Perception corporelle et action par inférence active pour les robots humanoïdes

Fournir aux agents artificiels les mêmes modèles computationnels que les systèmes biologiques est une méthode pour comprendre comment des comportements intelligents peuvent émerger. Nous présentons un modèle d'inférence active de perception corporelle et d'action qui fonctionne pour la première fois dans un robot humanoïde. Le modèle repose sur le principe de l'énergie libre proposé pour le cerveau, où l'objectif de la perception et de l'action est de minimiser l'erreur de prédiction par descente de gradient sur la borne d'énergie libre variationnelle. L'état corporel (variable latente) est inféré en minimisant la différence entre les valeurs des capteurs observées (visuelles et proprioceptives) et les valeurs prédites. Simultanément, l'action effectue un échantillonnage des données sensorielles pour mieux correspondre à la prédiction faite par le modèle interne. Nous avons formalisé et mis en œuvre l'algorithme sur le robot iCub et testé dans des espaces visuels 2D et 3D pour une adaptation en ligne aux changements visuels, au bruit sensoriel et aux écarts entre le modèle et le robot réel. Nous avons également comparé notre approche avec la cinématique inverse classique dans une tâche d'atteinte, analysant l'adéquation d'une telle approche inspirée des neurosciences pour l'interaction dans le monde réel. L'algorithme a donné au robot une perception corporelle adaptative et une atteinte du haut du corps avec suivi d'objet par la tête (semblable à celle d'un jeune enfant), et a pu incorporer des caractéristiques visuelles en ligne (de manière en boucle fermée) sans augmenter la complexité computationnelle. De plus, notre modèle a prédit des actions involontaires en présence de conflits senso-moteurs, montrant la voie pour une preuve potentielle de l'inférence active chez les humains.