Upload
jolie
View
42
Download
0
Embed Size (px)
DESCRIPTION
Cours 4. Julien Diard Laboratoire de Psychologie et NeuroCognition – CNRS UE Cognition bayésienne 16/01/2012 (& 19/01/2012) http://diard.wordpress.com [email protected]. Plan des cours. Introduction à la Programmation Bayésienne : incomplétude, incertitude - PowerPoint PPT Presentation
Citation preview
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 1
Cours 4
Julien DiardLaboratoire de Psychologie et NeuroCognition – CNRS
UE Cognition bayésienne16/01/2012 (& 19/01/2012)
http://diard.wordpress.com [email protected]
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 2
Plan des cours1. Introduction à la Programmation Bayésienne :
incomplétude, incertitude2. Programmation bayésienne : exemple détaillé3. Classes de modèles probabilistes, distributions
usuelles, Programmation bayésienne des robots4. Modélisation bayésienne de la perception et de
l’action5. Comparaison bayésienne de modèles6. Compléments : inférence, apprentissage,
principe d’entropie
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 3
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 4
Bayesian Program = Description + Question
Inference
Des
crip
tion
Que
stio
n
Pro
gram
SpecificationSpecification
IdentificationIdentification
• Variables
• Parametrical Forms or Recursive Question
• Decomposition
Preliminary Knowledge
Experimental Data
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 5
Learning Reactive Behaviors
Khepera Robot
• Avoiding Obstacle• Contour Following• Piano mover• Phototaxy• etc.
Lebeltel, O., Bessière, P., Diard, J. & Mazer, E. (2004) Bayesian Robot Programming; Autonomous Robots, Vol. 16, p. 49-79Lebeltel, O. (1999) Programmation bayésienne des robots; Thèse INPG
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 6
• Joystick Remote Control Experimental Data
Des
crip
tion
Des
crip
tion
Que
stio
nQ
uest
ion
Pro
gram
Pro
gram
SpecificationSpecification
IdentificationIdentification
• Variables
Reactive behavioursrot
- +
0
1
2 3
5
4
67
dir
prox
dir =+10
dir =0
dir =-10
Preliminary Knowledge
• Decomposition
€
P Dir∧Prox∧Vrot |δ1∧π( )
€
P Vrot | Dir = d[ ]∧ Prox = p[ ]∧δ1∧π( )
• Parametrical Forms
€
P Dir∧Prox |δ∧π( ) ← UniformP Vrot |Dir∧Prox∧δ∧π( ) ← Gaussians€
P Dir∧Prox∧Vrot |δ∧π( )= P Dir |δ∧π( ) × P Prox |δ∧π( ) × P Vrot |Dir∧Prox∧δ∧π( )€
Dir∧Prox∧Vrot
Utilization
1 pushing obstacles2 contour following3 obstacle avoidance
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 7
Sensor Fusion Model
– No free parameters
Utilization
Des
crip
tion
Des
crip
tion
Que
stio
nQ
uest
ion
Pro
gram
Pro
gram
SpecificationSpecification
IdentificationIdentification
– Variables
– Decomposition (Conditional Independance Hypothesis)
€
P ThetaL∧DistL∧Lm0∧...∧Lm7 |π Fusion( )
= P ThetaL∧DistL |π Fusion( ) × P Lmi |ThetaL∧DistL∧π Fusion( )i= 0
7
∏
€
P ThetaL | lm0∧...∧lm7∧π Fusion( ),P Lm3 | lm2∧lm4∧ThetaL∧π Fusion( )
– Parametrical Forms
€
P ThetaL∧DistL |π Fusion( ) ← Uniform
P Lmi |ThetaL∧DistL∧π Fusion( ) ← P Lmi |ThetaL∧DistL∧δ i∧π Sensor( )
ThetaL, DistL, Lm0, …, Lm7
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 8
L m 2 = 3 9 1 ( c a p t e u r l u m - 1 0 ° )
