Upload
etienne-hubert
View
108
Download
1
Tags:
Embed Size (px)
Citation preview
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 1
Cours 4
Julien DiardLaboratoire de Psychologie et NeuroCognition – CNRS
UE Cognition bayésienne16/01/2012 (& 19/01/2012)
http://diard.wordpress.com [email protected]
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 2
Plan des cours
1. Introduction à la Programmation Bayésienne : incomplétude, incertitude
2. Programmation bayésienne : exemple détaillé3. Classes de modèles probabilistes, distributions
usuelles, Programmation bayésienne des robots4. Modélisation bayésienne de la perception et de
l’action5. Comparaison bayésienne de modèles6. Compléments : inférence, apprentissage,
principe d’entropie
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 3
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 4
Bayesian Program = Description + Question
Inference
Des
crip
tion
Que
stio
n
Pro
gram
SpecificationSpecification
IdentificationIdentification
• Variables
• Parametrical Forms or Recursive Question
• Decomposition
Preliminary Knowledge
Experimental Data
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 5
Learning Reactive Behaviors
Khepera Robot
• Avoiding Obstacle• Contour Following• Piano mover• Phototaxy• etc.
Lebeltel, O., Bessière, P., Diard, J. & Mazer, E. (2004) Bayesian Robot Programming; Autonomous Robots, Vol. 16, p. 49-79Lebeltel, O. (1999) Programmation bayésienne des robots; Thèse INPG
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 6
• Joystick Remote Control Experimental Data
Des
crip
tion
Des
crip
tion
Que
stio
nQ
uest
ion
Pro
gram
Pro
gram
SpecificationSpecification
IdentificationIdentification
• Variables
Reactive behaviours
rot
- +
0
1
2 3
5
4
67
dir
prox
dir =+10
dir =0
dir =-10
Preliminary Knowledge
• Decomposition
€
P Dir∧Prox∧Vrot |δ1∧π( )
€
P Vrot | Dir = d[ ]∧ Prox = p[ ]∧δ1∧π( )
• Parametrical Forms
€
P Dir∧Prox |δ∧π( ) ← Uniform
P Vrot |Dir∧Prox∧δ∧π( ) ← Gaussians€
P Dir∧Prox∧Vrot |δ∧π( )
= P Dir |δ∧π( ) × P Prox |δ∧π( ) × P Vrot |Dir∧Prox∧δ∧π( )€
Dir∧Prox∧Vrot
Utilization
1 pushing obstacles2 contour following3 obstacle avoidance
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 7
Sensor Fusion Model
– No free parameters
Utilization
Des
crip
tion
Des
crip
tion
Que
stio
nQ
uest
ion
Pro
gram
Pro
gram
SpecificationSpecification
IdentificationIdentification
– Variables
– Decomposition (Conditional Independance Hypothesis)
€
P ThetaL∧DistL∧Lm0∧...∧Lm7 |π Fusion( )
= P ThetaL∧DistL |π Fusion( ) × P Lmi |ThetaL∧DistL∧π Fusion( )i= 0
7
∏
€
P ThetaL | lm0∧...∧lm7∧π Fusion( ),P Lm3 | lm2∧lm4∧ThetaL∧π Fusion( )
– Parametrical Forms
€
P ThetaL∧DistL |π Fusion( ) ← Uniform
P Lmi |ThetaL∧DistL∧π Fusion( ) ← P Lmi |ThetaL∧DistL∧δ i∧π Sensor( )
ThetaL, DistL, Lm0, …, Lm7
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 8
L m 2 = 3 9 1 ( c a p t e u r l u m - 1 0 ° )
P ( T h e t a L | L m 2 C p _ l 2 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 3 = 3 7 9 ( c a p t e u r l u m 1 0 ° )
