Institut des Systèmes Intelligents
et de Robotique

Partenariats

Sorbonne Universite

CNRS

INSERM

Tremplin CARNOT Interfaces

Labex SMART

Rechercher

Cours Robotique Cogmaster

khamassi Mehdi
Titre : Chargé de Recherche
Adresse : 4 place Jussieu, CC 173, 75252 Paris cedex 05
Téléphone : +33 (0) 1 44 27 28 85
Email : khamassi(at)isir.upmc.fr
Equipe : AMAC (AMAC)

 

Modélisation Robotique en Sciences Cognitives (CA10)

CogMaster, ENS-EHESS-Paris5, Paris (2018-2019)

Coordinateurs du cours : Mehdi Khamassi et Benoît Girard

Crédits : 6 ECTS - Langue d’enseignement : Français - Volume horaire : 39h de cours (13 x 3h) + 12h de TP (4 x 3h) + 3h d'évaluation finale

2e semestre (5 mars – 11 juin 2019) - Créneau hebdomadaire : Mardi 13h30 – 16h30

Lieu pour les cours : 45 rue des Saintes-Pères, salle R209 si ouverte (2ème étage) sinon salle de Broglie D (1er étage) ;

Lieu pour les TPs : 45 rue des Saintes-Pères, salle Durkheim (escalier de gauche en entrant, la salle est à côté de l'entrée de l'amphi Binet).

 

Descriptif du cours : L’objectif du cours est d’introduire l’approche robotique des Sciences Cognitives. Comprendre cette approche dans une perspective historique sur son évolution récente par rapport à l’Intelligence Artificielle classique qui se focalisait sur la cognition désincarnée, sur le raisonnement de haut niveau, abstrait et virtuel, mais qui a échoué à intégrer différentes capacités cognitives dans un même agent. Comprendre la dimension incarnée de la robotique (le corps participant à la résolution d’une tâche donnée, et la cognition étant vue comme imbriquée dans des boucles sensori-motrices), sa dimension incrémentale et développementale (l’architecture du contrôleur accumulant progressivement des couches de complexité croissante, comme a pu le faire l’évolution naturelle, et les motivations intrinsèques de l’agent le poussant à acquérir de l’information et des compétences motrices et cognitives de difficulté croissante), sa dimension intégrative de multiples fonctions cognitives (perception, décision, action, contrôle moteur, exploration/curiosité, apprentissage, interaction sociale). Le cours donnera une introduction aux différents méthodes, algorithmes et outils utilisés dans ce champ de la robotique, en insistant sur le lien avec les méthodes de modélisation du cerveau et du comportement humain : apprentissage machine, méthodes de catégorisation des données sensori-motrices, réseaux de neurones, algorithmes de cartographie de type SLAM, méthodes bayésiennes, commande optimale, exploration, motivation. Le cours mettra en avant les interactions récentes de la robotique avec d’autres disciplines lui ayant permis de faire des progrès récents et une fertilisation croisée sur les architectures cognitives (psychologie), le contrôle moteur et la sélection de l’action (neurosciences), la navigation et l’apprentissage (informatique), l’imitation et l’interaction sociale (psychologie développementale). En particulier, le cours insistera sur les développements récents en robotique cognitive reposant sur une interaction de plus en plus forte avec les neurosciences computationnelles, ceci permettant à la fois d’enrichir les capacités cognitives des robots en s’inspirant de modèles du cerveau et d’utiliser le robot comme une plateforme de test en condition réelle de modèles computationnels auparavant validés dans des simulations simplifiées. Un des points importants du cours consistera à illustrer comment la modélisation robotique en Sciences Cognitives peut apporter des connaissances complémentaires par rapport à la simulation de modèles. La dernière impliquant le plus souvent une simulation parfaite et simplifiée du monde, l’expérimentation robotique oblige à faire des hypothèses sur l’interaction entre processus cognitifs. Elle permet également d’extraire et d’analyser de nouvelles propriétés des dynamiques sensori-motrices pouvant contribuer à étendre les modèles simulés existants et à faire de nouvelles prédictions expérimentales liées aux activités cérébrales sous-jacentes chez l’humain.

Prérequis : Le cours nécessite quelques connaissances mathématiques sur les probabilités, le calcul différentiel (fonctions, dérivées, intégrales, notion d’équations aux dérivées partielles), des éléments d’algèbre linéaire (vecteurs, matrices), et des connaissances de base en informatique/programmation pour les ateliers de mise en pratique et le projet (incluant le plus souvent une simulation robotique d’un modèle computationnel).

