93
Julien Diard — LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » — 2009 Modélisation bayésienne de la perception et de l’action Julien Diard Laboratoire de Psychologie et NeuroCognition – CNRS UE Cognition bayésienne 03/02/2009 http://julien.diard.free.fr Julien.Diard@upmf- grenoble.fr

Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Embed Size (px)

Citation preview

Page 1: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modélisation bayésienne de la perception et de l’action

Julien DiardLaboratoire de Psychologie et NeuroCognition – CNRS

UE Cognition bayésienne03/02/2009

http://julien.diard.free.fr [email protected]

Page 2: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

2

Page 3: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Plan• Modélisation bayésienne de la perception

– Introduction à la perception multi-– Perception visuo-haptique (Ernst & Banks, 02)– Perception visuo-acoustique des voyelles– Questions ouvertes

• Modélisation bayésienne de l’action– Introduction au contrôle moteur– Modèle de minimum variance

• Modélisation de la perception et de l’action: boucles sensorimotrices– Exemple : modélisation de l’écriture– Questions ouvertes

3

Page 4: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Plan• Modélisation bayésienne de la perception

– Introduction à la perception multi-– Perception visuo-haptique (Ernst & Banks, 02)– Perception visuo-acoustique des voyelles– Questions ouvertes

• Modélisation bayésienne de l’action– Introduction au contrôle moteur– Modèle de minimum variance

• Modélisation de la perception et de l’action: boucles sensorimotrices– Exemple : modélisation de l’écriture– Questions ouvertes

4

Page 5: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modélisation de la perception multi-

• Multi-?– Sensorielle / indice – multimodale / intramodale

• Modèle de pondération linéaire

5

(Lambrey, 2005)

Page 6: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle de pondération sensorielle

6

Page 7: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modélisation de la

perception• Perception

– Un problème inverse (Poggio, 1984)

• Modèle bayésien– Inversion + hypothèse

d’indépendance conditionnelle–

7

S1

S2

Sn

V

S1S2Sn

V?

P S1S2K SnV |C( )

= P V |C( )P S1 |VC( )P S2 |VC( )K P Sn |VC( )

Page 8: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

8

P S1S2K SnV |C( )

= P V |C( )P S1 |VC( )P S2 |VC( )K P Sn |VC( )• Vision

– Perception des plans : préférence pour des plans rigides, de stationnaires (Colas, 06)

– Perception des formes (revue de 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

• Proprioception (Laurens, 08)

Page 9: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

9

• Fusion multi-indices– Haptique : géométrie et force (Drewing &

Ernst, 06)– Vision (Kersten et al., 04)

• Fusion multi-sensorielle– Visuo-haptique (Ernst & Banks, 02)– Visuo-acoustique

• Localisation de sources (Battaglia et al., 03)• effet McGurk• Reconnaissance de voyelles (Gilet, 06)

P S1S2K SnV |C( )

= P V |C( )P S1 |VC( )P S2 |VC( )K P Sn |VC( )

Page 10: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Plan• Modélisation bayésienne de la perception

– Introduction à la perception multi-– Perception visuo-haptique (Ernst & Banks, 02)– Perception visuo-acoustique des voyelles– Questions ouvertes

• Modélisation bayésienne de l’action– Introduction au contrôle moteur– Modèle de minimum variance

• Modélisation de la perception et de l’action: boucles sensorimotrices– Exemple : modélisation de l’écriture– Questions ouvertes

10

Page 11: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Nature, 429–433, 2002

Page 12: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

12

Humans integrate visual and haptic information in a

statistically optimal fashion

• Mécanisme d’integration visuo-haptique par fusion de gaussiennes

• Utilisé par les humains

Page 13: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

13

Plan

• Protocole expérimental• Modèle bayésien de fusion

capteurs• Comparaison du modèle au

données

Page 14: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

14

Matériel expérimental

Page 15: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

15

Stimuli visuels

Page 16: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

16

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 ?

