Chapitre 3 : Robotique développementale
L'étude des mécanismes, des architectures et des contraintes qui permettent aux machines incarnées d'acquérir de nouvelles compétences et connaissances tout au long de leur vie est l'objectif de la robotique développementale (DevRob), également connue sous le nom de robotique épigénétique. On suppose que l'auto-exploration du monde et l'interaction sociale produisent un apprentissage cumulatif et de plus en plus complexe, tout comme c'est le cas chez les enfants humains. En commençant par les théories du développement humain et animal élaborées dans des domaines tels que la psychologie du développement, les neurosciences, la biologie du développement et de l'évolution et la linguistique, les chercheurs formalisent et mettent généralement en ouvre ces théories chez les robots, explorant parfois des extensions ou des variantes de ces théories. La robotique développementale fournit non seulement des commentaires et de nouvelles hypothèses sur les théories du développement humain et animal, mais permet également aux chercheurs de confronter ces modèles dans un cadre réaliste grâce à l'expérimentation de robots.
Bien que similaire, la robotique développementale se distingue de son homologue évolutionnaire (RE). Alors que l'ER utilise des populations de robots qui évoluent au fil du temps, DevRob s'intéresse davantage à la façon dont la structure du système de contrôle d'un seul robot change à la suite de l'expérience.
Les domaines de la robotique et de la vie artificielle sont également connectés au cadre DevRob.
Est-il possible pour un robot d'acquérir de nouvelles compétences aussi facilement qu'un enfant ? Peut-il acquérir de nouvelles capacités et connaissances dans un cadre dynamique qui n'a pas été entièrement spécifié lors du développement ? Comment peut-il apprendre sur lui-même et comment il s'intègre dans son environnement naturel et social ? Une fois qu'il est « sorti de l'usine », comment ses capacités cognitives peuvent-elles se développer sans l'aide d'un ingénieur ? Que peut-il apprendre en observant les gens dans leur environnement social naturel ? La robotique développementale cherche à répondre à ces questions fondamentales. Bien qu'Alan Turing et d'autres pionniers de la cybernétique aient posé ces questions et esquissé une approche générale dès 1950, ce n'est qu'à la fin du XXe siècle qu'elles ont été étudiées de manière systématique.
La robotique développementale est liée à des domaines tels que l'IA et l'apprentissage automatique, ainsi qu'à la robotique cognitive et aux neurosciences computationnelles, en raison de l'accent mis sur les machines intelligentes adaptatives. Bien qu'il puisse utiliser certaines des méthodes mises au point dans ces domaines, il s'en distingue de plusieurs façons importantes. Les compétences sensorimotrices et sociales incarnées et situées sont prioritaires sur les problèmes symboliques abstraits, ce qui la distingue de l'IA classique en ce qu'elle n'assume pas la capacité d'un raisonnement symbolique avancé. Contrairement à la robotique cognitive, elle s'intéresse aux processus plutôt qu'aux produits finaux du développement cognitif. La modélisation fonctionnelle des architectures intégrées de développement et d'apprentissage est son objectif principal, ce qui la distingue des neurosciences computationnelles. Dans un sens plus large, les trois caractéristiques suivantes distinguent la robotique développementale des autres domaines connexes :
Il vise des architectures et des mécanismes d'apprentissage qui sont agnostiques en termes de tâches ; c'est-à-dire que la machine ou le robot doit être capable de prendre en charge des tâches pour lesquelles l'ingénieur n'a pas de plans ; L'accent est mis sur la croissance illimitée et la formation continue, c'est-à-dire
la capacité d'un organisme vivant à apprendre continuellement de nouvelles choses.
Cela ne doit pas être compris comme une capacité à apprendre « n'importe quoi » ou même « tout », c'est juste qu'il y a une infinité de façons de construire sur la base des compétences que l'on acquiert ; L'expertise acquise devrait progressivement gagner en complexité (tout en restant gérable).