P ( T h e t a L | L m 2 C p _ l 2 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 3 = 3 7 9 ( c a p t e u r l u m 1 0 ° )
P ( T h e t a L | L m 3 C p _ l 3 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 1 = 4 8 0 ( c a p t e u r l u m - 5 0 ° )
P ( T h e t a L | L m 1 C p _ l 1 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 4 = 4 3 0 ( c a p t e u r l u m 5 0 ° )
P ( T h e t a L | L m 4 C p _ l 4 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 0 = 5 0 9 ( c a p t e u r l u m - 9 0 ° )
P ( T h e t a L | L m 0 C p _ l 0 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 5 = 5 0 3 ( c a p t e u r l u m 9 0 ° )
P ( T h e t a L | L m 5 C p _ l 5 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 7 = 5 1 1 ( c a p t e u r l u m - 1 7 0 ° )
P ( T h e t a L | L m 7 C p _ l 7 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 6 = 5 1 1 ( c a p t e u r l u m 1 7 0 ° )
P ( T h e t a L | L m 6 C p _ l 6 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
T e t h a = 1 0 , D i s t = 2 0
P ( T h e t a L | L m 0 . . L m 7 C p _ S o u r c e L )
0 . 0 0
0 . 2 5
0 . 5 0
0 . 7 5
1 . 0 0
- 1 8 0 - 9 0 - 5 0 - 1 01 0 5 0 9 0 1 7 0
€
P ThetaL Lm0...Lm7 Cp_SL( ) = 1Z
P Lmi ThetaL DistL Cp_li( )i= 0
7
∏DistL∑ .
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 9
Object Recognition (Model)
• Identification of the Laplace succession laws and GaussiansUtilization
Des
crip
tion
Des
crip
tion
Que
stio
nQ
uest
ion
Pro
gram
Pro
gram
SpecificationSpecification
IdentificationIdentification
• Variables
• Decomposition (Conditional Independance Hypothesis)
• Parametrical Forms
Nlt, Nrt, Per, Llsl, O = {0, 1, 2, …}
€
P O∧Nrt∧Nlt∧Per∧Llsl |δ∧π( )= P O |δ∧π( ) × P Nrt |O∧δ∧π( ) × P Nlt |O∧δ∧π( ) × P Per |O∧δ∧π( ) × P Llsl |O∧δ∧π( )
€
P O |δ∧C( ) = Uniform
€
P O | nlt∧nrt∧per∧llsl∧δ⊗π( )
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 10
Bayesian BotSpecificationPr
ogra
m Des
crip
tion
Que
stio
n
Utilization
Identification
• Variables
• Decomposition
• Parametric Forms
• Playing: P(St+1 |St L W FW N FN PW PL)
• Perception: L Life, W Weapon, FW Foe Weapon, N Noise, FN Foe Number, PW Proximity Weapon, PL Proximity Life• State: St, St+1 {Attack, Weapon Search, Life Search, Exploration, Escape, Danger Detection}
P(St St+1 L W FW N FN PW PL) = P(St) P(St+1 | St) P(L | St+1) P(W | St+1) P(FW | St+1) P(N | St+1) P(FN | St+1) P(PW | St+1) P(PL | St+1)
Tables
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 11
P Vrot Vtrans px0..px7 lm0..lm7 veille feu obj? eng tach_t -1 td_t -1 tempo tour dir prox dirG proxG vtrans_c dnv mnv mld per
πWatchman
⎛
⎝ ⎜ ⎜
⎞
⎠ ⎟ ⎟
=1Z
P Td Tach td_t - 1 tempo tour
πMoove⎛ ⎝ ⎜
⎞ ⎠ ⎟
P Tach Base veille feu obj? eng tach_t - 1
πTask
⎛
⎝ ⎜ ⎜ ⎜
⎞
⎠ ⎟ ⎟ ⎟
P Base px0...px7 lm0...lm7 πBase
⎛ ⎝ ⎜
⎞ ⎠ ⎟
⎛
⎝
⎜ ⎜ ⎜ ⎜ ⎜ ⎜
⎞
⎠
⎟ ⎟ ⎟ ⎟ ⎟ ⎟
Base∑
⎛
⎝
⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜
⎞
⎠
⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟
Tach∑
P ThetaL DistL lm0..lm7 πFusion( )DistL∑
P H prox πHoming( )
P Vrot Vtrans H Td ThetaL dir prox dirG proxG vtrans_c
πWatchman⎛ ⎝ ⎜
⎞ ⎠ ⎟
⎛
⎝
⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜
⎞
⎠
⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟
TdThetaL H
∑ .
