InfoS9AF - Computational Neurosciences and Robotics

Computational Neurosciences and Robotics

Responsables : Patrick HENAFF, Professeur, patrick.henaff@univ-lorraine.fr

Durée du module : 21 heures

Crédits ECTS : 2

Mots clés : robotique, interaction homme/robot, intelligence artificielle, réseaux de neurones, commande bio-inspirée, algorithmes génétiques

Objectif général :

  • comprendre les enjeux de la robotique interactive et des systèmes cyber-physiques interactifs
  • comprendre comment s'inspirer de la biologie pour concevoir des algorithmes de contrôle des robots qui les rendent plus autonomes, plus interactifs, plus robustes.

Programme et contenus :

  • système nerveux moteur chez l'animal et l'homme : boucle sensori-motrice
  • contrôle neuronal en robotique : modèles de neurones (statique, dynamiques) et modèles d'architectures
  • Notion de plasticité :
    • plasticité synaptique et neuronale
    • liens entre mécanismes d'apprentissage local et émergence de comportement global adaptatif
  • algorithmes génétiques:
    • synthèse évolutionniste en robotique
    • coévolution morphologie/contrôleurs
  • genèse de mouvements rythmiques:
    • principe de synchronisation des systèmes dynamiques
    • central pattern generators (CPG) neuronaux, à base d'oscillateurs linéaires ou non linéaires.
    • application à la marche des robots myriapodes ou humanoïdes
    • application à l'interaction homme/robot (gestes ou co-manipulation)
  • nouveaux concepts en intelligence artificielle:
      • l'intelligence du corps, concept d'immanence
      • principe d’émergence
      • communication multimodale
      • robotique développementale

Evaluation : mini projet

Notes de cours :

Il vous sera demandé de prendre des notes sur un outil de prise de notes collaboratif (ou pad).

Liens vers d'autres cours:

  • Deep Learning, by Yann Le Cun (8 leçons du collège de France) :
    • Yann le Cun, Professeur à l'Université de New York est aussi Directeur de Facebook AI Research (FAIR). Il est le spécialiste mondial du Deep Learning. Il est l'inventeur (simultanément avec les américains Rumelhart, Hinton et Williams, doi:10.1038/323533a0 ) de l'algorithme de Retroprogation du Gradient qui a révolutionné les techniques d'apprentissage en les associant aux modèles connexionnistes de l'époque. La rétropropagation du gradient est un principe d'apprentissage à la base du deep learning.
26pattes.avi
walk forward 1sept 2011.wmv
Pepper_coucou.mp4