La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

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

Présentations similaires


Présentation au sujet: "Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard."— Transcription de la présentation:

1 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception et de laction Julien Diard Laboratoire de Psychologie et NeuroCognition – CNRS UE Cognition bayésienne 03/02/2009

2 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

3 Julien Diard LPNC-CNRS Cours 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 laction –Introduction au contrôle moteur –Modèle de minimum variance Modélisation de la perception et de laction: boucles sensorimotrices –Exemple : modélisation de lécriture –Questions ouvertes 3

4 Julien Diard LPNC-CNRS Cours 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 laction –Introduction au contrôle moteur –Modèle de minimum variance Modélisation de la perception et de laction: boucles sensorimotrices –Exemple : modélisation de lécriture –Questions ouvertes 4

5 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation de la perception multi- Multi-? –Sensorielle / indice –multimodale / intramodale Modèle de pondération linéaire 5 (Lambrey, 2005)

6 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle de pondération sensorielle 6

7 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation de la perception Perception –Un problème inverse (Poggio, 1984) Modèle bayésien –Inversion + hypothèse dindépendance conditionnelle – 7

8 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 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)

9 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 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)

10 Julien Diard LPNC-CNRS Cours 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 laction –Introduction au contrôle moteur –Modèle de minimum variance Modélisation de la perception et de laction: boucles sensorimotrices –Exemple : modélisation de lécriture –Questions ouvertes 10

11 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Nature, 429–433, 2002

12 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » Humans integrate visual and haptic information in a statistically optimal fashion Mécanisme dintegration visuo- haptique par fusion de gaussiennes Utilisé par les humains

13 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » Plan Protocole expérimental Modèle bayésien de fusion capteurs Comparaison du modèle au données

14 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » Matériel expérimental

15 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » Stimuli visuels

16 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 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 ?

17 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » Cas mono-modal

18 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Integration visuo-haptique 0%0% 18

19 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » %0% 67% Integration visuo-haptique 19

20 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » % 67% 133% Integration visuo-haptique 20

21 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » % 67% 133% 200% Integration visuo-haptique 21

22 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Plan Protocole expérimental Modèle bayésien de fusion capteurs Comparaison du modèle au données 22

23 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle bayésien de fusion « naïve » 23

24 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle bayésien de fusion « naïve » 24

25 Julien Diard LPNC-CNRS Cours 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

26 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Plan Protocole expérimental Modèle bayésien de fusion capteurs Comparaison du modèle au données 26

27 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Quelles gaussiennes ? Choix dune gaussienne parmi 2 Point dégalité subjective –PSE : moyenne Seuil de discrimination – T = x 55 mm 0.04 x 55 mm 27

28 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Integration visuo-haptique 28 0% 67% 133% 200%

29 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » % 67% 133% 200% Comparaison modèle - données 29

30 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » Moyennes prédites - observées

31 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » JND Variances prédites - observées

32 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Questions, critiques ? 32

33 Julien Diard LPNC-CNRS Cours 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 laction –Introduction au contrôle moteur –Modèle de minimum variance Modélisation de la perception et de laction: boucles sensorimotrices –Exemple : modélisation de lécriture –Questions ouvertes 33

34 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Perception multi-sensorielle En psychophysique –Ernst & Banks –JND, PSE, … En psychologie cognitive ? 34 0% 67% 133% 200%

35 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception visuo-acoustique de voyelles 35

36 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Perception audiovisuelle 36

37 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Perception audiovisuelle 37

38 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Remarque 38

39 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne de la perception audiovisuelle Trois modèles bayésiens –Modèle M 0 –Modèle M 1 –Modèle M 2 Comparaison bayésienne des modèles 39

40 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Espace interne de M 0 40

41 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle M0 41

42 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle M0 42

43 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle M0 43

44 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle M0 : résultats 44

45 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle M1 45

46 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle M1 : résultat 46

47 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle M2 47

48 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle M2 : résultat 48

49 Julien Diard LPNC-CNRS Cours 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 laction –Introduction au contrôle moteur –Modèle de minimum variance Modélisation de la perception et de laction: boucles sensorimotrices –Exemple : modélisation de lécriture –Questions ouvertes 49

50 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Question ouverte De nombreux exemples dapplication du modèle de fusion Limite de validité du modèle ? Valeur dun modèle qui sapplique partout ? 50