• Inférence exacte – sommation, propagation
des incertitudes• Inférence approximée
– décisions intermédiaires (tirage de points), propagation d’une partie des incertitudes
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 12
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 13
Pour aller plus loin…• Reviews, introductions, …
– Numéro spécial Trends in Cognitive Sciences 2006, 10(7)– l’édito : N. Chater, J. B. Tenenbaum, and A. Yuille. Probabilistic models of cognition: Conceptual
foundations. Trends in Cognitive Sciences, 10(7):287–291, 2006.
– F. Colas, J. Diard, and P. Bessière. Common bayesian models for common cognitive issues. Acta Biotheoretica, 58(2-3):191–216, 2010.
• ambiguities, fusion, multimodality, conflicts, modularity, hierarchies and loops– N. Chater, M. Oaksford, U. Hahn, and E. Heit. Bayesian models of cognition. WIREs Cognitive
Science, 1(6), 2010.• plus « cognitif » : categorization, learning and causality, language processing, inductive and deductive
reasoning, argumentation– R.A. Jacobs and J.K. Kruschke. Bayesian learning theory applied to human cognition. WIREs
Cognitive Science, 2010.
– M. Jones and B. Love. Bayesian fundamentalism or enlightenment? on the explanatory status and theoretical contributions of bayesian models of cognition. Behavioral and Brain Sciences, 34:169–231, 2011.
• Article cible BBS, suivi de commentaires
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 14
Pour aller plus loin…• Modèles sensori-moteurs en robotique
– O. Lebeltel, P. Bessière, J. Diard, and E. Mazer. Bayesian robot programming. Autonomous Robots, 16(1):49–79, 2004.
• Modèles sensoriels et moteurs en sciences du vivant– D. Kersten, P. Mamassian, and A. Yuille. Object perception as bayesian
inference. annu Rev Psychol, 55:271–304, 2004.– D. M. Wolpert. Probabilistic models in human sensorimotor control. Human
Movement Science, 26:511–524, 2007.
• Statistiques bayésiennes– J. K. Kruschke. Bayesian data analysis. WIREs Cognitive Science, 1:658–676,
2010.– J. K. Kruschke. What to believe: Bayesian methods for data analysis. Trends
in Cognitive Science, 14:293–300, 2010.
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 15
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 16
Modélisation de la perception multi-
• Multi-?– Intramodale : multi-indice– Multimodale : multi-sensorielle
• Modèle de pondération linéaire
(Lambrey, 2005)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 17
Modèle de pondération sensorielle
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 18
Modélisation de la
perception• Perception
– Un problème inverse (Poggio, 1984)• Modèle bayésien
– Inversion + hypothèse d’indépendance conditionnelle
–
S1
S2
Sn
V
S1S2Sn
V?