L'IA incarnée, les systèmes énactifs et dynamiques, les sciences cognitives et le connexionnisme ont tous joué un rôle dans l'émergence de la robotique développementale. Le domaine de la robotique développementale interagit fortement avec d'autres, y compris la psychologie du développement, les neurosciences développementales et cognitives, la robotique et d'autres, car il est basé sur l'idée fondamentale que l'apprentissage et le développement se produisent comme le résultat auto-organisé des interactions dynamiques entre les cerveaux, les corps et leur environnement physique et social. Parce que de nombreuses théories dans ces domaines sont verbales et/ou descriptives, la robotique développementale nécessite un travail important de formalisation et de modélisation informatique. Ces modèles informatiques sont ensuite utilisés pour faire un certain nombre de choses, y compris évaluer leur cohérence et éventuellement explorer d'autres explications pour comprendre le développement biologique, le tout dans le but de créer des machines plus polyvalentes et adaptatives.
En utilisant la même approche générale et la même méthodologie que les nourrissons humains, les projets de robotique développementale visent à ce que les robots acquièrent les mêmes compétences. Le développement des capacités sensorimotrices est l'un des premiers domaines d'étude. Apprendre à utiliser un outil nécessite une compréhension de ses possibilités ainsi qu'une compréhension de la structure et de la dynamique de son propre corps, telles que la coordination oil-main, la locomotion et l'interaction avec les objets. Le deuxième ensemble de capacités que les robots de développement visent à inculquer sont sociales et linguistiques, telles que la prise de parole, l'interaction coordonnée, les lexiques, la syntaxe et la grammaire, et leur fondement dans les capacités sensorimotrices (parfois appelé ancrage des symboles). Parallèlement, le développement de la conscience de soi et de l'autre, la maturation des capacités attentionnelles, la maturation des systèmes de catégorisation et des représentations de haut niveau des affordances ou des constructions sociales, ainsi que la maturation des valeurs, de l'empathie et des théories de l'esprit sont tous étudiés.
En raison de l'immensité et de la complexité des espaces sensorimoteurs et sociaux dans lesquels les humains et les robots opèrent, seule une fraction des compétences possibles peut être explorée et apprise en une seule vie. Par conséquent, les organismes en développement ont besoin de mécanismes et de contraintes pour diriger leur croissance dans la complexité. La robotique développementale étudie plusieurs grandes familles de mécanismes et de contraintes qui sont calqués sur le développement humain :
Il existe deux principaux types de systèmes de motivation, chacun générant des signaux de récompense internes qui stimulent l'exploration et l'apprentissage :
Les robots et les organismes vivants sont poussés par des motivations extrinsèques à maintenir stables certaines propriétés internes essentielles, telles que leur approvisionnement en nourriture et en eau, leur santé et leur exposition à la lumière (par exemple dans les systèmes phototropes) ; L'apprentissage et l'exploration motivés par la curiosité, également connus sous le nom d'apprentissage et d'exploration actifs, sont le résultat des motivations intrinsèques d'un robot à rechercher la nouveauté, le défi, la compression ou la progression de l'apprentissage en soi ; La robotique développementale explore les mécanismes qui peuvent permettre aux robots de participer à l'interaction sociale d'une manière analogue à celles par lesquelles les humains apprennent beaucoup. Cela pourrait permettre aux robots d'apprendre des humains (via des méthodes aussi variées que l'imitation, l'émulation, l'amélioration des stimuli, la démonstration, etc.) et aux robots de déclencher une pédagogie humaine naturelle grâce à leur compréhension des signaux sociaux. Par conséquent, le sujet de l'opinion des gens sur les robots de développement est également étudié ; L'efficacité de l'apprentissage peut souvent être grandement améliorée en étudiant et en supprimant les biais qui caractérisent les représentations/encodages et les mécanismes d'inférence. Un autre domaine d'étude crucial est celui des mécanismes neuronaux sous-jacents à l'inférence et à l'acquisition de nouvelles connaissances et compétences par la réutilisation de structures précédemment apprises ; L'apprentissage de nouvelles compétences sensorimotrices ou sociales peut être grandement facilité par les propriétés de l'incarnation, telles que la géométrie, les matériaux ou les primitives/synergies motrices innées souvent codées sous forme de systèmes dynamiques. Une direction importante de l'enquête concerne la façon dont ces contraintes interagissent les unes avec les autres ; Les nourrissons ont des limitations de développement parce que leur corps et leur système nerveux doivent mûrir séparément plutôt que de se réunir à la naissance. Cela suggère, par exemple, qu'à mesure que l'apprentissage et le développement progressent, de nouveaux degrés de liberté peuvent apparaître, ainsi qu'une augmentation du volume et de la résolution des signaux sensorimoteurs disponibles. L'un des problèmes les plus pressants de la robotique développementale est de savoir...