P ( T h e t a L | L m 3 C p _ l 3 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 1 = 4 8 0 ( c a p t e u r l u m - 5 0 ° )
P ( T h e t a L | L m 1 C p _ l 1 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 4 = 4 3 0 ( c a p t e u r l u m 5 0 ° )
P ( T h e t a L | L m 4 C p _ l 4 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 0 = 5 0 9 ( c a p t e u r l u m - 9 0 ° )
P ( T h e t a L | L m 0 C p _ l 0 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 5 = 5 0 3 ( c a p t e u r l u m 9 0 ° )
P ( T h e t a L | L m 5 C p _ l 5 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 7 = 5 1 1 ( c a p t e u r l u m - 1 7 0 ° )
P ( T h e t a L | L m 7 C p _ l 7 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
L m 6 = 5 1 1 ( c a p t e u r l u m 1 7 0 ° )
P ( T h e t a L | L m 6 C p _ l 6 )
0 . 0 0
0 . 1 2
0 . 2 5
0 . 3 7
0 . 5 0
- 1 8 0 - 9 0 - 4 5 0 4 5 9 0 1 7 0
T e t h a = 1 0 , D i s t = 2 0
P ( T h e t a L | L m 0 . . L m 7 C p _ S o u r c e L )
0 . 0 0
0 . 2 5
0 . 5 0
0 . 7 5
1 . 0 0
- 1 8 0 - 9 0 - 5 0 - 1 01 0 5 0 9 0 1 7 0
€
P ThetaL Lm0...Lm7 Cp_SL( ) =1
ZP Lmi ThetaL DistL Cp_li( )
i= 0
7
∏DistL
∑ .
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 9
Object Recognition (Model)
• Identification of the Laplace succession laws and Gaussians
Utilization
Des
crip
tion
Des
crip
tion
Que
stio
nQ
uest
ion
Pro
gram
Pro
gram
SpecificationSpecification
IdentificationIdentification
• Variables
• Decomposition (Conditional Independance Hypothesis)
• Parametrical Forms
Nlt, Nrt, Per, Llsl, O = {0, 1, 2, …}
€
P O∧Nrt∧Nlt∧Per∧Llsl |δ∧π( )
= P O |δ∧π( ) × P Nrt |O∧δ∧π( ) × P Nlt |O∧δ∧π( )
× P Per |O∧δ∧π( ) × P Llsl |O∧δ∧π( )
€
P O |δ∧C( ) = Uniform
€
P O | nlt∧nrt∧per∧llsl∧δ⊗π( )
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 10
Bayesian BotSpecificationP
rogr
am
Des
crip
tion
Que
stio
n
Utilization
Identification
• Variables
• Decomposition
• Parametric Forms
• Playing: P(St+1 |St L W FW N FN PW PL)
• Perception: L Life, W Weapon, FW Foe Weapon, N Noise, FN Foe Number, PW Proximity Weapon, PL Proximity Life
• State: St, St+1 {Attack, Weapon Search, Life Search, Exploration, Escape, Danger Detection}
P(St St+1 L W FW N FN PW PL) = P(St) P(St+1 | St) P(L | St+1) P(W | St+1) P(FW | St+1) P(N | St+1) P(FN | St+1) P(PW | St+1) P(PL | St+1)
Tables
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 11
P Vrot Vtrans px0..px7 lm0..lm7 veille feu obj? eng tach_t -1 td_t -1 tempo tour dir prox dirG proxG vtrans_c dnv mnv mld per
πWatchman
⎛
⎝ ⎜ ⎜
⎞
⎠ ⎟ ⎟
=1Z
P Td Tach
td_t - 1 tempo tour πMoove
⎛
⎝ ⎜
⎞
⎠ ⎟
P Tach
Base
veille feu obj?
eng tach_t - 1
πTask
⎛
⎝
⎜ ⎜ ⎜
⎞
⎠
⎟ ⎟ ⎟
P Base px0...px7
lm0...lm7 πBase
⎛
⎝ ⎜
⎞
⎠ ⎟
⎛
⎝
⎜ ⎜ ⎜ ⎜ ⎜ ⎜
⎞
⎠
⎟ ⎟ ⎟ ⎟ ⎟ ⎟
Base∑
⎛
⎝
⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜
⎞
⎠
⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟
Tach∑
P ThetaL DistL lm0..lm7 πFusion( )DistL∑
P H prox πHoming( )
P Vrot Vtrans H Td ThetaL
dir prox dirG proxG vtrans_c πWatchman
⎛
⎝ ⎜
⎞
⎠ ⎟
⎛
⎝
⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜
⎞
⎠
⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟
TdThetaL H
∑ .
