Safran est un groupe international de haute technologie, équipementier de premier rang dans l’aéronautique, le spatial et la défense. Ayant une activité à forte valeur ajoutée, Safran place un effort fondamental dans la Recherche et Technologie (R&T). A ce titre, Safran Tech regroupe les activités R&T de Safran, autour de plusieurs plateformes dédiées aux innovations pour la fabrication additive, la fonderie, les matériaux composites, céramiques, et le digital. La plateforme Sciences et Technologies du Numérique (STN) a pour but de répondre aux enjeux stratégiques du Groupe dans le domaine du digital. Au sein de cette plateforme, l’unité de recherche CASPer (Confiance, Autonomie, Simulation, Perception) a en charge la conception algorithmique des briques d’autonomie et de vision artificielle pour les systèmes autonomes dans les domaines terrestres et aéronautiques.

Rattaché à l’unité CASPer de la plateforme STN de Safran Tech, votre thèse sera effectuée au sein du Centre de Robotique de l’Ecole des Mines Paris – PSL. Vos travaux consisteront à proposer des approches innovantes pour l’estimation de défauts capteurs et le contrôle en conditions dégradées de systèmes autonomes de type drone ou véhicule terrestre. Vous aurez enfin l’opportunité de valoriser vos travaux à travers des brevets et des publications dans des conférences et revues internationales de premier plan.

A travers ses activités de R&T sur les capteurs et traitements, l’unité CASPer s’intéresse en effet aux fonctionnalités d’inférence et de contrôle de navigation pour l’autonomie. L’objectif de la thèse proposée est d’améliorer la robustesse des fonctionnalités d’inférence et de commande de navigation pour les systèmes autonomes, vis-à-vis de dégradations que constituent notamment la perte d’intégrité de capteur, la perte d’actionneur, voire la perte de pièces mécaniques nécessaires pour manœuvrer. Les impératifs industriels liés à la commercialisation de produits rendent critique la capacité à détecter des problèmes de capteurs ou d’actionneurs, et à trouver des solutions de contrôle en temps réel pour pouvoir déclencher une procédure d’urgence avec des garanties de sécurité. Les traitements mathématique et algorithmique peuvent se substituer à la multiplication de capteurs redondants, ou à des adaptations de type mécanique. Dans le domaine aéronautique, le traitement algorithmique de l’information pour une identification plus rapide du problème et une orientation vers le choix du mode dégradé peut aussi être un atout majeur de sécurité. 

Profil souhaité : Etudiant.e niveau M2 d’une grande école ou d’une université, vous possédez de fortes compétences en mathématiques, et idéalement en traitement de signal, automatique, probabilités, statistiques, IA. Vous faites preuve de curiosité et d’esprit d’initiative. Vous avez une bonne maîtrise de l’anglais scientifique.

Mots-clés : systèmes autonomes, navigation, contrôle-commande, filtrage statistique, IA (apprentissage), RL (apprentissage par renforcement).

Lieu de travail : Votre lieu de travail sera partagé entre le Centre de Robotique (CAOR), Mines Paris Tech, 60 Boulevard Saint-Michel, 75006 Paris, et Safran Tech, Département des Sciences et Technologies du Numérique, 78114, Magny-Les-Hameaux. Des déplacements ponctuels en France sur d’autres sites de Safran sont à prévoir, ainsi que des déplacements à l’étranger pour présenter vos travaux dans des conférences internationales.

Encadrement et contacts :   Camille CHAPDELAINE : camille.chapdelaine@safrangroup.com ; Silvère BONNABEL (www.silvere-bonnabel.com), silvere.bonnabel@minesparis.psl.eu 

Numérisation des opérations et de la supply chain

Contexte

Mines Paris, composante de l’Université PSL, forme les ingénieurs capables de relever les défis de demain. S’inscrivant dans son plan stratégique, l’École ambitionne d’être un acteur de référence dans les domaines de l’innovation et l’entrepreneuriat, la transition énergétique et les matériaux pour des technologies plus économes, les mathématiques et l’ingénierie numérique pour la transformation de l’industrie, y compris la santé, tout en restant fidèle, depuis sa création en 1783, à ses valeurs de solidarité et d’ouverture vers la société.