Les étudiants sont fortement encouragés à suivre ce cours parallèlement à C06 « Introduction aux neurosciences computationnelles » et CA6(b) « Introduction à l’apprentissage machine appliqué aux neurosciences et à la cognition ». Il est également recommandé mais pas obligatoire d’avoir suivi au 1er semestre le cours CA6(a) « Cours avancé en neuroscience théorique ».

Validation : Synthèse d’article (avec réplication des simulations du modèle computationnel proposé dans l'article) présentée à l’oral (voir liste d'articles proposés en bas de page) + notes de TPs. Les TPs seront pour certains en matlab, pour les autres en python. Cliquer ici pour télécharger un document pdf donnant la correspondance entre commandes python/matlab. Cliquer ici pour télécharger une présentation en pdf donnant un guide/tutoriel python numerical computing pour les utilisateurs matlab.

 

Contenu du cours : 13 séances de 3h (Intervenants entre parenthèses) + 4 séances de 3h de TP + 1 séance de 3h (présentation des étudiants)
05/03/2019 Introduction du cours : vers un modèle robotique des architectures cognitives (Mehdi Khamassi / Raja Chatila) pdf1
12/03/2019 Perception active (Bruno Gas) pdf1
19/03/2019 Apprentissage par renforcement (RL) et Deep RL (Olivier Sigaud) pdf1 pdf3
T.B.D. Séance de mise en pratique TD/TP sur l'apprentissage par renforcement (Alexandre Coninx
26/03/2019 Apprentissage par renforcement avec et sans replay pour les neurosciences et la robotique (Mehdi Khamassi) pdf2
T.B.D. Séance de mise en pratique TD/TP sur la régression pour la robotique (Nicolas Perrin
02/04/2019 Deep learning (Charles Ollion, HEURITECH)
09/04/2019 Apprentissage du langage (Peter Dominey)
16/04/2019 Curiosité / Robotique développementale (Pierre-Yves Oudeyerpdf1 pdf2 video1 video2
23/04/2019 Cognition spatiale (Angelo Arleo) pdf1
30/04/2019 Coordination de stratégies de navigation (Benoît Girard) pdf1
T.B.D. Séance de mise en pratique TD/TP sur la navigation multi-stratégies (Alexandre Coninx)
14/05/2019 Approches Bayésiennes (Pierre Bessièrepdf1 dropbox
21/05/2019 Signal social / Imitation / Perception et émotion pour l’interaction (Mohamed Chetouani / Philippe Gaussierpdf1
28/05/2019 Contrôle moteur (Emmanuel Guigonpdf1
04/06/2019 Robotique collective et évolutionniste (Nicolas Bredèche / Stéphane Doncieuxpdf1 pdf2
T.B.D. Séance de mise en pratique TD/TP sur la reconnaissance d'émotions (Mohamed Chetouani)
11/06/2019 Evaluation (présentation orale des synthèses d’articles) (Pierre Bessière + Benoît Girard + Mehdi Khamassi + Olivier Sigaud + T.B.D.)

 

La liste d'articles suivants n'est pas encore définitive ! Elle sera bientôt mise à jour et proposée pour la synthèse (évaluation finale) :

L'exercice consiste à faire une synthèse d’article avec réplication des simulations du modèle/algorithme proposé dans l'article. Le premier objectif est de voir si les résultats sont réplicables. Le deuxième est de comprendre plus en profondeur le modèle/algorithme en le prenant en main et en le simulant. Le troisième objectif est d'apporter un regard critique sur les limites de ce modèle/algorithme (soit en proposant une amélioration du modèle, soit en proposant une analyse fondée sur des simulations supplémentaires du même modèle [par exemple sur d'autres données ou dans un autre scénario], soit une critique du modèle lui-même ou de la méthode de l'article, soit une discussion au regard des autres modèles/algorithmes de l'état de l'art).

Pour certains articles, le code source n'est pas fourni. Dans ce cas il faut réimplémenter le modèle/algo dans le langage de votre choix et avec le simulateur de votre choix. L'objectif est de reproduire au moins quelques courbes de résultats de l'article. Si jamais vous n'y arrivez pas, vous pouvez contacter les auteurs pour leur demander des précisions sur l'implémentation, sur les paramètres, ou contacter les responsables de l'U.E. pour leur faire part des difficultés et trouver une solution ensemble pour les surmonter.

Pour d'autres articles, le code source est fourni. Dans ce cas, il faut non seulement reproduire quelques courbes de résultats mais aussi faire des simulations supplémentaires pour aller plus loin que l'analyse et l'interprétation proposée(s) par l'article.

Voici la liste d'articles proposés :

T.B.D.