La représentation contingente : vers une réconciliation des approches fonctionnelles et structurelles de la robotique autonome. (Contingent representation : toward a reconciliation of functional and structural approaches to robot autonomy)

L'objet de la robotique autonome est d'eliminer l'intervention du concepteur humain dans le fonctionnement d'un robot en environnement "complexe". Or, la programmation traditionnelle d'un robot repose sur l'utilisation de modeles dont le domaine de validite est assez restreint. Quand on sort du domaine de validite, on tombe sur le probleme de l'imprevu, objet de cette these. Nous affirmons d'abord que l'autonomie d'un robot ne peut etre obtenue sans une gestion systematique de l'imprevu, et que les approches habituelles de la robotique (hierarchiques, comportementales, adaptatives) ne sont pas adequates pour aborder cette question dans des environnements naturels non precisement controles. Nous proposons alors trois pistes pour contourner ces limites. Sur le plan theorique, nous defendons la necessite d'une reconnaissance explicite par un robot de sa propre ignorance, et donc d'une gestion systematique de l'incertitude, et adoptons pour cela une theorie de la logique probabiliste (Jaynes 1995). Sur le plan methodologique, nous completons le tandem conception-adaptation par une demarche incrementale, i.e. la systematisation d'une evolution structurelle en reponse a certains imprevus. Nous mettons ainsi l'accent sur l'origine et la genese des representations plus que sur leurs performances. Sur le plan conceptuel, enfin, nous proposons la notion de "representation contingente", qui definit une representation non par sa fonction mais par sa structure : la capacite de representation est intrinseque a cette structure, mais son interpretation effective est contingente au contexte. Les problemes lies a la representation classique avaient conduit certains auteurs a rejeter la notion meme de representation, et avec elle un guide de conception incontournable. La representation contingente est une tentative permettant d'aborder le probleme de la conception au sein d'approches non encore exploitees en IA, telles que la cloture operationnelle.

[1]  Mervyn Stone,et al.  Strong Inconsistency from Uniform Priors , 1976 .

[2]  Dean Pomerleau,et al.  ALVINN, an autonomous land vehicle in a neural network , 2015 .

[3]  Tim Smithers,et al.  Symbol grounding via a hybrid architecture in an autonomous assembly system , 1990, Robotics Auton. Syst..

[4]  Toby Tyrell,et al.  The use of hierarchies for action selection , 1993 .

[5]  Stephen Grossberg,et al.  A massively parallel architecture for a self-organizing neural pattern recognition machine , 1988, Comput. Vis. Graph. Image Process..

[6]  J. Stewart,et al.  The implications for understanding high-level cognition of a grounding in elementary adaptive systems , 1994, Proceedings of PerAc '94. From Perception to Action.

[7]  Matthew T. Mason.  Robotic manipulation: mechanics and planning , 1989 .

[8]  D. Mackay,et al.  Bayesian methods for adaptive models , 1992 .

[9]  Francisco J. Varela.  Connaître : les sciences cognitives : tendances et perspectives , 1988 .

[10]  Teuvo Kohonen,et al.  Self-Organization and Associative Memory, Second Edition , 1988, Springer Series in Information Sciences.

[11]  David Pierce.  Tabula Rasa Learning of Turn and Travel Actions , 1991 .

[12]  R. A. Brooks,et al.  Intelligence without Representation , 1991, Artif. Intell..

[13]  Eugénio Oliveira,et al.  Dynamic selection of action sequences , 1993 .

[14]  Jonathan H. Connell,et al.  A behavior-based arm controller , 1989, IEEE Trans. Robotics Autom..

[15]  Alexander Zelinsky,et al.  Learning to Coordinate Behaviours for Robot Navigation , 1997 .

[16]  P. Hogeweg,et al.  Socioinformatic processes: MIRROR modelling methodology , 1985 .

[17]  Jean-Claude Latombe,et al.  A Monte-Carlo algorithm for path planning with many degrees of freedom , 1990, Proceedings., IEEE International Conference on Robotics and Automation.

[18]  M. Stone,et al.  Marginalization Paradoxes in Bayesian and Structural Inference , 1973 .

[19]  Terry Winograd,et al.  Understanding computers and cognition , 1986 .

