Modeling emotional mechanism for an autonomous robot : a developmental and social perspective

L’objectif de cette thèse est de s’inspirer de la neurobiologie pour modéliser les mécanismes émotionnels de bas niveau sur un robot évoluant en environnement réel. Ce travail présente un modèle des émotions cohérent avec les données expérimentales décrivant le fonctionnement des structures cérébrales principales impliquées dans les mécanismes émotionnels. Les émotions jouent un rôle capital aussi bien pour la régulation du comportement des êtres humains que des animaux. En accord avec la vision darwinienne, les émotions sont vues comme des mécanismes adaptatifs favorisant la survie. Cependant, leur organisation autours de signaux essentiellement positifs et négatifs leur donne un caractère dimensionnel. Notre modèle considère les émotions comme le résultat de la dynamique d’interactions entre deux systèmes permettant l’évaluation des interactions avec l’environnement physique d’une part et l’environnement social d’autre part. Cette approche bioinspirée des émotions permet de donner aux robots une mécanique de base pour construire leur autonomie comportementale et leurs capacités de communication. Dans cette thèse, nous montrons qu’elles permettent autant de s’adapter aux caractéristiques de l’environnement que de servir de support à une communication non verbale. L’approche biomimétique de notre travail se traduit en termes méthodologiques par l’utilisation de réseaux de neurones formels pour les architectures de contrôle du robot mais aussi en termes fonctionnels par l’organisation de ces réseaux comme modèles de différentes structures du cerveau et de leurs interactions (amygdale, accumbens, hippocampe et cortex préfrontal). Suivant le courant animat, le robot est vu comme un animal aux besoins vitaux satisfaits par les ressources de son environnement. Les expérimentations seront illustrées sur des comportements de navigation reposant sur les apprentissages de conditionnements visuo-moteurs (stratégie visuelle) et sur l’intégration de chemin (stratégie propioceptive). Les conditionnements associant les signaux nocicepteurs et hédoniques aux autres informations sensorielles ou aux actions du robot sont à la base des régulation sémotionnelles. Les prédictions que forme le robot lui permettent d’apprendre des comportements aversifs ou appétitifs en réponse à ses anticipations de "douleur" ou de "plaisir". Il peut aussi monitorer ses prédictions afin d’évaluer l’efficacité de ses comportements. C’est ce qui lui permet de réguler ses motivations et de sélectionner ses stratégies (navigation visuelle ou proprioceptive) et ses buts (ressources de l’environnement) de façon à satisfaire au mieux son équilibre interne en fonction de son environnement. Cette utilisation de signaux bas niveau positifs et négatifs permet de construire un modèle émotionnel minimal assurant au robot une autonomie comportementale. Dans un deuxième temps, nous utilisons l’expressivité émotionnelle comme base à une communication avec le robot. Une tête mécanique permet au robot d’exprimer ses émotions grâce à ses expressions faciales. Cette communication consiste à donner au robot des signaux de récompense et de punition. Nous avons développé un modèle permettant de construire de manière autonome ces signaux d’interaction en leur donnant leur valeur émotionnelle. Cet échange d’informations avec le robot lui permet d’apprendre à valuer son environnement ou son comportement et ainsi d’apprendre interactivement à résoudre ses problèmes de navigation.The objective of this thesis is to draw inspiration from the neurobiology to model low level emotional mechanisms on a robot evolving in real environment. This work presents an emotional model coherent with experimental data describing the functioning of the cerebral structures involved in emotional mechanisms. Emotionsplay a central part in the regulation of behavior of humans as well as animals. In agreement with the darwinian view, emotions are seen as adaptive mechanismsenhancing survival. However, their organization around essential positive and negative signals gives them a dimensional flavor. Our model considers emotions as the result of the interaction dynamics between two systems. These systems allow the evaluation of the interactions with the physical and the social environment. This bio-inspired approach of emotions gives robots a basic framework to construct their behavioral autonomy and their communication skills. In this thesis, we show that they allow the robot to adapt itself to the characteristics of the environment as well as they underlie non verbal communication. The bio-mimetic approach of this thesis is reflected in methodological terms by the use of artificial neural networks for robot control architectures but also in functional terms by the organization of these networks as models of different brain structures and their interactions (amygdala, accumbens, periaqueductal grey, hippocampus, prefrontal cortex). Following the animat paradigm, the robot is seen as an animal which vital needs are satisfied by the resources of the environment. Experimentation are conducted on navigation behaviors relying on visuo-motor conditionings (visual strategy) and on path integration (proprioceptive strategy). Conditionings between nociceptive or hedonic signals and other sensory information or actions of the robot are at the basis of emotional regulation. The robot predictions allow it to learn aversive or appetitive behavior in response to its "pain" or "pleasure" expectations. The robot can also monitor its predictions to assess the effectiveness of its behaviors. This enables it to regulate its motivations and select its strategies (visual navigation or proprioceptive) and goals (environmental resources) in order to best meet its internal balance depending on its environment. This use of low level positive and negative signals allows to build a minimal emotional model providing autonomy to the robot behavior.In a second step, we use the emotional expressiveness as the basis for communication with the robot. A mechanical head enables it to express its emotions through its facial expressions. This communication consists in giving the robot reward and punishment signals. This exchange of information with the robot allows it to learn to valuate its environment or its behavior and thus to learn interactively to solve its navigation tasks. The model of emotional mechanisms presented in this work allows to investigate issues of autonomous robotics as well as issues of Human-Robot interactions. Moreover, this approach shows the interest of putting robotics at the heart of cognitive sciences due to the perspective given by the analysis of robot’s behaviors supported by relatively simple neuronal architectures