles issus des neurosciences,
notamment pour le contrôle moteur,
mais aussi des protocoles utilisés dans ce cadre pour
tester différentes capacités cognitives.
Ce positionnement s’appuie sur quatre groupes,
chacun étant ancré principalement dans un domaine
particulier et présent majoritairement dans la communauté
associée. Deux sont ancrés dans les neurosciences
computationnelles et deux dans la robotique.
Au-delà de sa propre expertise, chaque groupe peut
donc s’appuyer sur la complémentarité des compétences
des autres groupes pour apporter à sa communauté
des contributions originales.
Mots-clés :
• neurosciences computationnelles
• ganglions de la base / cortex préfrontal
• modèles biophysiques
• excitabilité et plasticité neuronale
• sélection de l’action
• mémoire de travail
• contrôle moteur
• apprentissage en robotique
• apprentissage par renforcement
• robotique évolutionniste
• optimisation stochastique multi-objectif
• multi-objectivisation
46/ 193
Rapport d’activité ISIR