Le positionnement du Centre de Robotique sur l’IA et le Machine Learning (ML) consiste en des recherches algorithmiques et expérimentales sur l’adaptation des modèles et méthodes de pointe du domaine IA/ML aux besoins pour nos secteurs-clefs applicatifs : véhicules autonomes et transports intelligents, industrie du futur, et robotique collaborative ou mobile.

Au sein du Centre de Robotique, le poste sera rattaché à l’équipe Ingénierie Industrielle dont l’intérêt de recherche porte sur la numérisation des environnements liés au management des opérations et de la supply chain. L’équipe contribue à la recherche et à l’enseignement notamment au travers de la Chaire Logistique Urbaine et du Mastère Spécialisé Management Industriel et Systèmes Logistiques.

Profil recherché

La personne recherchée est un(e) candidat(e) ayant démontré ses capacités à mener un travail de recherche rigoureux dans le domaine de l’informatique, de l’automatique, du génie industriel ou des sciences de gestion.

Le projet devra contribuer à l’apport de connaissances sur les concepts liés à la numérisation des opérations et de la supply chain : Internet des Objets, jumeaux numériques, blockchain, machine learning, etc.

Le ou la candidate développera son projet de recherche dont l’objectif sera d’éclairer les usages de l’aide à la décision dans des contextes opérationnels. Le ou la candidate pourra proposer un projet appliqué à une problématique d’aide à la décision, ou bien un projet avec une visée théorique pour comprendre l’usage des outils d’aide à la décision dans les organisations. Selon l’orientation du sujet et le profil recruté, l’encadrement visera à accompagner la personne dans le développement de nouvelles compétences nécessaires au projet.

Il/Elle pourra bénéficier du réseau de partenaires industriels pour mener des collaborations de recherche partenariale. Il/Elle pourra aussi participer à l’enseignement dans le cadre du Mastère Spécialisé Management Industriel et Systèmes Logistiques et lors de la semaine cours ATHENS (destinée aux étudiants internationaux) sur la logistique urbaine.

Compétences requises pour le poste

Titulaire d’un doctorat en l’informatique, de l’automatique, du génie industriel ou des sciences de gestion.

La personne recrutée devra disposer des compétences suivantes : 

• Modélisation ;
• Recherche opérationnelle ;
• Machine Learning.

Des connaissances complémentaires dans l’un des domaines suivants seraient appréciées :

• Théorie de la décision ;
• Management des opérations ;
• Management de la supply chain.

Environnement de travail

Centre de Robotique, MINES ParisTech, 60 boulevard Saint-Michel, 75006 Paris

Durée : 1 an renouvelable

Début : Janvier 2022

Rémunération : entre 2300 et 2800 euros brut par mois en fonction de l’expérience

Dossier de candidature

Le dossier est composé de la manière suivante :

• CV avec une liste complète des publications ;
• une lettre de motivation ;
• la description de leur projet de recherche ;
• deux lettres de recommandation.

Le dossier est à envoyer à Arthur Gaudron (arthur.gaudron@mines-paristech.fr).

Félicitations à Martin Brossard, 1^er Prix de thèse ex aequo du GdR Robotique (Groupement de recherche de robotique créé par le CNRS et regroupant plus de 1200 membres) pour sa thèse intitulée « Deep learning, inertial measurements units, and odometry : some modern prototyping techniques for navigation based on multi-sensor fusion », soutenue le 22 septembre 2020 à Mines Paris – PSL.

Le jury a particulièrement loué l’originalité et l’excellence de ses travaux, valorisés par des publications de rang A et des développements informatiques open source.
La qualité pédagogique du manuscrit ainsi que ses missions de médiation scientifique au Palais de la Découverte ont été également très appréciées.

