Étude sur l'intérêt des modèles biologiques de réseaux de neurones pour la synthèse de rythmes locomoteurs adaptatifs
Bibliographic record
Abstract
Cet article présente les résultats d'une étude qui vise à accroître la capacité d'adaptation des robots à pattes. Le contrôleur est constitué d'un réseau de neurones, synthétisé par algorithme évolutionniste, auxquels des mécanismes adaptatifs inspirés de la biologie sont incorporés. Nous comparons les performances des contrôleurs suivant trois modèles de neurones à complexité biologique croissante. Sur l'exemple de la commande du déplacement d'une structure monopode à trois degrés de liberté, nous montrons l'intérêt des modèles à dynamique interne dont les paramètres sont calculés à partir de mécanismes inspirés de la biologie plutôt que d'être calculés par évolution artificielle. Nous incorporons ensuite ces mécanismes dans un contrôleur neuronal qui commande la vitesse du robot monopode glissant sur un rail et soumis à des perturbations externes. Nous montrons que ces mécanismes permettent l'adaptation en ligne du contrôleur donc de l'allure du cycle de locomotion et qu'ils maintiennent la performance en vitesse du robot.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".