51 Julien Diard LPNC-CNRS Cours 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 laction –Introduction au contrôle moteur –Modèle de minimum variance Modélisation de la perception et de laction: boucles sensorimotrices –Exemple : modélisation de lécriture –Questions ouvertes 51

52 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation du contrôle Mouvements de pointage, volontaire, chez lhumain Etude des régularités –Lois du mouvement Hypothèses sur les mécanismes –Modèles (neuro)cognitifs 52

53 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » lois Isochronie Loi de Fitts Loi de la puissance 2/3 53

54 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » Tâche : Saisie dun cylindre à différentes distances (40,32,25) Résultats : Temps similaire/augmentation de la vitesse LIsochronie : la durée du mouvement reste stable quelque soit lamplitude du mouvement Ex : Saisie (Jeannerod 1984) La durée du mouvement semble fixée à lavance Palluel-Germain, 08 Vitesse (cm/s) Durée (ms)

55 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Cible de taille W à une distance D 55

56 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » Loi de puissance de 2/3 V(t) = K * R(t) 1-β K = gain de vitesse V(t) = vitesse du mouvement R(t) = rayon de courbure 1-β = 1/3

57 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèles de planification de mouvements 57 Planification de mouvement = Sélection dune trajectoire selon un coût

58 Julien Diard LPNC-CNRS Cours 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 saccompagnent toutes dun profil de vitesse en cloche. Au contraire, lorsque les mouvements sont décrits selon leur trajectoire articulaire une grande variabilité est observée 58

59 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Espaces de contrôle Planification intrinsèque –Espace articulaire Planification extrinsque –Espace cartésien 59

60 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » Trajectoire observée Changement angulaire des articulations Daprès Hollerbach & Atkeson (1986) Modèle dinterpolation linéaire dans lespace articulaire

61 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modèle dinterpolation linéaire dans lespace articulaire 61 β α

62 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

63 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Espace de travail Minimisation des dérivées de lendpoint –n=2 minimum acceleration –n=3 minimum jerk –n=4 minimum snap 63

64 Julien Diard LPNC-CNRS Cours 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)

65 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Espace des couples moteurs Minimisation des couples z i générés à chaque articulation 65

66 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Minimum variance Bruit dépendant du signal (signal dependent noise SDN) 66

67 Julien Diard LPNC-CNRS Cours 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 laction –Introduction au contrôle moteur –Modèle de minimum variance Modélisation de la perception et de laction: boucles sensorimotrices –Exemple : modélisation de lécriture –Questions ouvertes 67

68 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation bayésienne dune boucle sensorimotrice : application à lécritureModélisation bayésienne dune boucle sensorimotrice : application à lécriture 68

69 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Equivalence motrice 69

70 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

71 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

72 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

73 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

74 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

75 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

76 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

77 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

78 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

79 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

80 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

81 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

82 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

83 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne »

84 Julien Diard LPNC-CNRS Cours 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 laction –Introduction au contrôle moteur –Modèle de minimum variance Modélisation de la perception et de laction: boucles sensorimotrices –Exemple : modélisation de lécriture –Questions ouvertes 84

85 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Questions ouvertes Modélisation bayésienne de boucles sensorimotrices Vraiment ? 85

86 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Boucle ouverte 86 muscles Motor commands force Body part State change

87 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » muscles Motor commands force Body part State change Sensory system Proprioception Vision Audition Measured sensory consequences Integration Tps Vitesse Boucle fermée

88 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » muscles Motor commands force Body part State change Sensory system Proprioception Vision Audition Measured sensory consequences Integration 40 ms 100 ms ???

89 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » musclesMotor commands force Body part State change Sensory system Proprioception Vision Audition Measured sensory consequences Forward model Predicted sensory consequences Integration Belief What we sense depends on what we predicted

90 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » Expérience de saisieExpérience dauto chatouillage

91 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Modélisation dune boucle sensorimotrice Apprentissage = passage dune boucle fermée à une boucle ouverte ? 91

92 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Une boucle vs. des boucles Hiérarchie de boucles Constantes de temps Apprentissage hiérarchique 92

93 Julien Diard LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » 2009 Merci de votre attention ! Questions ?


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

Présentations similaires


Annonces Google