Constructivist cognitive architecture : a model for designing self-motivated agent capable of sense-making and knowledge construction of the environment
Auteur / Autrice : | Jianyong Xue |
Direction : | Salima Hassas, Olivier Georgeon |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 23/11/2020 |
Etablissement(s) : | Lyon |
Ecole(s) doctorale(s) : | École doctorale en Informatique et Mathématiques de Lyon (Lyon ; 2009-....) |
Partenaire(s) de recherche : | établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....) |
Laboratoire : LIRIS - Laboratoire d'Informatique en Image et Systèmes d'information (Rhône ; 2003-....) | |
Jury : | Président / Présidente : Parisa Shariat Ghodous |
Examinateurs / Examinatrices : Salima Hassas, Olivier Georgeon, Frédéric Alexandre, Pierre de Loor, Lisa Meeden, James Marshall | |
Rapporteurs / Rapporteuses : Frédéric Alexandre, Pierre de Loor |
Résumé
Les nourrissons sont excellents pour interagir avec l’environnement. Surtout dans la phase initiale du développement cognitif, ils présentent des capacités étonnantes à générer de nouveaux comportements dans des situations inconnues et à explorer activement pour apprendre le meilleur tout en manquant de récompenses extrinsèques de l’environnement. Ces capacités de création de sens et de construction de connaissances de l’environnement les distinguent même des robots autonomes les plus avancés. Pour la plupart des agents artificiels (et des robots), l’acquisition de telles capacités est écrasante. Dans la plupart des approches traditionnelles d’intelligence artificielle (IA), l’apprentissage est généralement insuffisant, avec divers biais et manque de flexibilité. Chercher des moyens d’expliquer le mécanisme d’apprentissage derrière le développement cognitif précoce des nourrissons et essayer de reproduire certaines de ces capacités que les bébés ont pour un agent autonome sont devenus un point focal des efforts récents en robotique et en recherche sur l’IA. Dans cette thèse, je propose un modèle informatique de l’architecture cognitive constructiviste (CCA) comme moyen de simuler le mécanisme d’apprentissage précoce du développement cognitif des nourrissons basé sur les théories de la cognition énactive, de la motivation intrinsèque et de l’épistémologie constructiviste. Pendant ce temps, le CCA permet à un agent motivé de construire de manière autonome la perception de l’environnement et d’acquérir des capacités d’auto-adaptation et de flexibilité pour générer des comportements appropriés pour faire face à diverses situations en interagissant avec l’environnement. De plus, je propose un modèle d’apprentissage séquentiel ascendant hiErarchique basé sur le CCA, également appelé BEL-CA, comme solution pour un agent autonome apprenant des séquences hiérarchiques de comportements et acquérant des capacités d’auto-adaptation et de flexibilité. L’agent représente sa situation actuelle en termes d’affordances perçues qui se développent à travers l’expérience de l’agent. Cette représentation situationnelle fonctionne comme une prise de conscience de situation émergente qui est ancrée dans l’interaction de l’agent avec son environnement et qui à son tour génère des attentes et active des comportements adaptés. Par son activité et ces aspects du comportement (propension comportementale, conscience de situation et apprentissage séquentiel hiérarchique), l’agent commence à faire preuve d’une sensibilité émergente, d’une motivation intrinsèque et d’un apprentissage autonome. De plus, j’introduis une implémentation d’une boîte à outils pour analyser le processus d’apprentissage au moment de l’exécution, qui s’appelle GAIT (Generating and Analyzing Interaction Traces Toolkit). J’utilise GAIT pour rendre compte et expliquer le processus d’apprentissage détaillé et les comportements structurés que l’agent a appris à chaque étape de prise de décision. Je rapporte une expérience dans laquelle l’agent a appris à interagir avec succès avec son environnement et à éviter les interactions défavorables en utilisant des régularités découvertes par interaction