stimulus
sensations
perception
€
P S1S2...SnV |C( )= P V |C( )P S1 |VC( )P S2 |VC( )...P Sn |VC( )
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 19
€
P S1S2...SnV |C( )= P V |C( )P S1 |VC( )P S2 |VC( )...P Sn |VC( )
• Vision– Perception des plans : préférence pour des
plans rigides, stationnaires (Colas, 06)– Perception des formes (Kersten et al., 04) :
• préférence pour les objets convexes• préférence pour des lumières venant du haut,
stationnaires• préférence pour un point de vue situé au dessus
de la scène
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 20
Ambigüités• P(V | S)
– inversion de P(S | V)
– Distribution à plusieurs pics : ambigüité
• Cas classique– image rétinienne 2
D objet réel en 3D
Cube de Necker
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 21
Forme tirée du mouvement
MPI-BC
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 22
Forme tirée du mouvement
MPI-BC
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 23
Forme tirée des ombres
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 24
€
P S1S2...SnV |C( )= P V |C( )P S1 |VC( )P S2 |VC( )...P Sn |VC( )
• Proprioception (Laurens, 07)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 25
€
P S1S2K SnV |C( )= P V |C( )P S1 |VC( )P S2 |VC( )K P Sn |VC( )
• Fusion multi-indices– Haptique : géométrie et force (Drewing &
Ernst, 06)– Vision (Kersten et al., 04)
• Fusion multi-sensorielle– Visuo-acoustique
• Localisation de sources (Alais and Burr, 04, Battaglia et al., 03; Körding et al., 07, Sato et al., 07)
• Reconnaissance de voyelles (Gilet, 06)– Visuo-haptique (Ernst & Banks, 02)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 26
Fusion visuo-acoustique :effet McGurk
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 27
Effet McGurk• Audio : ba
– Lèvres fermées• Vidéo : /ga/
– Lèvres ouvertes• Situation de conflit : perception
/da/
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 28
Fusion trimodale• Stimuli audio, visuels et tactiles• Tâche : compter dans chaque
modalité
(Wozny, Beierholm and Shams, 2008)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 29
Fusion trimodale
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 30
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 31
Nature, 429–433, 2002
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 32
Humans integrate visual and haptic information in a
statistically optimal fashion
• Mécanisme d’integration visuo-haptique par fusion de gaussiennes
• Utilisé par les humains
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 33
Plan• Protocole expérimental• Modèle bayésien de fusion
capteurs• Comparaison du modèle au
données
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 34
Matériel expérimental
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 35
Stimuli visuels
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 36
Stimuli et tâche• 4 niveaux de bruit visuel
: 0% 67% 133% 200%• 1 niveau haptique
• 1 s de présentation
• Tâche de choix forcé– laquelle de ces deux
barres est la plus grande ?
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 37
Cas mono-modal• 2 barres en séquence
– L’une à 55 mm (standard stimulus)– L’autre de taille variable, entre 47 et
63 mm (comparison stimulus)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 38
Cas mono-modal
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 39
Cas multi-modal• 2 barres en séquence
– L’une composée d’une taille visuelle SV et d’une taille haptique SH
• | SH - SV | = = 0, 3 ou 6 mm• (SH + SV) / 2 = 55 mm
standard stimulus– L’autre de taille variable
entre 47 et 63 mm comparison stimulus
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 40
Integration visuo-haptique
0%
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 41
0%67%
Integration visuo-haptique
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 42
0%67%133%
Integration visuo-haptique
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 43
0%67%133%200%
Integration visuo-haptique
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 44
Plan• Protocole expérimental• Modèle bayésien de fusion
capteurs• Comparaison du modèle au
données
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 45
Modèle bayésien de fusion « naïve »
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 46
Modèle bayésien de fusion « naïve »
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 47
Modèle bayésien de fusion « naïve »
• Estimateur de maximum de vraisemblance– – Par opposition à Bayésien
• « Statistiquement optimal »– Moindre variance :
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 48
Plan• Protocole expérimental• Modèle bayésien de fusion
capteurs• Comparaison du modèle au
données
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 49
Quelles gaussiennes ?• Choix d’une
gaussienne parmi 2– L’inversion est une
sigmoïde…• Point d’égalité
subjective– PSE : moyenne
• Seuil de discrimination–
T = 0.085 x 55 mm
0.04 x 55 mm
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 50
Integration visuo-haptique• Comparison
stimulus – visual and haptic
heights equal– vary in 47-63 mm
• Standard stimulus– visual and haptic
heights differ– Δ = {±6 mm, ±3
mm, 0}– mean is 55 mm
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 51
Integration visuo-haptique
0%67%133%200%
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 52
0%67%133%200%
Comparaison modèle - données
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 53
Moyennes prédites - observées
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 54
JND
Variances prédites - observées
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 55
Questions, critiques ?
