Des chercheurs imitent l’hippocampe humain pour améliorer la navigation autonome

Des chercheurs de HBP à l’Institut de biophysique du Conseil national de la recherche (IBF-CNR) à Palerme, en Italie, ont imité l’architecture neuronale et les connexions de l’hippocampe du cerveau pour développer une plate-forme robotique capable d’apprendre comme le font les humains pendant que le robot navigue autour d’un espace.

L’hippocampe simulé est capable de modifier ses propres connexions synaptiques lorsqu’il déplace un robot virtuel semblable à une voiture. Surtout, cela signifie qu’il n’a besoin de naviguer vers une destination spécifique qu’une seule fois avant de pouvoir se souvenir du chemin. Il s’agit d’une nette amélioration par rapport aux méthodes de navigation autonomes actuelles qui reposent sur l’apprentissage en profondeur et qui doivent plutôt calculer des milliers de chemins possibles.

« Il existe d’autres systèmes de navigation qui simulent le rôle de l’hippocampe, qui agit comme une mémoire de travail pour le cerveau. Cependant, c’est la première fois que nous sommes capables d’imiter non seulement le rôle mais aussi l’architecture de l’hippocampe, jusqu’à les neurones individuels et leurs connexions », expliquent Michele Migliore et Simone Coppolino de l’IBF-CNR, qui ont publié leurs découvertes dans la revue Les réseaux de neurones.

« Nous l’avons construit en utilisant ses blocs de construction fondamentaux et ses caractéristiques connues dans la littérature, telles que les neurones qui codent pour les objets, les connexions spécifiques et la plasticité synaptique. » S’inspirant de la biologie, les chercheurs ont pu utiliser des ensembles de règles de navigation différents de ceux utilisés par les plateformes d’apprentissage en profondeur.

Pour atteindre une destination spécifiée, un système d’apprentissage en profondeur calcule les chemins possibles sur une carte et leur attribue des coûts, en choisissant éventuellement le chemin le moins cher à suivre. Il est en effet basé sur des essais et des erreurs et nécessite des calculs approfondis : des décennies d’études ont été consacrées à la réduction de la quantité de travail pour le système.

« Notre système, au contraire, base son calcul sur ce qu’il peut voir activement à travers sa caméra », expliquent les chercheurs. « Lorsqu’il navigue dans un couloir en forme de T, il vérifie la position relative des points de repère clés (dans ce cas, des cubes colorés). Il se déplace au hasard au début, mais une fois qu’il est capable d’atteindre sa destination, il reconstruit une carte réarrangeant les neurones. dans son hippocampe simulé et en les attribuant aux points de repère. Il n’a besoin de suivre qu’une seule fois l’entraînement pour pouvoir se rappeler comment se rendre à destination.

Cela ressemble plus à la façon dont les humains et les animaux se déplacent – lorsque vous visitez un musée, vous vous promenez d’abord dans l’endroit, sans connaître votre chemin, mais si vous devez ensuite revenir à une exposition spécifique, vous vous souvenez immédiatement de toutes les étapes nécessaires. La plate-forme robotique et la simulation de l’hippocampe ont d’abord été mises en œuvre via l’infrastructure de recherche numérique EBRAINS, qui a ensuite permis aux chercheurs de construire et de tester un robot physique dans un couloir réel.

« La reconnaissance d’objets était basée sur une entrée visuelle via la caméra du robot, mais elle pouvait en théorie être calibrée sur le son, l’odeur ou le mouvement : la partie importante est l’ensemble de règles de navigation d’inspiration biologique, qui peuvent être facilement adaptées à de multiples environnements et entrées. . »

Un autre membre du laboratoire de Migliore, Giuseppe Giacopelli, travaille actuellement à rendre le système adapté à une utilisation industrielle en codant pour la reconnaissance de formes spécifiques. « Un robot travaillant dans un entrepôt pourrait se calibrer et se souvenir de la position des étagères en quelques heures seulement », explique Migliore. « Une autre possibilité est d’aider les malvoyants, de mémoriser un environnement domestique et d’agir comme un chien-guide robotique. »

Fourni par Human Brain Project