• Inférence exacte – sommation, propagation
des incertitudes
• Inférence approximée– décisions intermédiaires
(tirage de points), propagation d’une partie des incertitudes
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 12
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 13
Pour aller plus loin…• Reviews, introductions, …
– Numéro spécial Trends in Cognitive Sciences 2006, 10(7)– l’édito : N. Chater, J. B. Tenenbaum, and A. Yuille. Probabilistic models of cognition:
Conceptual foundations. Trends in Cognitive Sciences, 10(7):287–291, 2006.
– F. Colas, J. Diard, and P. Bessière. Common bayesian models for common cognitive issues. Acta Biotheoretica, 58(2-3):191–216, 2010.
• ambiguities, fusion, multimodality, conflicts, modularity, hierarchies and loops
– N. Chater, M. Oaksford, U. Hahn, and E. Heit. Bayesian models of cognition. WIREs Cognitive Science, 1(6), 2010.
• plus « cognitif » : categorization, learning and causality, language processing, inductive and deductive reasoning, argumentation
– R.A. Jacobs and J.K. Kruschke. Bayesian learning theory applied to human cognition. WIREs Cognitive Science, 2010.
– M. Jones and B. Love. Bayesian fundamentalism or enlightenment? on the explanatory status and theoretical contributions of bayesian models of cognition. Behavioral and Brain Sciences, 34:169–231, 2011.
• Article cible BBS, suivi de commentaires
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 14
Pour aller plus loin…
• Modèles sensori-moteurs en robotique– O. Lebeltel, P. Bessière, J. Diard, and E. Mazer. Bayesian robot
programming. Autonomous Robots, 16(1):49–79, 2004.
• Modèles sensoriels et moteurs en sciences du vivant– D. Kersten, P. Mamassian, and A. Yuille. Object perception as bayesian
inference. annu Rev Psychol, 55:271–304, 2004.– D. M. Wolpert. Probabilistic models in human sensorimotor control. Human
Movement Science, 26:511–524, 2007.
• Statistiques bayésiennes– J. K. Kruschke. Bayesian data analysis. WIREs Cognitive Science, 1:658–676,
2010.– J. K. Kruschke. What to believe: Bayesian methods for data analysis. Trends
in Cognitive Science, 14:293–300, 2010.
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 15
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 16
Modélisation de la perception multi-
• Multi-?– Intramodale : multi-indice– Multimodale : multi-sensorielle
• Modèle de pondération linéaire
(Lambrey, 2005)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 17
Modèle de pondération sensorielle
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 18
Modélisation de la
perception• Perception
– Un problème inverse (Poggio, 1984)
• Modèle bayésien– Inversion + hypothèse
d’indépendance conditionnelle–
S1
S2
Sn
V
S1S2Sn
V?
