Projets

Encadrants: Nicolas Bredeche (ISIR), Stephane Doncieux (ISIR)
Encadrement technique: Leo Cazenille (LIED)

Les algorithmes d'illumination (ou Quality-Diversity) permettent d'explorer de grands espaces de recherche. Ces algorithmes sont typiquement très utiles en robotique, où il existe souvent des solutions très différentes présentant toutes un intérêt très fort pour le concepteur. L'algorithme MAP-elite [1] a par exemple été utilisée pour la découverte de stratégie de marche robuste pour un robot hexapode [2].

L’apprentissage par renforcement profond (deep reinforcement learning, ou deep RL) est un domaine de recherche extrêmement actif. De nombreux algorithmes sont proposés dans la littérature, mais pas toujours analysés en profondeur par les chercheurs qui les rendent publics. En particulier, les chercheurs évaluent généralement leurs algorithmes sur des benchmarks faciles à mettre en œuvre, mais dont le comportement est difficile à analyser (par exemple les simulations avec mujoco sous openAI gym).

En apprentissage profond (deep learning), on utilise des réseaux de neurones à plusieurs couches pour obtenir des fonctionnalités par apprentissage automatique. L’apprentissage par renforcement profond (deep reinforcement learning, ou deep RL) est un cas particulier où la fonctionnalité recherchée consiste à réaliser de façon efficace une tâche qui dure un certain temps. Ces techniques
connaissent à l’heure actuelle un essor sans précédent dans la recherche académique et industrielle.

Encadrants: Nicolas Bredeche et Nicolas Maudet

Deux chercheurs du LIP6 (laboratoire d'informatique paris 6 - Jussieu), Jean-Michel Ilié et François Pêcheux (équipes MoVe - CIAN) souhaitent développer des objets intelligents autonomes, au sens où ils auront la capacité de repousser à leur maximum l'intervention humaine. L'objet considéré dans ce projet est un robot roulant représentant un véhicule terrestre intelligent sur lequel s'appuiera un acteur humain pour mener à bien ses missions, comme par exemple livrer des médicaments à des pharmacies réparties dans une ville dont on connaît la topologie.

Graph Partitioning or Clustering Problem (GPP) has increasing applications in many domains like complex networks, data analysis, ...
The graphs in these applications usually have a large number of nodes but very sparse. Due to this characteristic,
heuristics are preferred to exact algorithms for solving GPP.
As those heuristics offer no performance guarantee, it is interesting if one can quickly compute good lower bounds for GPP
and use them for asserting the quality of heuristic solutions. The aim of this project is to experiment the computation of

Les problèmes d'ordonnancement, où l'on cherche à affecter à une tâche une date de début et une date de fin dans le temps, sont des problèmes très utilisés et très étudiés depuis des décennies. Une problématique très récente consiste à étudier ces problèmes dans le cas où plusieurs utilisateurs partagent des tâches communes à ordonnancer, et ont chacun leur opinion sur l'ordonnancement souhaité.

L’objectif de ce travail est de permettre à une flotte d’entités potentiellement hétérogène, dont la composition et la position varie au cour du temps, de partager leurs informations et de se coordonner efficacement par le biais d’un réseau ad-hoc [1].

Objectif : Permettre à un robot Thymio associé à un Raspberry-Pi 3 doté uniquement d'une caméra d’estimer sa distance par rapport à un objet connu en se basant sur le principe du télémètre stadimétrique. De là, modéliser très grossièrement l'environnement et la position du robot au sein d'un moteur java 3D (JME3).

Nouvelle technique de visualisation en Interaction Homme-Machine

*** Résumé ***

Construire une plateforme pour (1) configurer une nouvelle technique d'interaction et (2) permettre une démonstration pour les industriels et le grand publique.

*** Contexte ***