La robotique cognitive est un sous-domaine de la robotique qui vise à doter un robot d'un comportement intelligent en lui fournissant une architecture de traitement qui lui permet d'apprendre et de raisonner sur la manière de se comporter face à des objectifs complexes dans un monde complexe. Elle peut être considérée comme la branche d'ingénierie de la science cognitive incarnée et de la cognition incarnée et située, englobant l'automatisation robotisée des processus, l'intelligence artificielle, l'apprentissage automatique, l'apprentissage profond, la reconnaissance optique de caractères, le traitement d'images, la fouille de processus, l'analytique, le développement logiciel et l'intégration de systèmes. Contrairement aux techniques traditionnelles d'intelligence artificielle qui reposent souvent sur des représentations symboliques prédéfinies, la robotique cognitive met l'accent sur l'apprentissage et l'adaptation par l'interaction avec l'environnement physique ou virtuel.
Problèmes fondamentaux
Les approches traditionnelles de modélisation cognitive ont supposé des schémas de codage symbolique comme moyen de représenter le monde, mais traduire le monde en ce type de représentations symboliques s'est avéré problématique, voire intenable. La perception et l'action, ainsi que la notion de représentation symbolique, sont donc des problèmes fondamentaux en robotique cognitive. Les robots doivent traiter des données sensorielles brutes, telles que des entrées visuelles ou auditives, et les convertir en connaissances exploitables sans recourir à des symboles codés à la main. Ce défi est central pour la conception d'architectures capables de fonctionner dans des environnements non structurés et dynamiques.
Point de départ
La robotique cognitive considère la cognition humaine ou animale comme un point de départ pour développer le traitement de l'information robotique, contrairement aux techniques plus traditionnelles d'intelligence artificielle. Les capacités cognitives robotiques ciblées comprennent le traitement de la perception, l'allocation de l'attention, l'anticipation, la planification, la coordination motrice complexe, le raisonnement sur d'autres agents, et peut-être même le raisonnement sur les propres états mentaux du robot. La cognition robotique incarne le comportement d'agents intelligents dans le monde physique (ou dans un monde virtuel dans le cas de la robotique cognitive simulée). En fin de compte, le robot doit être capable d'agir dans le monde réel, ce qui nécessite d'intégrer la perception, la prise de décision et le contrôle moteur dans une boucle continue.
Techniques d'apprentissage
Babillage moteur
Une technique préliminaire d'apprentissage robotique appelée babillage moteur consiste à corréler des mouvements moteurs complexes pseudo-aléatoires du robot avec les retours visuels et/ou auditifs qui en résultent, permettant au robot de commencer à anticiper un schéma de retour sensoriel étant donné un schéma de sortie motrice. Le retour sensoriel souhaité peut ensuite être utilisé pour informer un signal de contrôle moteur. On pense que cela est analogue à la façon dont un bébé apprend à attraper des objets ou à produire des sons de parole. Pour des systèmes robotiques plus simples où la cinématique inverse peut être utilisée de manière réalisable pour transformer le retour anticipé en sortie motrice, cette étape peut être omise.
Imitation
Une fois qu'un robot peut coordonner ses moteurs pour produire un résultat souhaité, la technique d'apprentissage par imitation peut être utilisée. Le robot surveille la performance d'un autre agent puis tente d'imiter cet agent. Il est souvent difficile de transformer les informations d'imitation d'une scène complexe en un résultat moteur souhaité pour le robot. L'imitation est une forme de comportement cognitif de haut niveau, et elle n'est pas nécessairement requise dans un modèle de base de la cognition animale incarnée.
Acquisition de connaissances
Une approche d'apprentissage plus complexe est l'acquisition autonome de connaissances, où le robot explore l'environnement par lui-même, en supposant généralement un système de buts et de croyances. Un mode d'exploration un peu plus dirigé peut être obtenu grâce à des algorithmes de curiosité, tels que la curiosité adaptative intelligente ou la motivation intrinsèque basée sur des catégories. Ces algorithmes impliquent généralement de diviser l'entrée sensorielle en un nombre fini de catégories et d'attribuer un système de prédiction (tel qu'un réseau de neurones artificiels) à chacune. Le système de prédiction suit l'erreur dans ses prédictions au fil du temps ; la réduction de l'erreur de prédiction est considérée comme un apprentissage. Le robot explore ensuite de préférence les catégories dans lesquelles il apprend le plus rapidement.
Autres architectures
Certains chercheurs en robotique cognitive ont essayé d'utiliser des architectures telles que ACT-R et Soar comme base pour leurs programmes. Ces architectures de traitement symbolique hautement modulaires ont été utilisées pour simuler les performances des opérateurs et les performances humaines lors de la modélisation de données de laboratoire simplistes et symbolisées. L'idée est d'étendre ces architectures pour gérer les entrées sensorielles du monde réel telles qu'elles se déroulent continuellement dans le temps. Ce qui est nécessaire, c'est un moyen de traduire le monde en un ensemble de symboles et de leurs relations, ce qui reste un défi ouvert.
Voir aussi
- Intelligence artificielle
- Agent intelligent
- Architecture cognitive
- Science cognitive
- Cybernétique
- Robotique développementale
- Science cognitive incarnée
- Robotique épigénétique
- Robotique évolutionniste
- Système intelligent hybride
- iCub
- Contrôle intelligent