Composer des trajectoires pour une inference rapide des objectifs de navigationComposing trajectories for rapid inference of navigational goals.
- Les souris naïves localisent des cibles spatiales cachées en quelques essais.
- Le modèle utilise des points d'ancrage et un contrôle continu de la vitesse pour générer des trajectoires.
- L'inférence bayésienne sur les trajectoires passées permet d'apprendre rapidement les ancrages efficaces.
Article fondamental en neurosciences computationnelles animales, sans application clinique directe. La pertinence pour NeuroWatch est faible car le lien avec la pratique clinique en psychologie ou neuropsychologie est inexistant.
Modèle testé uniquement sur des souris, sans validation chez l'humain. Nécessite des données comportementales humaines pour confirmer la généralisabilité. L'étude ne porte pas sur des pathologies neurodéveloppementales ou neurologiques.
Cet article présente un modèle computationnel inspiré du comportement de souris apprenant à intercepter des cibles spatiales cachées. Le modèle génère des trajectoires structurées en contrôlant vitesse et vélocité angulaire entre des points d'ancrage, et utilise l'inférence bayésienne sur les trajectoires passées ainsi qu'un échantillonnage actif pour apprendre rapidement les bons ancrages. Les agents apprennent en quelques dizaines d'essais, reproduisant l'efficacité observée chez les rongeurs. Le modèle explique également l'évitement d'obstacles et l'adaptation rapide à des changements de cible, intégrant des stratégies égocentriques et allocentriques.
Les souris naïves localisent des cibles spatiales cachées en quelques essais. Le modèle utilise des points d'ancrage et un contrôle continu de la vitesse pour générer des trajectoires. L'inférence bayésienne sur les trajectoires passées permet d'apprendre rapidement les ancrages efficaces. L'échantillonnage actif affine les hypothèses sur les ancrages. L'algorithme capture les limites supérieures de l'efficacité d'apprentissage observée chez les souris. Le modèle explique l'évitement d'obstacles et l'adaptation à des changements de cible. Il intègre à la fois des stratégies de navigation égocentriques et allocentriques.
Pas d'implication clinique directe à ce stade, car l'étude porte sur un modèle computationnel animal.
Modéré