Actuellement ingénieur R&D SLAM/vision par ordinateur à Arcturus Industries (Madrid, Espagne), Martin Brossard a effectué sa thèse au Centre de robotique (CAOR), sous la direction de Silvère Bonnabel, lui-même récemment distingué par le «European Control Award», et de Axel Barrau (chercheur associé au CAOR). 

Silvère Bonnabel, chercheur associé au Centre de Robotique, et Professeur à MINES ParisTech depuis 2009, actuellement détaché à l’Université de la Nouvelle-Calédonie, vient de remporter le « European Control Award », prestigieux prix européen du jeune chercheur en automatique. Ce prix a pour vocation de distinguer chaque année un chercheur de moins de 40 ans aux contributions exceptionnelles dans le domaine de l’automatique et des systèmes, et exerçant dans un établissement d’enseignement supérieur ou de recherche européen.

« Je suis particulièrement heureux de remporter ce prix, et de rejoindre la liste prestigieuse des précédents récipiendaires. Je tiens aussi à remercier Robert Mahony de l’Université Nationale Australienne (ANU) pour son aide dans le processus de nomination », a déclaré Silvère. Il a été invité à présenter ses travaux lors d’une conférence plénière à la grande conférence européenne du domaine « European Control Conference », où s’est également tenue la remise du prix.

A propos de la théorie du contrôle L’automatique – « control » en anglais – ou « la théorie du contrôle », est une discipline à l’intersection de nombreux domaines scientifiques, qui repose sur des développements mathématiques et permet de traiter des problèmes de l’ingénieur. L’automatique a joué un rôle fondamental dans la conquête spatiale et continue d’être une discipline très active, aussi bien sur le plan de la recherche académique que celui des applications industrielles.

Une nouvelle version du filtre de Kalman

Si le prix récompense l’ensemble de la carrière de Silvère Bonnabel jusqu’ici, ce sont certainement ses travaux menés en collaboration avec Axel Barrau, chercheur associé du Centre de Robotique de MINES ParisTech, docteur de l’Ecole, et ingénieur chez Safran, qui auront particulièrement marqué le jury.

Silvère Bonnabel et Axel Barrau, en partenariat avec Safran Electronics & Defense (anciennement Sagem) ont en effet développé une nouvelle version du « filtre de Kalman » pour la navigation inertielle.

A propos du filtre de Kalman Le filtre de Kalman est un algorithme utilisé dans les avions commerciaux permettant à l’appareil de se localiser, et ayant joué un rôle critique dans l’exploration spatiale, notamment les premiers alunissages. Rudolf Kalman avait reçu la médaille des sciences américaines (Medal of Science) des mains du Président Obama, en 2009, pour cette invention.

Leur méthode, inspirée de la thèse de Silvère Bonnabel, réalisée à MINES ParisTech sous la direction de Pierre Rouchon et Philippe Martin, permet grâce à l’usage de la géométrie différentielle d’étendre les performances du filtre de Kalman dans le contexte de la navigation haute précision, ainsi que pour des problèmes récents dans le domaine de la robotique autonome. Cette méthode a fait l’objet de plusieurs dépôts de brevets (Armines / Sagem), de publications dans les revues et conférences phares du domaine de l’automatique et également de la robotique, et a rapidement conduit à un premier produit industriel de haute technologie dans le domaine de l’aéronautique, commercialisé par Safran depuis 2018.

Ces avancées font fortement écho aux premières implémentations industrielles du filtre de Kalman dans le domaine de l’aéronautique par Pierre Faurre (1942-2001), ingénieur du Corps des Mines, élève de R. Kalman à Stanford, et qui avoir été enseignant-chercheur à MINES ParisTech a rejoint Sagem pour en devenir plus tard le PDG. Il fut un pionnier des implémentations industrielles du filtre de Kalman en aéronautique.

