Published on 20 May 2016
Research
(C) Guillaume MOULIN / Flickr

Pour déterminer comment le cerveau contrôle les mouvements corporels, des chercheurs de l’Université Paris-Sud et de CentraleSupélec font jongler des hommes et des robots.

Alors que Roland Garros bat son plein à Paris, Isabelle Siegler préfère, elle, regarder les balles rebondir dans son laboratoire, le CIAMS1 de l’Université Paris-Sud, membre de l’Université Paris-Saclay. C’est ici que, grâce à des pastilles réfléchissantes, des caméras infrarouges et des environnements virtuels, son équipe étudie comment nous bougeons et interagissons avec l’environnement en mouvement, et plus spécifiquement les liens entre nos perceptions et nos actions.

« Finalement, bouger, c’est utiliser des informations sensorielles pour coordonner ses gestes », explique celle qui se définit comme « une expérimentatrice » en Sciences du Mouvement Humain2. Elle a ainsi décidé de s’intéresser à la détection d’informations sensorielles et à la motricité pris comme un tout indissociable, contrairement à ce qui se fait souvent. Elle a donc proposé à de jeunes adultes d’effectuer une tâche particulière : utiliser un bras à retour d’effort ou une vraie raquette pour animer une raquette virtuelle et faire rebondir une balle virtuelle. Une sorte de jonglerie avec une seule balle, que les anglophones appellent « ball bouncing ». Ce geste « paraît simple mais pose de nombreuses questions » : par exemple, quelle information le cerveau utilise-t-il pour accomplir ce mouvement ?

En effet, il y a beaucoup de variables disponibles dans le mouvement de la balle, dont certaines partiellement redondantes, comme la vitesse de la balle, sa position, la durée de montée de la balle, etc. En particulier, le cerveau connaît-il la valeur de la gravité et l’utilise-t-il pour préparer le geste de frappe ? Les scientifiques ne sont pas tous d’accord là-dessus. La vision « computationnelle » veut que le cerveau possède un modèle interne de la gravité et effectue des calculs prédictifs complexes pour la prendre en compte. Mais Isabelle Siegler penche plutôt en faveur de la conception opposée : l’individu prélève dans l’environnement sensoriel très riche des variables dites « informationnelles » auxquelles il  synchronise ses mouvements pour atteindre l’objectif voulu.

Pour trancher, l’équipe développe actuellement un modèle et des simulations du contrôle du mouvement du bras lors de la jonglerie, en utilisant des concepts et des outils de l’approche système et de la robotique, grâce à une collaboration avec Maria Makarov et Pedro Rodriguez-Ayerbe du L2S1 de CentraleSupélec, un autre membre de l’Université Paris-Saclay . Une bourse du programme « Initiative Doctorale Interdisciplinaire » de l’Université Paris-Saclay a été accordée à Guillaume Avrin pour faire sa thèse sur ce projet. Ce modèle qui ne « connaît pas la gravité » sera aussi utilisé pour commander un robot jongleur. Ainsi, « si le robot est capable de jongler avec la balle, c’est qu’un modèle interne de gravité n’est pas forcément nécessaire pour frapper la balle au bon moment ».

Modèle de contrôle bio-inspiré du ball bouncing

Le modèle utilise un CPG, pour « Central Pattern Generator », c’est-à-dire un générateur de rythme. Un tel générateur existe naturellement chez les mammifères, et probablement chez l’humain : c’est un réseau de neurones qui entretient une oscillation ou un mouvement rythmique comme la marche. Ou le jonglage à une balle.

Utiliser un tel modèle de CPG pour contrôler des mouvements rythmiques de robots peut permettre de simplifier certaines lois de commandes de robots anthropomorphes. En effet, l’être humain exploite instinctivement les solutions les plus intéressantes pour un problème donné (parfois après apprentissage) et les scientifiques veulent se rapprocher autant que possible d’un comportement humain. En particulier, le modèle reproduit la dynamique et les propriétés neurophysiologiques des réseaux de neurones, y compris la fatigue que peut rencontrer un neurone trop souvent sollicité.

Expérience de ball bouncing virtuelle @SieglerCe modèle, le premier à utiliser un CPG modulé par des informations visuelles, s’appuie sur les données issues des expériences menées sur les jeunes adultes. Pour déterminer les paramètres pris en compte par le cerveau, les expérimentateurs pouvaient perturber le mouvement de la balle et modifier artificiellement la gravité, afin que la balle ne se trouve pas là où le volontaire l’attendait. Par exemple, le scientifique peut faire en sorte que la balle arrive plus haut que s’il n’y avait pas eu de perturbation, mais dans le même temps. Si la personne réagit à cette divergence et comment elle réagit donnent des indices sur l’information qui a été prise en compte.

Une fois le modèle optimisé et capable de reproduire les expérimentations, c’est-à-dire de jongler tout seul, il lui faudra faire des prédictions vérifiables par une autre expérience. Alors seulement, les scientifiques pourront trancher sur l’existence d’un modèle interne de gravité. Pour aller plus loin, les scientifiques envisagent aussi de tester la nécessité d’un couplage continu avec la balle : que se passe-t-il si le volontaire, ou le bras robotisé, ne voit pas la balle tout le temps ? De quoi rêver aussi d’un robot capable de rivaliser avec les grands tennismen qui s’épuisent en ce moment sur les courts de Roland Garros.

 

1 Le CIAMS et le L2S font partie des membres fondateurs de la Fédération Demenÿ-Vaucanson (FéDeV), une structure fédérative de recherche dont la mission est de structurer la communauté scientifique de Paris-Saclay dans le domaine des sciences du mouvement.

2 Isabelle Siegler est aussi maître de conférence à  l’UFR STAPS de l’Université Paris-Sud, membre de l’Université Paris-Saclay, et responsable des masters 1 et 2 STAPS: Ingénierie et Sciences du Mouvement Humain (ISMH).

 

Pour en savoir plus :

G. Avrin, M. Makarov, P. Rodriguez-ayerbe, and I. A. Siegler, Particle Swarm Optimization of Matsuoka’s oscillator parameters in human-like control of rhythmic movements, Proc. IEEE Am. Control Conf. [Accepted], 2016.

I. A. Siegler, C. Bazile, and W. H. Warren, ‘Mixed’ Control for Perception and Action : Timing and Error Correction in Rhythmic Ball-Bouncing, Exp. Brain Res., pp. 1–35, 2013