[20]  Teuvo Kohonen,et al.  Self-Organization and Associative Memory, Third Edition , 1989, Springer Series in Information Sciences.

[21]  John E. W. Mayhew,et al.  Computer simulation of an animal environment , 1991 .

[22]  V. Braitenberg.  Vehicles, Experiments in Synthetic Psychology , 1984 .

[23]  Jean-Marc Pichon.  Guidage visuel d'un robot mobile autonome d'inspiration bionique , 1991 .

[24]  Rodney A. Brooks,et al.  Elephants don't play chess , 1990, Robotics Auton. Syst..

[25]  Luc Steels,et al.  Building agents out of autonomous behavior systems , 1995 .

[26]  J. Fodor,et al.  Connectionism and cognitive architecture: A critical analysis , 1988, Cognition.

[27]  Patrick A. O'Donnell,et al.  HANDEY: A Robot Task Planner , 1992 .

[28]  Inman Harvey,et al.  Evolving visually guided robots , 1993 .

[29]  G. Edelman,et al.  Real brains and artificial intelligence , 1989 .

[30]  Jean-Pierre Dupuy,et al.  L'auto-organisation : de la physique au politique , 1983 .

[31]  Didier Dubois,et al.  Fuzzy sets-a convenient fiction for modeling vagueness and possibility , 1994, IEEE Trans. Fuzzy Syst..

[32]  Mark Ring.  Two methods for hierarchy learning in reinforcement environments , 1993 .

[33]  Francesco Mondada,et al.  Mobile Robot Miniaturisation: A Tool for Investigation in Control Algorithms , 1993, ISER.

[34]  Francisco J. Varela,et al.  Autonomie et connaissance : essai sur le vivant , 1989 .

[35]  Barbara Webb,et al.  Using robots to model animals: a cricket test , 1995, Robotics Auton. Syst..

[36]  Karl Sims,et al.  Evolving 3d morphology and behavior by competition , 1994 .

[37]  S. Benhamou,et al.  Spatial analysis of animals' movements using a correlated random walk model* , 1988 .

[38]  Paul Smolensky,et al.  Information processing in dynamical systems: foundations of harmony theory , 1986 .

[39]  David Chapman,et al.  Pengi: An Implementation of a Theory of Activity , 1987, AAAI.

[40]  Claudine Robert.  AN ENTROPY CONCENTRATION THEOREM: APPLICATIONS IN ARTIFICIAL INTELLIGENCE AND DESCRIPTIVE STATISTICS , 1990 .

[41]  Kurt Hornik,et al.  Multilayer feedforward networks are universal approximators , 1989, Neural Networks.

[42]  Rodney A. Brooks,et al.  Achieving Artificial Intelligence through Building Robots , 1986 .

[43]  John Stewart.  Un système cognitif sans neurones : les capacités d'adaptation, d'apprentissage et de mémoire du système immunitaire , 1994 .

[44]  E. Jaynes.  On the rationale of maximum-entropy methods , 1982, Proceedings of the IEEE.

[45]  E. T. Jaynes,et al.  Where do we Stand on Maximum Entropy , 1979 .

[46]  R. Sutton.  Reinforcement Learning Architectures , 1992 .

[47]  Philip E. Agre,et al.  The dynamic structure of everyday life , 1988 .

[48]  Judea Pearl,et al.  Probabilistic reasoning in intelligent systems , 1988 .

[49]  Richard Fikes,et al.  STRIPS: A New Approach to the Application of Theorem Proving to Problem Solving , 1971, IJCAI.

[50]  Ian Horswill,et al.  Specialization of perceptual processes , 1993 .

[51]  Arnaud Giacometti.  Modèles hybrides de l'expertise , 1992 .

[52]  Bartlett W. Mel.  Connectionist Robot Motion Planning: A Neurally-Inspired Approach to Visually-Guided Reaching , 1990 .

[53]  Luc Steels,et al.  Towards a theory of emergent functionality , 1991 .

[54]  Jean-Arcady Meyer,et al.  The Computational Hoverfly; a Study in Computational Neuroethology , 1991 .

[55]  Rodney A. Brooks,et al.  A robot that walks; emergent behaviors from a carefully evolved network , 1989, Proceedings, 1989 International Conference on Robotics and Automation.