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 56
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 57
Perception audio-visuelle• Effet ventriloque
(Alais and Burr, 2004)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 58
Causal inference (Körding et al., 07; Sato et al., 07)
• Y a-t-il une source unique, ou deux sources distinctes ?
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 59
Données expérimentales
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 60
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 61
Modèle ségrégation totaleC=2
Modèle intégration totaleC=1
Modèle « causal inference »C variable inconnue sommation sur CModèle « causal inference »sans propagation tirage sur C / max sur C
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 62
Sommation / tirage• P(A B C) = P(A) P(B | A) P(C | B)• Inférence de P(C | A)
A
B
CInférence exacte : sommation
Inférence approximée: tirageTirer b selon P(B | [A=a])Tirer c selon P(C | [B=b])
Propagation des incertitudesSommation « dictée » par le formalisme, pas par le modèle !
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 63
Pour chaque sujet– Calcul des
paramètres sur la moitié des données : R2 = 0.98
– Validation croisée sur l’autre moitié : R2 = 0.96
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 64
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 65
Question ouverte• De nombreux
exemples d’application du modèle probabiliste de fusion
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 66
Cerveau bayésien ?
• Comment montrer que le traitement est « bayésien » ?
• Les modèles bayésien sont sous-contraints !– Extension de la logique, on peut
donc tout exprimer– Valeur d’un modèle qui
s’applique partout ?• L’inférence bayésienne est
contrainte !– Si on suppose des
gaussiennes, leur fusion est…
– L’inférence implique des marginalisations
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 67
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 68
Modélisation du contrôle• Mouvements de pointage,
volontaire, chez l’humain• Etude des régularités
– Lois du mouvement• Isochronie, loi de Fitts, loi de la puissance
2/3• Hypothèses sur les mécanismes
– Modèles (neuro)cognitifs
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 69
Modèles de planification de mouvements
Planification de mouvement =Sélection d’une trajectoire selon un coût
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 70
Espaces de contrôle
• Planification intrinsèque– Espace articulaire
• Planification extrinsèque– Espace cartésien
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 71
Observations• Trajectoires de la main
– invariantes et quasiment rectilignes dans l’espace cartésien
– quelles que soit les positions initiales et terminales du mouvement
– profil de vitesse en cloche • Dans l’espace articulaire
– grande variabilité
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 72
Trajectoire observée Changement angulaire des articulations
D’après Hollerbach & Atkeson (1986)
Modèle d’interpolation linéaire dans l’espace
articulaire
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 73
Modèle d’interpolation linéaire dans l’espace
articulaireβα
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 74
Quelle grandeur manipulée par le système
de contrôle ?
+ free energy principle(Friston 10)+ inactivation principle(Berret 08)+ …
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 75
Espace de travail• Minimisation des dérivées de
l’endpoint
– n=2 minimum acceleration– n=3 minimum jerk– n=4 minimum snap
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 76
Minimum jerk• Prédit des segments droits• Pas observés pour des
mouvements de grande amplitude
Lacquaniti et al. (1986)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 77
Espace des couples moteurs
• Minimisation des couples zi générés à chaque articulation
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 78
Minimum variance• Bruit dépendant du signal (signal
dependent noise SDN)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 79
Bayesian Decision Theory• Modèle probabiliste + modèle de
coût (reward, cost, loss function)
PriorPosterior
LikelihoodCost
function
XX
Bayes theorem Bayesian
decision theory
outputobservation i
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 80
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 81
• Modélisation bayésienne de la perception et de la production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 82
• Modélisation bayésienne d’une boucle sensorimotrice : application à l’écriture
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 83
Merci de votre attention !
Questions ?