Approche Bayésienne pour la Sélection de l'Action et la Focalisation de l'Attention. Application à la Programmation de Robots Autonomes.

Autonomous sensory-motor systems, situated in dynamic environments, must continuously answer the ultimate question: how to control motor commands knowing sensory inputs? Solving this question is a very complex problem, because a huge flow of information must be treated under several restrictions: real-time constraints, bounded memory space, and limited processing power. One additional and major challenge is to deal with incomplete and imprecise information, usually occurring in dynamic environments. In this thesis, we address the problem of controlling autonomous sensory-motor systems and propose a succession of cumulative hypotheses and simplifications. They are defined within a precise and strict mathematical framework, called Bayesian programming, an extension of Bayesian networks. This succession consists of five stages: Utilisation of internal states; First-order Markov assumption, stationarity and Bayesian filters; Exploiting partial independence; Addition of behaviour selection mechanism; and addition of Attention focusing. The validity of these hypotheses can be discussed and challenged. However, the corresponding inferences and resulting decisions are derived mathematically. Each description of a stage is followed by its analysis according to memory requirement, processing complexity, and difficulty of modelling. Further discussions regarding robot programming and cognitive modelling points of view are also presented. Finally, we describe an implementation on a mobile robot. The results demonstrate that the proposed framework is adequate for practical purposes.Les systèmes sensorimoteurs autonomes, placés dans des environnements dynamiques, doivent répondre continuellement à la question ultime: comment contrôler les commandes motrices à partir des entrées sensorielles? Répondre à cette question est un problème très complexe, principalement à cause de l'énorme quantité d'informations qui doit être traitée, tout en respectant plusieurs restrictions: contraintes de temps réel, espace mémoire restreint, et capacité de traitement des données limitée. Un autre défi majeur consiste à traiter l'information incomplète et imprécise, habituellement présente dans des environnements dynamiques. Cette thèse s'intéresse au problème posé par la commande des systèmes sensorimoteurs autonomes et propose un enchaînement d'hypothèses et de simplifications. Ces hypothèses et simplifications sont définies dans un cadre mathématique précis et strict appelé programmation bayésienne, une extension des réseaux bayésiens. L'enchaînement se présente en cinq paliers: utilisation d'états internes; les hypothèses de Markov de premier ordre, de stationnarité et les filtres bayésiens; exploitation de l'indépendance partielle entre les variables d'état; addition d'un mécanisme de choix de comportement;la focalisation de l'attention guidée par l'intention de comportement. La description de chaque étape est suivie de son analyse selon les exigences de mémoire, de complexité de calcul, et de difficulté de modélisation. Nous présentons également des discussions approfondies concernant d'une part la programmation des robots et d'autre part les systèmes cognitifs. Enfin, nous décrivons l'application de ce cadre de programmation à un robot mobile