stimulus
sensations
perception
€
P S1S2...SnV |C( )
= P V |C( )P S1 |VC( )P S2 |VC( )...P Sn |VC( )
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 19
€
P S1S2...SnV |C( )
= P V |C( )P S1 |VC( )P S2 |VC( )...P Sn |VC( )
• Vision– Perception des plans : préférence pour des
plans rigides, stationnaires (Colas, 06)– Perception des formes (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
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 20
Ambigüités
• P(V | S) – inversion de P(S
| V)– Distribution à
plusieurs pics : ambigüité
• Cas classique– image rétinienne
2 D objet réel en 3D
Cube de Necker
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 21
Forme tirée du mouvement
MPI-BC
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 22
Forme tirée du mouvement
MPI-BC
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 23
Forme tirée des ombres
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 24
€
P S1S2...SnV |C( )
= P V |C( )P S1 |VC( )P S2 |VC( )...P Sn |VC( )
• Proprioception (Laurens, 07)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 25
€
P S1S2K SnV |C( )
= P V |C( )P S1 |VC( )P S2 |VC( )K P Sn |VC( )
• Fusion multi-indices– Haptique : géométrie et force (Drewing &
Ernst, 06)– Vision (Kersten et al., 04)
• Fusion multi-sensorielle– Visuo-acoustique
• Localisation de sources (Alais and Burr, 04, Battaglia et al., 03; Körding et al., 07, Sato et al., 07)
• Reconnaissance de voyelles (Gilet, 06)
– Visuo-haptique (Ernst & Banks, 02)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 26
Fusion visuo-acoustique :effet McGurk
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 27
Effet McGurk
• Audio : ba– Lèvres fermées
• Vidéo : /ga/– Lèvres ouvertes
• Situation de conflit : perception /da/
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 28
Fusion trimodale
• Stimuli audio, visuels et tactiles• Tâche : compter dans chaque
modalité
(Wozny, Beierholm and Shams, 2008)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 29
Fusion trimodale
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 30
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 31
Nature, 429–433, 2002
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 32
Humans integrate visual and haptic information in a
statistically optimal fashion
• Mécanisme d’integration visuo-haptique par fusion de gaussiennes
• Utilisé par les humains
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 33
Plan
• Protocole expérimental• Modèle bayésien de fusion
capteurs• Comparaison du modèle au
données
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 34
Matériel expérimental
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 35
Stimuli visuels
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 36
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 ?
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 37
Cas mono-modal
• 2 barres en séquence– L’une à 55 mm (standard stimulus)– L’autre de taille variable, entre 47 et
63 mm (comparison stimulus)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 38
Cas mono-modal
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 39
Cas multi-modal• 2 barres en séquence
– L’une composée d’une taille visuelle SV et d’une taille haptique SH
• | SH - SV | = = 0, 3 ou 6 mm
• (SH + SV) / 2 = 55 mm
standard stimulus– L’autre de taille variable
entre 47 et 63 mm comparison stimulus
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 40
Integration visuo-haptique
0%
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 41
0%67%
Integration visuo-haptique
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 42
0%67%
133%
Integration visuo-haptique
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 43
0%67%
133%200%
Integration visuo-haptique
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 44
Plan
• Protocole expérimental• Modèle bayésien de fusion
capteurs• Comparaison du modèle au
données
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 45
Modèle bayésien de fusion « naïve »
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 46
Modèle bayésien de fusion « naïve »
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 47
Modèle bayésien de fusion « naïve »
• Estimateur de maximum de vraisemblance– – Par opposition à Bayésien
• « Statistiquement optimal »– Moindre variance :
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 48
Plan
• Protocole expérimental• Modèle bayésien de fusion
capteurs• Comparaison du modèle au
données
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 49
Quelles gaussiennes ?
• Choix d’une gaussienne parmi 2– L’inversion est une
sigmoïde…
• Point d’égalité subjective– PSE : moyenne
• Seuil de discrimination–
T = 0.085 x 55 mm
0.04 x 55 mm
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 50
Integration visuo-haptique
• Comparison stimulus – visual and haptic
heights equal– vary in 47-63 mm
• Standard stimulus– visual and haptic
heights differ– Δ = {±6 mm, ±3
mm, 0}– mean is 55 mm
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 51
Integration visuo-haptique
0%67%
133%200%
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 52
0%67%
133%200%
Comparaison modèle - données
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 53
Moyennes prédites - observées
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 54
JND
Variances prédites - observées
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 55
Questions, critiques ?
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 56
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 57
Perception audio-visuelle
• Effet ventriloque
(Alais and Burr, 2004)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 58
Causal inference (Körding et al., 07; Sato et al., 07)
• Y a-t-il une source unique, ou deux sources distinctes ?
