Soutenance de thèse de Marianne JARRY

L’objectif de la thèse présentée ici est double. D’un point de vue théorique, il s’agit de proposer un modèle unifié de l’anticipation en rassemblant les phénomènes anticipatoires, étudiés jusqu’alors de manière discrète, autour d’une définition universelle de l’anticipation humaine. Dans un cadre plus appliqué, le but de nos travaux est d’implémenter ce modèle au sein de véhicules autonomes à base d’intelligence artificielle. Les résultats de six études expérimentales, élaborées autour de paradigmes expérimentaux originaux et élégants, montrent (1) la nature universelle de l’anticipation visuospatiale (2) la double composante automatique et pénétrable des processus anticipatoires (mobilisation des ressources attentionnelles, implication dans l’action) et (3) les limites temporelles et quantitatives de l’anticipation humaine. Une de ces études propose un paradigme expérimental spécifiquement conçu pour mesurer l’anticipation par un dispositif d’eye-tracking afin d'entrainer un algorithme d'apprentissage automatique (machine learning). Considérés ensembles, les résultats obtenus dans la thèse présentée ici soutiennent l’intérêt scientifique et opérationnel d’un modèle universel de l’anticipation humaine, modèle intégrable in fine à tous les systèmes autonomes guidés par de l’intelligence artificielle.

The objective of the thesis presented here is twofold. From a theoretical standpoint, it aims to propose a unified model of anticipation by bringing together anticipatory phenomena, previously studied discretely, around a universal definition of human anticipation. In a more applied context, the goal of our work is to implement this model within artificial intelligence-based autonomous vehicles. The results of six experimental studies, designed around original and elegant experimental paradigms, demonstrate (1) the universal nature of visuospatial anticipation, (2) the dual automatic and penetrable components of anticipatory processes (mobilization of attentional resources, engagement in action), and (3) the temporal and quantitative limits of human anticipation. One of these studies introduces an experimental paradigm specifically designed to measure anticipation using an eye-tracking device to train a machine learning algorithm. Taken together, the results obtained in the thesis presented here support the scientific and operational value of a universal model of human anticipation, a model that can ultimately be integrated into all autonomous systems guided by artificial intelligence.