Pour en savoir plus :

• A propos de l’European Control Association
• A propos de l’European Control Award
• Centre de robotique MINES ParisTech
• Page Wikipedia de Pierre Faurre

MINES ParisTech Center for Robotics is happy to announce a new AI collaboration launched between Germany and France: HAIBrid.

The ANR, the French National Research Agency announced the funding of the HAIBrid project. With partners Karlsruhe Institute of Technology (KIT) and atlatec GmbH (Germany), MINES ParisTech and Valeo (France), HAIBrid aims at learning behaviors of traffic participants. This requires further advances in AI, both in gathering and learning from relevant data.

HAIBrid stands for Hybrid AI towards Large Scale Data and Behavior Modeling for Automated Driving.

Autonomous driving research requires high quality traffic data to develop and test methods and tools. KIT and MINES ParisTech are creators of driving datasets (e.g. KITTI, INTERACTION), and we see the need for automatic, machine learning aided methods to extract and label trajectory, interaction and map data on larger scales than currently possible. We will combine our experience, autonomous driving platforms, hardware, software and infrastructure to develop methods for automated 3D mapping, trajectory extraction, interaction recognition and prediction. Industry will benefit from these innovative methods and better dataset in the very competitive environment of autonomous driving.

Prof. Slivère Bonnabel donnera une présentation plénière à la European Control Conference 21 le 2 juillet 2021 intitulée Geometric filtering and autonomous navigation.

Abstract:

Statistical filtering is a desirable mathematical framework for the estimation of the internal state variables of a dynamical system in the light of various sensors’ measurements. Since the advent of the space age, it has played a pivotal role in guidance and navigation problems in aeronautics and robotics. Its workhorse, the Kalman filter – albeit usable in a nonlinear context by linearizing about the estimated state trajectory – deeply builds upon the specificity of linear systems. As a result, key theoretical properties are lost in nonlinear contexts, in particular when dealing with challenging nonlinear problems related to the navigation of autonomous systems. However, it turns out that many such estimation problems bear a structure akin to linear systems, after a proper embedding of the state space into a matrix group has been found. Essentially, by replacing vector addition with matrix multiplication, linear observer design (or linear filter design) carries over, as well as a number of convergence and consistency guarantees discovered over the past fifteen years. We illustrate this perspective by addressing various problems, from the design of high performance industrial inertial navigation systems to robot simultaneous localization and mapping. For the latter, the geometric approach resolves problems connected to the notion of observability that have long impeded the use of the classical extended Kalman filter.

Speaker Bio:

Silvère Bonnabel is Professor at University of New Caledonia and Mines ParisTech, France. He received the engineering (M. Sc) degree in applied mathematics and the Ph.D. degree in mathematics and control from Mines ParisTech in 2004 and 2007, respectively, and the Habilitation in mathematics from Sorbonne University in 2014. He was a postdoctoral fellow at the University of Liège, Belgium, in 2008, and was hired as a permanent faculty member at Mines ParisTech in 2009. In 2017, he was an Invited Fellow of Sidney Sussex College at the University of Cambridge, UK. His primary research interests revolve around systems and control, robotics, with a focus on state estimation and geometric methods. He has contributed to developing products in the aeronautics industry. He serves as an Associate Editor for IEEE Control Systems Magazine, and he has also served as an Associate Editor for Systems & Control Letters. He is a recipient of various awards including the joint IEEE & SEE Glavieux Award in 2015 and the Automatica Paper Prize in 2020.

Sotiris Manitsaris a le plaisir de vous inviter à sa soutenance d’habilitation à diriger des recherches intitulée : Movement-based Human-Machine Collaboration: a Human-centred AI approach.

Résumé : The context of this thesis is the collaboration between humans and machines in various industrial real-world situations. I propose collaboration mechanisms that are based on Human-centred Artificial Intelligence, which I define as methods and concepts of machine learning and pattern recognition on signals recorded from the human body. I am interested in enabling human-machine partnerships in which the machine can understand and anticipate the human gestures and actions and react accordingly. Two scientific and technological hypotheses have oriented my research in movement-based Human-Machine Collaboration: 1. whether a machine can learn to recognize kinematic parameters of situated expert and non-expert gestures; and 2. whether gesture recognition can be used as an alternative to instrumental interaction mechanisms. These hypotheses were confirmed through a number of tests and experiments conducted, among others, on Human-Robot Collaboration, computer-mediated sensori-motor human learning and Digital Musical Instruments.

