Hybrid sensorimotor performance
Contrôle sensorimoteur hybride
Notre équipe utilise des systèmes hybrides, qui mixent des contrôleurs biologiques avec des dispositifs artificiels, dans le but (i) d’augmenter notre compréhension des mécanismes fondamentaux de contrôle sensorimoteur chez l’homme, et (ii) d’exploiter ces mécanismes pour restaurer ou optimiser nos mouvements. Plutôt que d’être pré-programmé dans le cerveau, la coordination de nos mouvements dépend de boucles sensorimotrices qui opèrent à différents niveaux du système nerveux et de l’appareil moteur. Par exemple, la mécanique de nos muscles fournit une réponse instantanée et fonctionnelle face à de petites perturbations, et les réflexes spinaux et transcorticaux sont capables d’absorber des perturbations plus importantes en coordonnant précisément la réponse de nos muscles. Ces boucles sont typiquement inopérantes dans le cas d’un dispositif artificiel, tel une prothèse dont la mécanique diffère beaucoup de celle du membre original, et qui ne fournit pas de retours sensoriels. Nous utilisons une variété de systèmes hybride en boucle fermé afin d’étudier comment les boucles sensorimotrices de bas niveau interagissent avec la biomécanique de nos membres, comment elles contribuent à la production de mouvements coordonnés, et comment les réintroduire dans des stratégies de contrôle hybrides permettant de restaurer des mouvements.
Axes de recherche
Axes principaux
- Axe 2 : Dynamique des circuits neuronaux
- Axe 3 : Systèmes moteur et sensoriels
- Axe 9 : Neurotechnologies (Développement de nouvelles technologies pour les neurosciences)
Axe secondaire
Mots clés
Apprentissage, Codage et intégration du signal, Comportement, Connectivité, Fonctions exécutives, Formation et fonctionnement des circuits neuronaux, Handicap, Intelligence artificielle et réalité virtuelle, Interfaces humain-machine et Santé connectée, Modélisation des neurones et des réseaux de neurones, Motricité, MouvementSelected publications
-
Perceptually−guided deep neural networks for ego−action prediction: Object grasping.
Gonzalez−Diaz I, Benois−Pineau J, Domenger J−P, Cattaert D, de Rugy A.
Pattern Recognition. 2019-04. 88 : 223-235.
DOI: 10.1016/j.patcog.2018.11.013 -
Reachy, a 3D-Printed Human-Like Robotic Arm as a Testbed for Human-Robot Control Strategies.
Sébastien Mick, Mattieu Lapeyre, Pierre Rouanet, Christophe Halgand, Jenny Benois-Pineau, Florent Paclet, Daniel Cattaert, Pierre-Yves Oudeyer, Aymar de Rugy.
Front. Neurorobot.. 2019-08-14. 13
DOI: 10.3389/fnbot.2019.00065 -
Model and experiments to optimize co-adaptation in a simplified myoelectric control system.
M Couraud, D Cattaert, F Paclet, P Y Oudeyer, A de Rugy.
J. Neural Eng.. 2018-01-30. 15 (2) : 026006.
DOI: 10.1088/1741-2552/aa87cf -
Distinct coordinate systems for adaptations of movement direction and extent.
Eugene Poh, Timothy J. Carroll, Aymar de Rugy.
Journal of Neurophysiology. 2017-11-01. 118 (5) : 2670-2686.
DOI: 10.1152/jn.00326.2016 -
Action history influences subsequent movement via two distinct processes.
Welber Marinovic, Eugene Poh, Aymar de Rugy, Timothy J Carroll.
eLife. 2017-10-23. 6
DOI: 10.7554/eLife.26713
Membres de l'équipe
Chercheurs, Praticiens hospitaliers...
Florent Paclet Paclet (Enseignant-chercheur)
Philippe Seyres Philippe (Chercheur associé)
Ingénieur(e)s, technicien(ne)s
Post-doctorant(s)
Doctorant(s)
Neuropsychologue(s) et orthophoniste(s)
Ingénieur(s) hospitalier(s) et ARC