Page 17: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

17

Cas mono-modal

Page 18: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Integration visuo-haptique

0%

18

Page 19: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

0%67%

Integration visuo-haptique

19

Page 20: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

0%67%

133%

Integration visuo-haptique

20

Page 21: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

0%67%

133%200%

Integration visuo-haptique

21

Page 22: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Plan

• Protocole expérimental• Modèle bayésien de fusion

capteurs• Comparaison du modèle au

données

22

Page 23: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle bayésien de fusion « naïve »

23

Page 24: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle bayésien de fusion « naïve »

24

Page 25: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

• Estimateur de maximum de vraisemblance– – Par opposition à Bayésien

• « Statistiquement optimal »– Moindre variance :

Modèle bayésien de fusion « naïve »

25

Page 26: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Plan

• Protocole expérimental• Modèle bayésien de fusion

capteurs• Comparaison du modèle au

données

26

Page 27: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Quelles gaussiennes ?

• Choix d’une gaussienne parmi 2

• Point d’égalité subjective– PSE : moyenne

• Seuil de discrimination–

T = 0.085 x 55 mm

0.04 x 55 mm

27

Page 28: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Integration visuo-haptique

28

0%67%

133%200%

Page 29: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

0%67%

133%200%

Comparaison modèle - données

29

Page 30: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

30

Moyennes prédites - observées

Page 31: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

31

JND

Variances prédites - observées

Page 32: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Questions, critiques ?

32

Page 33: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Plan• Modélisation bayésienne de la perception

– Introduction à la perception multi-– Perception visuo-haptique (Ernst & Banks, 02)– Perception visuo-acoustique des voyelles– Questions ouvertes

• Modélisation bayésienne de l’action– Introduction au contrôle moteur– Modèle de minimum variance

• Modélisation de la perception et de l’action: boucles sensorimotrices– Exemple : modélisation de l’écriture– Questions ouvertes

33

Page 34: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Perception multi-sensorielle

• En psychophysique– Ernst & Banks– JND, PSE, …

• En psychologie cognitive ?

34

0%67%

133%200%

Page 35: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

• Modélisation bayésienne de la perception visuo-acoustique de voyelles

35

Page 36: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Perception audiovisuelle

36

Page 37: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Perception audiovisuelle

37

Page 38: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Remarque

38

Page 39: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modélisation bayésienne de la perception

audiovisuelle• Trois modèles bayésiens

– Modèle M0

– Modèle M1

– Modèle M2

• Comparaison bayésienne des modèles

39

Page 40: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Espace interne de M0

40

Page 41: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle M0

41

Page 42: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle M0

42

Page 43: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle M0

43

Page 44: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle M0 : résultats

44

Page 45: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle M1

45

Page 46: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle M1 : résultat

46

Page 47: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle M2

47

Page 48: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle M2 : résultat

48

Page 49: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Plan• Modélisation bayésienne de la perception

– Introduction à la perception multi-– Perception visuo-haptique (Ernst & Banks, 02)– Perception visuo-acoustique des voyelles– Questions ouvertes

• Modélisation bayésienne de l’action– Introduction au contrôle moteur– Modèle de minimum variance

• Modélisation de la perception et de l’action: boucles sensorimotrices– Exemple : modélisation de l’écriture– Questions ouvertes

49

Page 50: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Question ouverte

• De nombreux exemples d’application du modèle de fusion

• Limite de validité du modèle ?

• Valeur d’un modèle qui s’applique partout ?

50

Page 51: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Plan• Modélisation bayésienne de la perception

– Introduction à la perception multi-– Perception visuo-haptique (Ernst & Banks, 02)– Perception visuo-acoustique des voyelles– Questions ouvertes

• Modélisation bayésienne de l’action– Introduction au contrôle moteur– Modèle de minimum variance

• Modélisation de la perception et de l’action: boucles sensorimotrices– Exemple : modélisation de l’écriture– Questions ouvertes

51

Page 52: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modélisation du contrôle

• Mouvements de pointage, volontaire, chez l’humain

• Etude des régularités– Lois du mouvement

• Hypothèses sur les mécanismes – Modèles (neuro)cognitifs

52

Page 53: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

3 lois

• Isochronie• Loi de Fitts• Loi de la puissance 2/3

53

Page 54: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

54

Tâche : Saisie d’un cylindre à différentes distances (40,32,25)

Résultats : Temps similaire/augmentation de la vitesse

L’Isochronie : la durée du mouvement reste stable quelque soit l’amplitude du mouvement

Ex : Saisie (Jeannerod 1984)

La durée du mouvement semble fixée à l’avance

Palluel-Germain, 08

Vitesse (cm/s)

Durée (ms)

Page 55: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

• Cible de taille W à une distance D

55

Page 56: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

56

Loi de puissance de 2/3V(t) = K * R(t) 1-βK = gain de vitesseV(t) = vitesse du mouvementR(t) = rayon de courbure1-β = 1/3

Page 57: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèles de planification de mouvements

57

Planification de mouvement =Sélection d’une trajectoire selon un coût

Page 58: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Observations• Les trajectoires de la main

sont invariantes et quasiment rectilignes quelles que soit les positions initiales et terminales du mouvement et s’accompagnent toutes d’un profil de vitesse en cloche.