Rapporteurs :

• Emilios Cambouropoulos, Professor  – Aristotle University of Thessaloniki
• Sarah Fletcher, Senior Researcher- University of Cranfield
• Wendy Mackay, Research Director- INRIA

Examinateurs :

• Brigitte d’ Andréa-Novel, Professor   – IRCAM, Sorbonne Université
• Amel Bouzheghoub, Professor- Télécom Paris Sud
• Leontios Hadjileontiadis, Professor   – Khalifa University
• Patrick Henaff, Professor- Mines Nancy, Université de Lorraine
• Fabien Moutarde, Professor- MINES ParisTech, PSL Université Paris

La soutenance aura lieu le Jeudi 6 Mai à 14h par visioconférence sous zoom. Merci de cliquer ICI pour obtenir le lien zoom.

Real-time abnormal object of behavior detection from LiDAR data

Sujet de Thèse, 2021-2024

Centre de Robotique – CAOR, MINES ParisTech / ARMINES

Mots clés : LiDAR, apprentissage profond, temps réel, détection d’objet, véhicule autonome, train

Keywords: LiDAR, deep learning, real time, object detection, autonomous vehicle, train

L’équipe « Nuages de Points et Modélisation 3D » (NPM3D) du Centre de Robotique-CAOR de MINES ParisTech / ARMINES s’intéresse aux techniques d’acquisition et de traitement de nuages de points 3D pour plusieurs applications (cartographie 3D, robotique mobile, archéologie…) [Web NPM3D].

Le projet européen 5G-Med [Web 5G-Med] porte sur le déploiement de diverses applications utilisant les communications 5G, en particulier pour la sécurité des trains et des véhicules. Dans ce cadre, l’équipe NPM3D, qui vient de rejoindre le projet, a en charge la conception, le développement et l’expérimentation de solutions de détection temps-réel d’objets ou de comportement anormal à partir de données Lidar, à la fois pour des applications automobiles et ferroviaires.

La détection temps-réel d’objets ou de comportement anormal est d’une grande importance pour des questions de sécurité, et est un problème difficile actuellement non résolu. L’utilisation de données Lidar permet de gagner en robustesse par rapport à l’imagerie 2D. Des travaux récents et prometteurs se sont intéressés à cette question en utilisant de l’estimation de flux de scène sur données 3D [Mittal et al. 2020].

Dans le cadre du projet, il s’agira de concevoir une approche répondant aux besoins de l’application visée. Des expérimentations sont à prévoir, à la fois sur des données fournies par les partenaires ou à acquérir avec eux (Valeo, IRT Saint Exupéry, SNCF…), et sur des bases de données publiques (Kitti [Web Kitti] et autres, pour les véhicules). L’approche sera développée en lien avec l’équipe NPM3D (permanents, doctorants travaillant sur des sujets connexes).

Un recrutement de doctorant est prévu, pour un démarrage en octobre 2021 et une durée de 3 ans.

Références

• [Web NPM3D] Site Web de l’équipe NPM3D : http://caor-mines-paristech.fr/en/research/point-cloud-and-3d-modeling-pc3dm/
• [Web 5G-Med] Projet européen 5G-Med : https://5g-ppp.eu/5gmed/
• [Mittal et al. 2020] Just Go with the Flow: Self-Supervised Scene Flow Estimation (2020). Himangi Mittal, Brian Okorn, David Held. Proc. of Int. Conf. on Computer Vision and Pattern Recognition (CVPR).
• [Kitti] Dataset Kitti : http://www.cvlibs.net/datasets/kitti/

Profil du candidat

Profil général

• Niveau Master 2
• Bon relationnel, rigueur et autonomie
• Qualités de rédaction et de présentation à l’oral
• Anglais parlé et écrit.
• (Pour étrangers) Français parlé et écrit.

