Intrinsically Motivated Goal Exploration in Child Development and Artificial Intelligence : Learning and Development of Speech and Tool Use

Les bebes et enfants humains sont curieux, ils explorent activement leur monde. Un de leurs defis est l'apprentissage des relations de causalite entre leurs actions, telles que l'utilisation d'outils ou de leur voix, et les changements dans l'environnement. Les motivations intrinseques ont ete peu etudiees en psychologie du developpement, si bien que leurs mecanismes sont meconnus. D'autre part, la plupart des agents artificiels et robots apprennent d'une maniere tres differente de celle des enfants humains. Cette these presente deux objectifs complementaires : d'une part la comprehension du role des motivations intrinseques dans le developpement de la parole et de l'utilisation des outils chez l'enfant a travers la modelisation robotique, et d'autre part l'amelioration des capacites des robots a apprendre a parler et a utiliser des outils grâce a une inspiration par les mecanismes d'exploration et d'apprentissage humains. La premiere partie de ce travail concerne donc la comprehension et modelisation des motivations intrinseques chez l'humain. Nous reanalysons une experience d'evaluation des capacites d'utilisation des outils par les enfants, et montrons que les motivations intrinseques semblent jouer un role important dans les comportements observes et meme interferer avec les mesures de succes dans la tâche. Avec un modele robotique, nous montrons qu'une motivation intrinseque basee sur le progres a atteindre ses propres buts, couplee a une representation modulaire de ces buts peut auto-organiser des phases de comportements dans le developpement des precurseurs de l'utilisation d'outils qui ont des proprietes en commun avec le developpement des outils chez les enfants. Nous presentons le premier modele robotique de l'apprentissage de la parole et de l'utilisation des outils a partir de zero, qui permet de predire que l'exploration des objets physiques dans un scenario d'interaction sociale accelere l'apprentissage de la vocalisation de sons particuliers pour le nom de ces objets en consequence d'une exploration des objets dirigee par les buts. Dans la seconde partie de cette these, nous developpement, formalisons et evaluons les algorithmes definis pour la modelisation du developpement de l'enfant, avec pour but d'obtenir un apprentissage robotique efficace. Nous formalisons ensuite une approche algorithmique appelee Intrinsically Motivated Goal Exploration Processes (IMGEP), qui permet la decouverte et l'acquisition d'un vaste repertoire de competences. Nous demontrons dans differents environnements robotiques dont un avec un robot humanoide que l'apprentissage de divers espaces de buts avec des motivations intrinseques est plus efficace pour l'apprentissage de competences complexes que de seulement s'interesser directement a l'apprentissage de ces competences.