L'affordance en tant que fonction de valeur générale : un modèle computationnel

Résumé :

Dans la littérature sur l'apprentissage par renforcement (RL), les fonctions de valeur générale (GVF) sont des résumés prédictifs à long terme des résultats des agents qui suivent des politiques spécifiques dans l'environnement. Les affordances, en tant que possibilités d'action perçues avec une valence spécifique, peuvent être transformées en bonté prédite par rapport aux politiques et modélisées en tant que fonctions de valeur générale. Une explication systématique de cette connexion montre que les GVFs et en particulier leurs incarnations d'apprentissage profond (1) réalisent la prédiction d'affordance comme une forme de perception directe, (2) éclairent la connexion fondamentale entre l'action et la perception dans l'affordance, et (3) offrent un moyen évolutif d'apprendre les affordances en utilisant des méthodes RL. Grâce à un examen approfondi de la littérature existante sur les applications des GVF et des recherches représentatives sur les affordances en robotique, nous démontrons que les GVF fournissent le cadre adéquat pour l'apprentissage des affordances dans les applications du monde réel. En outre, nous mettons en évidence quelques nouvelles pistes de recherche ouvertes par la perspective de "l'affordance en tant que GVF", notamment l'utilisation des GVF pour orchestrer des comportements complexes.