Compétences demandées / appréciées

Connaissances scientifiques et technologiques utilisées :

• Traitement de données 3D
• Traitement d’images
• Méthodes d’apprentissage

Les développements informatiques se feront sur PC sous Windows ou Linux en Python et/ou C++.

Laboratoire d’accueil

Centre de Robotique

Mines ParisTech / ARMINES

60 boulevard Saint Michel

75272 Paris Cedex 06                  

Renseignements :

Equipe NPM3D, Centre de Robotique de MINES ParisTech / ARMINES :

François Goulette, Professeur

Tél. : 01.40.51.92.35,  E-mail : francois.goulette@mines-paristech.fr

Jean-Emmanuel Deschaud, Chargé de Recherche Tél. : 01.40.51.93.58,  E-mail : jean-emmanuel.deschaud@mines-paristech.fr

Détection temps-réel d’objet ou comportement anormal
à partir de données Lidar

Real-time abnormal object of behavior detection from LiDAR data

Mots clés : LiDAR, apprentissage profond, temps réel, détection d’objet, véhicule autonome, train

Keywords: LiDAR, deep learning, real time, object detection, autonomous vehicle, train

L’équipe « Nuages de Points et Modélisation 3D » (NPM3D) du Centre de Robotique-CAOR de MINES ParisTech / ARMINES s’intéresse aux techniques d’acquisition et de traitement de nuages de points 3D pour plusieurs applications (cartographie 3D, robotique mobile, archéologie…) [Web NPM3D].

Le projet européen 5G-Med [Web 5G-Med] porte sur le déploiement de diverses applications utilisant les communications 5G, en particulier pour la sécurité des trains et des véhicules. Dans ce cadre, l’équipe NPM3D, qui vient de rejoindre le projet, a en charge la conception, le développement et l’expérimentation de solutions de détection temps-réel d’objets ou de comportement anormal à partir de données Lidar, à la fois pour des applications automobiles et ferroviaires.

La détection temps-réel d’objets ou de comportement anormal est d’une grande importance pour des questions de sécurité, et est un problème difficile actuellement non résolu. L’utilisation de données Lidar permet de gagner en robustesse par rapport à l’imagerie 2D. Des travaux récents et prometteurs se sont intéressés à cette question en utilisant de l’estimation de flux de scène sur données 3D [Mittal et al. 2020].

Dans le cadre du projet, il s’agira de concevoir une approche répondant aux besoins de l’application visée. Des expérimentations sont à prévoir, à la fois sur des données fournies par les partenaires ou à acquérir avec eux (Valeo, IRT Saint Exupéry, SNCF…), et sur des bases de données publiques (Kitti [Web Kitti] et autres, pour les véhicules). L’approche sera développée en lien avec l’équipe NPM3D (permanents, doctorants travaillant sur des sujets connexes).

Un recrutement d’ingénieur de recherche – post-doctorant est prévu, pour une durée de 18 mois, et un démarrage dès que possible. La personne recrutée sera en charge du suivi opérationnel du projet (reporting, livrables, expérimentations) et participera à l’encadrement d’un doctorant recruté sur le même projet.

Références

• [Web NPM3D] Site Web de l’équipe NPM3D : http://caor-mines-paristech.fr/en/research/point-cloud-and-3d-modeling-pc3dm/
• [Web 5G-Med] Projet européen 5G-Med : https://5g-ppp.eu/5gmed/
• [Mittal et al. 2020] Just Go with the Flow: Self-Supervised Scene Flow Estimation (2020). Himangi Mittal, Brian Okorn, David Held. Proc. of Int. Conf. on Computer Vision and Pattern Recognition (CVPR).
• [Kitti] Dataset Kitti : http://www.cvlibs.net/datasets/kitti/

Profil du candidat

Profil général

• Doctorat
• Bon relationnel, rigueur et autonomie
• Qualités de rédaction et de présentation à l’oral
• Anglais parlé et écrit.
• (Pour étrangers) Français parlé et écrit.

