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 des neurosciences et des sciences cognitives 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 de la neuro-robotique à la locomotion ou aux mouvements rythmiques
application de la neuro-robotique à l'interaction rythmique homme/robot
émergence de synchronisation
nouveaux concepts en intelligence artificielle:
l'intelligence du corps, concept d'immanence
principe d’émergence
communication multimodale
empathie artificielle
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.