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 59
Données expérimentales
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 60
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 61
Modèle ségrégation totaleC=2
Modèle intégration totaleC=1
Modèle « causal inference »C variable inconnue sommation sur C
Modèle « causal inference »sans propagation tirage sur C / max sur C
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 62
Sommation / tirage• P(A B C) = P(A) P(B | A) P(C | B)• Inférence de P(C | A)
A
B
C
Inférence exacte : sommation
Inférence approximée: tirage
Tirer b selon P(B | [A=a])Tirer c selon P(C | [B=b])
Propagation des incertitudesSommation « dictée » par le formalisme, pas par le modèle !
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 63
Pour chaque sujet– Calcul des
paramètres sur la moitié des données : R2 = 0.98
– Validation croisée sur l’autre moitié : R2 = 0.96
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 64
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 65
Question ouverte
• De nombreux exemples d’application du modèle probabiliste de fusion
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 66
Cerveau bayésien ?
• Comment montrer que le traitement est « bayésien » ?
• Les modèles bayésien sont sous-contraints !– Extension de la logique, on
peut donc tout exprimer– Valeur d’un modèle qui
s’applique partout ?
• L’inférence bayésienne est contrainte !– Si on suppose des
gaussiennes, leur fusion est…
– L’inférence implique des marginalisations
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 67
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 68
Modélisation du contrôle
• Mouvements de pointage, volontaire, chez l’humain
• Etude des régularités– Lois du mouvement
• Isochronie, loi de Fitts, loi de la puissance 2/3
• Hypothèses sur les mécanismes – Modèles (neuro)cognitifs
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 69
Modèles de planification de mouvements
Planification de mouvement =Sélection d’une trajectoire selon un coût
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 70
Espaces de contrôle
• Planification intrinsèque– Espace articulaire
• Planification extrinsèque– Espace cartésien
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 71
Observations
• Trajectoires de la main – invariantes et quasiment
rectilignes dans l’espace cartésien
– quelles que soit les positions initiales et terminales du mouvement
– profil de vitesse en cloche
• Dans l’espace articulaire– grande variabilité
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 72
Trajectoire observéeChangement angulaire des articulations
D’après Hollerbach & Atkeson (1986)
Modèle d’interpolation linéaire dans l’espace
articulaire
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 73
Modèle d’interpolation linéaire dans l’espace
articulaire
βα
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 74
Quelle grandeur manipulée par le système
de contrôle ?
+ free energy principle(Friston 10)+ inactivation principle(Berret 08)+ …
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 75
Espace de travail
• Minimisation des dérivées de l’endpoint
– n=2 minimum acceleration– n=3 minimum jerk– n=4 minimum snap
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 76
Minimum jerk
• Prédit des segments droits• Pas observés pour des
mouvements de grande amplitude
Lacquaniti et al. (1986)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 77
Espace des couples moteurs
• Minimisation des couples zi générés à chaque articulation
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 78
Minimum variance
• Bruit dépendant du signal (signal dependent noise SDN)
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 79
Bayesian Decision Theory
• Modèle probabiliste + modèle de coût (reward, cost, loss function)
Prior
Posterior
Likelihood
Cost function
X
X
Bayes theorem Bayesian
decision theory
outputobservation i
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 80
Plan• Résumé + questions !• Modélisation bayésienne de la perception
– Introduction à la perception multi-– Perception visuo-haptique : (Ernst & Banks, 02) détaillé– Causal Inference– Questions ouvertes
• Modélisation bayésienne de l’action– Introduction au contrôle moteur, Modèle de minimum variance
• Modélisation de la perception et de l’action– Exemple : modèles sensoriels et moteurs de la perception et de la
production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 81
• Modélisation bayésienne de la perception et de la production de la parole
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 82
• Modélisation bayésienne d’une boucle sensorimotrice : application à l’écriture
Julien Diard — LPNC-CNRSCours EDISCE/EDMSTII - M2R Sciences Cognitives, « Cognition bayésienne » — 2012 83
Merci de votre attention !
Questions ?