Développement d'environnements Pybullet Gym pour l'évaluation de politiques de perception active

En robotique, la perception active désigne de manière générale tout processus visant à améliorer la qualité du flux de données entrant dont la tâche en cours dépend. Par exemple, il peut servir en vision par ordinateur à guider la recherche de correspondances entre points d'intérêt dans des images afin d'estimer l'état de l'agent et de l'environnement [1], ou à éviter les occlusions afin de conserver un objet d'intérêt dans le champ de vision [2]. Ces approches sont le plus souvent conçues manuellement et se basent sur de forts a priori sur la relation entre les données d'entrée et la tâche.

Dans le cadre d'une tâche de manipulation robotique, nous nous intéressons actuellement à l'apprentissage automatique de politiques de perception active sans a priori afin d'améliorer l'estimation de l'état d'objets d'intérêt. L’objectif de ce projet sera de développer un environnement Gym [3] basé sur le moteur physique bullet [4] qui servira ensuite de benchmark aux tâches d'apprentissage de politiques décrites précédemment. L’environnement simulé sera composé d'un robot doté d'un certain nombre de capteurs et pouvant interagir de manière simple (e.g. pousser et tirer) avec des objets d'intérêt.

Des compétences en modélisation 3d (e.g. blender) et en ROS seront appréciées mais ne sont pas requises.

Contact: salehi@isir.upmc.fr, alexandre.coninx@sorbonne-universite.fr, stephane.doncieux@sorbonne-universite.fr

[1] Chli, Margarita, and Andrew J. Davison. "Active matching." European conference on computer vision. Springer, Berlin, Heidelberg, 2008.
[2] Cheng, Ricson, Arpit Agarwal, and Katerina Fragkiadaki. "Reinforcement learning of active vision for manipulating objects under occlusions." arXiv preprint arXiv:1811.08067 (2018).
[3] https://gym.openai.com/
[4] https://pybullet.org/wordpress/

Encadrant: 
Stéphane Doncieux
Nombre d'étudiants: 
2
Attribué: 
Yes
Deprecated: 
No

User login