Exploration intrinsèquement motivée orientée vers des buts dans le développement de l’enfant et en intelligence artificielle : apprentissage et développement de la parole et de l’utilisation des outils.

Abstract

Les bébés et enfants humains sont curieux, ils explorent activement leur monde. Un de leurs défis est l'apprentissage des relations de causalité entre leurs actions, telles que l'utilisation d'outils ou de leur voix, et les changements dans l'environnement. Les motivations intrinsèques ont été peu étudiées en psychologie du développement, si bien que leurs mécanismes sont méconnus. D'autre part, la plupart des agents artificiels et robots apprennent d'une manière très différente de celle des enfants humains. Cette thèse présente deux objectifs complémentaires : d'une part la compréhension du rôle des motivations intrinsèques dans le développement de la parole et de l'utilisation des outils chez l'enfant à travers la modélisation robotique, et d'autre part l'amélioration des capacités des robots à apprendre à parler et à utiliser des outils grâce à une inspiration par les mécanismes d'exploration et d'apprentissage humains. La première partie de ce travail concerne donc la compréhension et modélisation des motivations intrinsèques chez l'humain. Nous réanalysons une expérience d'évaluation des capacités d'utilisation des outils par les enfants, et montrons que les motivations intrinsèques semblent jouer un rôle important dans les comportements observés et même interférer avec les mesures de succès dans la tâche. Avec un modèle robotique, nous montrons qu'une motivation intrinsèque basée sur le progrès à atteindre ses propres buts, couplée à une représentation modulaire de ces buts peut auto-organiser des phases de comportements dans le développement des précurseurs de l'utilisation d'outils qui ont des propriétés en commun avec le développement des outils chez les enfants. Nous présentons le premier modèle robotique de l'apprentissage de la parole et de l'utilisation des outils à partir de zéro, qui permet de prédire que l'exploration des objets physiques dans un scénario d'interaction sociale accélère l'apprentissage de la vocalisation de sons particuliers pour le nom de ces objets en conséquence d'une exploration des objets dirigée par les buts. Dans la seconde partie de cette thèse, nous développement, formalisons et évaluons les algorithmes définis pour la modélisation du développement de l'enfant, avec pour but d'obtenir un apprentissage robotique efficace. Nous formalisons ensuite une approche algorithmique appelée Intrinsically Motivated Goal Exploration Processes (IMGEP), qui permet la découverte et l'acquisition d'un vaste répertoire de compétences. Nous démontrons dans différents environnements robotiques dont un avec un robot humanoïde que l'apprentissage de divers espaces de buts avec des motivations intrinsèques est plus efficace pour l'apprentissage de compétences complexes que de seulement s'intéresser directement à l'apprentissage de ces compétences.