• Au contraire, lorsque les mouvements sont décrits selon leur trajectoire articulaire une grande variabilité est observée

58

Page 59: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Espaces de contrôle

• Planification intrinsèque– Espace articulaire

• Planification extrinsque– Espace cartésien

59

Page 60: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

60

Trajectoire observéeChangement angulaire des articulations

D’après Hollerbach & Atkeson (1986)

Modèle d’interpolation linéaire dans l’espace

articulaire

Page 61: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modèle d’interpolation linéaire dans l’espace

articulaire

61

βα

Page 62: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

62

Page 63: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Espace de travail

• Minimisation des dérivées de l’endpoint

– n=2 minimum acceleration– n=3 minimum jerk– n=4 minimum snap

63

Page 64: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Minimum jerk

• Prédit des segments droits• Pas observés pour des

mouvements de grande amplitude

64

Lacquaniti et al. (1986)

Page 65: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Espace des couples moteurs

• Minimisation des couples zi générés à chaque articulation

65

Page 66: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Minimum variance

• Bruit dépendant du signal (signal dependent noise SDN)

66

Page 67: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Plan• Modélisation bayésienne de la perception

– Introduction à la perception multi-– Perception visuo-haptique (Ernst & Banks, 02)– Perception visuo-acoustique des voyelles– Questions ouvertes

• Modélisation bayésienne de l’action– Introduction au contrôle moteur– Modèle de minimum variance

• Modélisation de la perception et de l’action: boucles sensorimotrices– Exemple : modélisation de l’écriture– Questions ouvertes

67

Page 68: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

• Modélisation bayésienne d’une boucle sensorimotrice : application à l’écriture

68

Page 69: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Equivalence motrice

69

Page 70: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

70

Page 71: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

71

Page 72: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

72

Page 73: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

73

Page 74: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

74

Page 75: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

75

Page 76: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

76

Page 77: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

77

Page 78: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

78

Page 79: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

79

Page 80: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

80

Page 81: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

81

Page 82: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

82

Page 83: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

83

Page 84: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Plan• Modélisation bayésienne de la perception

– Introduction à la perception multi-– Perception visuo-haptique (Ernst & Banks, 02)– Perception visuo-acoustique des voyelles– Questions ouvertes

• Modélisation bayésienne de l’action– Introduction au contrôle moteur– Modèle de minimum variance

• Modélisation de la perception et de l’action: boucles sensorimotrices– Exemple : modélisation de l’écriture– Questions ouvertes

84

Page 85: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Questions ouvertes

• Modélisation bayésienne de boucles sensorimotrices

Vraiment ?

85

Page 86: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

• Boucle ouverte

86

musclesMotor commands force

Body partState change

Page 87: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

87

muscles

Motor commandsforce

Body partState change

Sensory system

ProprioceptionVision

Audition

Measured sensory

consequencesIntegration

Tps

Vitesse

• Boucle fermée

Page 88: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

88 88

muscles

Motor commandsforce

Body partState change

Sensory system

ProprioceptionVision

Audition

Measured sensory

consequencesIntegration

40 ms

100 ms

???

Page 89: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

89

musclesMotor commandsforce

Body partState change

Sensory system

ProprioceptionVision

Audition

Measured sensory

consequences

Forward model

Predicted sensory consequences

Integration

Belief

What we sense depends on what we predicted

Page 90: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

90

Expérience de saisie

Expérience d’auto chatouillage

Page 91: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Modélisation d’une boucle sensorimotrice

• Apprentissage = passage d’une boucle fermée à une

boucle ouverte ?

91

Page 92: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Une boucle vs. des boucles

• Hiérarchie de boucles• Constantes de temps• Apprentissage hiérarchique

92

Page 93: Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard

Julien Diard — LPNC-CNRSCours M2R Sciences Cognitives, « Cognition bayésienne » — 2009

Merci de votre attention !

Questions ?