Modèles bio-inspirés et robotiques du développement du chant d'oiseau

Bio-inspired and robotic models of bird song development

• Auteur / Autrice : Leo Coquet
• Direction : Alexandre Pitti
• Type : Projet de thèse
• Discipline(s) : Stic - ed em2psi
• Date : Inscription en doctorat le 01/11/2024
• Etablissement(s) : CY Cergy Paris Université
• Ecole(s) doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI)
• Partenaire(s) de recherche : Laboratoire : ETIS - Equipes Traitement de l'Information et Systèmes

Mots clés

Mots clés libres

Bio-inspiré

Développement du langage

Apprentissage

Bio-inspired

Language development

Learning

Résumé

La variabilité motrice, en permettant l'exploration de l'espace moteur, est une composante essentielle de la façon dont les circuits sensorimoteurs évoluent au cours de l'apprentissage et peut s'adapter à différentes conditions. Pourtant, les connaissances restent rares sur la manière dont la variabilité du modèle d'entrée contribue à l'efficacité de l'intégration sensorimotrice lors de l'acquisition de la parole et de l'apprentissage du chant des oiseaux. Cette proposition mettra en lumière l'impact de la variabilité comportementale sur les compétences d'apprentissage et sur les processus neurobiologiques en jeu pour, à terme, alimenter des modèles neuroinformatiques d'apprentissage de la parole humaine. Cette thèse proposera de nouvelles approches conceptuelles pour concevoir un robot oiseau interactif qui sera utilisé à la fois pour enseigner et apprendre de manière dynamique à partir des interactions sociales avec un oiseau vivant. Un modèle neuronal artificiel, développemental et inspiré du cerveau, apprendra la structure sonore en temps réel et sans supervision explicite. Jusqu'à présent, les modèles d'IA pour l'apprentissage développemental des vocalisations ont été uniquement validés par comparaison avec un corpus annoté par l'homme et pas encore via des interactions sensorimotrices directes avec des animaux vivants.

Motor variability, by enabling exploration of motor space, is an essential component of how sensorimotor circuits evolve during learning and can adapt to different conditions. Yet little is known about how input pattern variability contributes to the efficiency of sensorimotor integration during speech acquisition and bird song learning. This proposal will shed light on the impact of behavioral variability on learning skills and on the neurobiological processes involved, with a view to ultimately feeding neuroinformatic models of human speech learning. This thesis will propose new conceptual approaches to designing an interactive bird robot that will be used to both teach and learn dynamically from social interactions with a live bird. A developmental, brain-inspired artificial neural model will learn sound structure in real time and without explicit supervision. To date, AI models for developmental learning of vocalizations have only been validated by comparison with a human-annotated corpus, and not yet via direct sensorimotor interactions with live animals.