Modélisation de l'action jointe avec apprentissage par renforcement pour la variabilité inter- et intra- personnelle // modeling joint action reinforcement learning under inter- and intra- personal variability

Topic description

Bien que des recherches récentes en robotique sociale se soient intéressées au fait de doter un robot de la capacité à trouver un
équilibre entre des mouvements expressifs et des mouvements fonctionnels (visant uniquement à résoudre une tâche) dans les tâches
d'actions jointes, en utilisant notamment l'apprentissage par renforcement (voir, par exemple, Hu et al., ), ces travaux ne
concernent pas l'adaptabilité du robot à la situation d'interaction.
L'approche adoptée consiste généralement à doter le robot d'un répertoire de comportements prédéfinis, comportements qui ne sont
peut-être pas toujours adaptés si l'on tient compte des différences entre les différents sujets humains (inter-variabilité). De plus, les
approches ne considèrent pas non plus la variabilité pour un même sujet (intra-variabilité), au sens où les motivations, les envies,
l'attention d'un sujet varient au cours du temps. De notre point de vue, ces approches n'abordent pas toute la complexité de la question
de l'interaction jointe en robotitque sociale.
Ainsi, l'originalité du travail de thèse que nous proposons consiste à étudier la co-adaptation humain-
robot 'en-ligne' dans l'interaction expressive. Nous aimerions explorer l'utilisation du cadre général de l'apprentissage par renforcement
(Sutton et Barto, ) pour modéliser le problème de l'adaptation comme un processus d'optimisation stochastique, prenant ainsi en
compte la variabilité inter- et intra-sujet pour les scénarii d'interaction d'action conjointe.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Although recent studies in social robotics have addressed the problem of providing the robot with the ability to balance between motion
expressiveness and function in achieving joint tasks (e.g. in Hu et al., ) using, for example, reinforcement learning, they do not
consider the adaptability of the robot to the situation. The approach adopted consists in endorsing the robot with a predefined behavior
repertory, with may not be suitable when considering human inter-variability. Also, the approach does not consider intra-subject
variability, in the sense that humans continuously fluctuate in mood, awareness, and motivation; which results in our opinion in a
somewhat narrow perspective for social robotics in joint action interaction with humans.
Therefore, the originality of the thesis work we propose consists in investigating online human-robot
co-adaptation in expressive interaction. We would like to explore using the general framework of Reinforcement Learning (Sutton and
Barto, ) to model the adaptation problem as a stochastic optimization process, thus taking into account both inter- and intra-subject
variability for joint action interaction scenarios.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Concours pour un contrat doctoral