Service Communautaire d'Information sur la Recherche et le Développement - CORDIS

Comment les asticots influencent le futur de la robotique

Que peuvent apprendre les concepteurs de logiciel et spécialistes de TIC des asticots? Beaucoup de choses, il semblerait. En comprenant comment les processus d'apprentissage fonctionnent dans des organismes simples, des scientifiques financés par l'UE espèrent entamer une ère de robots d'auto-apprentissage et d'informatique prédictive.
Comment les asticots influencent le futur de la robotique
Les animaux (qu'ils soient simples ou complexes) présentent une capacité d'apprentissage remarquable. Même avec une puissance cérébrale restreinte, un organisme peut prendre la bonne décision en réponse à des stimuli externes, ce que la théorie d'apprentissage informatique actuelle a encore du mal à appréhender.

Apprendre grâce aux asticots

Le projet MINIMAL financé par l'UE, lancé en 2014, s'est concentré sur les processus d'apprentissage d'un animal relativement simple, la larve de la mouche à fruits (asticots). Malgré ses 10 000 neurones en moins, cette créature est capable d'apprendre de façon rapide et flexible certains indices qui la conduisent vers les bonnes choses et l'éloignent des mauvaises.

«Comprendre les mécanismes spécifiques responsables de ce processus d'apprentissage pourrait avoir d'importantes applications pour la technologie, comme le développement de petits dispositifs robotiques d'auto-apprentissage», explique la coordinatrice du projet MINIMAL, le professeur Barbara Webb de la faculté d'informatique à l'université d'Édimbourg, au Royaume-Uni.

«Cela permettrait, par exemple, de développer de petits robots peu coûteux utilisables dans l'agriculture de précision, capables d'apprendre quelles plantes ont besoin de fertilisant ou d'irrigation. Ces apports seront alors fournis uniquement à l'endroit et au moment nécessaires. Notre idée principale est que ces systèmes, petits mais actifs, peuvent, comme les animaux, distinguer localement et ne mémoriser que les indices efficaces nécessaires pour la tâche en cours.»

L'humble asticot a été sélectionné par Webb et son équipe car ils ont pu surveiller de près et contrôler le comportement de l'animal et ses processus cérébraux dans les plus infimes détails. Ils ont pu suivre tout le processus par lequel ces animaux peuvent apprendre de nouvelles odeurs qui les conduisent à de bons aliments (comme le sucre) et les éloignent des mauvais (comme la quinine).

«Nous avons découvert que certaines cellules cérébrales uniques spécifiques suffisent, lorsqu'elles sont activées, pour que la larve apprenne qu'une odeur particulière est bonne», affirme Webb. «Nous prévoyons d'étudier cela plus avant à l'aide d'une nouvelle méthode développée dans le cadre du projet MINIMAL, qui montre l'activité de cellules cérébrales spécifiques en les éclairant, que nous pouvons suivre même si la larve circule librement. Nous ne nous attendions vraiment pas à ce que cette récente méthode fonctionne ainsi. Il s'agit donc d'un des éléments les plus satisfaisants du projet jusqu'à présent.»

Opportunités d'information

Les travaux de l'équipe du projet sur le processus d'apprentissage de l'asticot pourraient également bénéficier à d'autres domaines. «Bien que notre objectif principal était de démontrer ces capacités dans des systèmes robotiques réels, on peut trouver des parallèles dans l'environnement de l'information», ajoute Webb.

Par exemple, alors que les tendances informatiques actuelles reposent souvent sur les big data, on remarque que dans la nature, les animaux assimilent souvent très peu de données pour prévoir des associations (comme la capacité de l'asticot à détecter les bons aliments). Comprendre comment cela fonctionne pourrait avoir un impact sur le développement d’interfaces logicielles et informatiques capables d’anticiper les prochaines actions de l'utilisateur.

En se projetant encore plus vers l'avenir, il pourrait même être un jour possible que les larves elles-mêmes soient des appareils computationnels, capables d'effectuer des tâches critiques de traitement du signal.

«La prochaine étape est de consolider nos résultats en un modèle de mécanisme d'apprentissage neural de la larve et de le tester sur un robot», affirme Webb. «Nous avons également développé un robot asticot souple, mais son mouvement était difficile à contrôler. L'apprentissage biologique pourrait être la réponse, et nous sommes certains que ces robots ont le potentiel d'une gamme d'applications.»

Le projet MINIMAL est prévu de s'achever fin 2016.

Pour plus d'informations, veuillez consulter:
site web du projet MINIMAL

Source: D'après un entretien avec le coordinateur du projet

Informations connexes