Représentation de la tâche en contrôle moteur humain : objectifs séquentiels et horizon glissant permettent une modélisation concise de l'adaptation motrice

Task representation in human motor control : sequential goals and receding horizon allow for concise modelling of motor adaptation

• Auteur / Autrice : Etienne Moullet
• Direction : Agnès Roby-Brami, Emmanuel Guigon
• Type : Thèse de doctorat
• Discipline(s) : Automatique et robotique
• Date : Soutenance le 31/05/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Sciences mécaniques, acoustique, électronique et robotique de Paris (2000-....)
• Partenaire(s) de recherche : Laboratoire : Institut des systèmes intelligents et de robotique (Paris ; 2009-....)
• Jury : Président / Présidente : Véronique Perdereau
• Jury : Examinateurs / Examinatrices : Amandine Aftalion, Pauline Maurice
• Jury : Rapporteurs / Rapporteuses : Bastien Berret, Aymar Goullet de Rugy

Mots clés

Mots clés contrôlés

Modèles mathématiques

Activité motrice

Réseaux neuronaux (informatique)

Robotique

Mots clés libres

Contrôle moteur

Modélisation

Universel

Représentation de la tâche

Adaptation

Réseau de neurones

Motor control modelling

Task representation

Adaptation

Résumé

Le contrôle moteur humain est un processus complexe régissant une grande variété de tâches volontaires (posture, écriture...) tout en présentant des caractéristiques persistantes (structure de variabilité, segmentation du mouvement...). Plusieurs théories ont apporté une meilleure compréhension des mécanismes sous-jacents à la richesse du comportement moteur, mais n'ont pas fourni un cadre unifié pour la production du mouvement humain. Une telle théorie computationnelle générale a été formulée par E. Guigon et repose sur trois principes de modélisation : une politique de contrôle optimal universelle, un contrôle avec horizon glissant, et une représentation de la tâche par via-points, mis à jour à fréquence fixe. Dans cette thèse, nous montrons que contrairement à leur caractère apparemment contraignant, la combinaison de ces principes offre des prédictions puissantes, apportant un éclairage sur le contrôle moteur et ses bases neuronales. D’abord, à la lumière de données expérimentales, nous proposons une nouvelle vision de l'adaptation motrice aux perturbations dynamiques, la situant au niveau de la représentation de la tâche (sélection du but) plutôt que du contrôle (sélection d'action). Puis, nous montrons que le principe d'horizon glissant étend la stationnarité des solutions optimales et permet une représentation neuronale simple du contrôleur universel : un petit réseau neuronal entraîné sur des données simulées a rendu compte de propriétés de motoneurones corticaux décrites dans la littérature. De plus, nous avons exploré les différences entre contrôle en force et en position, ainsi que la co-contraction et son évolution temporelle pendant les mouvements.

Human motor control is a complex process ruling over vast variety of voluntary tasks (posture, reaching, writing…) while presenting persistent characteristics (coordination, structure of variability, movement segmentation…). Several theories brought better understanding of the mechanisms underlying the richness of motor behavior, yet failing to provide a unified framework for the production of human movement. Such a general computational theory was formulated by E. Guigon and relies on three modelling principles: a universal optimal feedback control policy, control with a receding time horizon, and task representation by a series of via-points updated at fixed frequency. In this thesis, we show that contrary to their appearing constraining nature, the combination of these principles offers powerful predictions, providing insights on the functioning of motor control and its neural bases. First, under the light of experimental data, we propose a novel view on motor adaptation to dynamic perturbations, casting it at the task representation level (goal selection) rather than at the control level (action selection). Second, we show that the receding horizon fundamental principle extends the stationary property of optimal solutions and allows for a simple neural representation of the universal controller: a small neural network (a Multi Layer Perceptron with two hidden layers) trained on simulated data accounted for multiple properties of cortical motoneurons described in the literature. Additionally, we briefly explored within our framework the differences between force control and position control tasks as well as co-contraction and its temporal evolution during movements.