Compétences demandées / appréciées

Connaissances scientifiques et technologiques utilisées :

• Traitement de données 3D
• Traitement d’images
• Méthodes d’apprentissage

Les développements informatiques se feront sur PC sous Windows ou Linux en Python et/ou C++.

Laboratoire d’accueil

Centre de Robotique
Mines ParisTech / ARMINES
60 boulevard Saint Michel
75272 Paris Cedex 06

Renseignements :

Equipe NPM3D, Centre de Robotique de MINES ParisTech / ARMINES :

• François Goulette, Professeur
  Tél. : 01.40.51.92.35,  E-mail : francois.goulette@mines-paristech.fr
• Jean-Emmanuel Deschaud, Chargé de Recherche Tél. : 01.40.51.93.58,  E-mail : jean-emmanuel.deschaud@mines-paristech.fr

Marin Toromanoff a le plaisir de vous inviter à sa soutenance de thèse le mercredi 31 Mars 2021, à 14h. A cause des conditions actuelles, elle ne sera probablement accessible qu’en visio-conférence.

Cette thèse a été réalisée au Centre de Robotique MINES ParisTech sous la direction de Fabien Moutarde ainsi qu’avec l’entreprise Valeo et l’encadrement de Emilie Wirbel. Intitulée « Apprentissage par renforcement du contrôle d’un véhicule autonome à partir de la vision », elle sera défendue en français (le titre en anglais est « End-to-end Autonomous Driving using Deep Reinforcement Learning »).

Le jury sera composé de :
Prof. Olivier PIETQUIN – Université de Lille (INRIA/SEQUEL) et GoogleBrain (rapporteur)
Prof. Thierry CHATEAU – Université de Clermont Auvergne (rapporteur)
DR. Pierre-Yves OUDEYER – INRIA Bordeaux (examinateur)
Prof. Christian GAGNE – Université Laval (Québec CANADA) (examinateur)
DR. Rémi MUNOS – Université de Lille (INRIA/SEQUEL) et DeepMind (examinateur)
Prof. Véronique CHERFAOUI – Université de Compiègne (Québec CANADA) (examinateur)
Prof. Fabien MOUTARDE – Mines ParisTech
Docteur Emilie WIRBEL – Nvidia (anciennement Valeo)

Résumé :

« Dans cette thèse, nous abordons les défis de la conduite autonome en environnement urbain en utilisant des algorithmes d’apprentissage par renforcement profond de bout-en-bout, i.e. des données brutes des capteurs jusqu’au contrôle des actuateurs du véhicule. L’apprentissage  par  renforcement  (RL)  est  un  des  trois  grands  paradigmes  de  l’apprentissage  automatique.  Il  se distingue  de  l’apprentissage  supervisé  par  le  fait  que  les  agents  apprennent  par  essai-erreur  à  partir  d’un  signal  de récompense et non pas par simple supervision avec des paires entrée-label comme pour l’apprentissage supervisé,le type d’apprentissage le plus utilisé aujourd’hui dans les applications d’intelligence artificielle. Dans l’apprentissage par renforcement, on cherche explicitement à optimiser des séquences d’actions afin de maximiser le comportement à long terme. L’intérêt majeur du RL est que l’agent apprend de lui-même le comportement à suivre en explorant et en interagissant avec son environnement : on n’a donc pas besoin d’indiquer explicitement les actions à prendre. Dans un premier temps, nous avons proposé un nouvel algorithme de renforcement fondé sur la fonction de valeur,Rainbow-IQN Ape-X, en combinant trois articles majeurs du domaine. Cet algorithme atteint des performances au niveau de l’état de l’art sur le benchmark Atari.En utilisant cet algorithme de renforcement distribué, nous avons introduit les indices implicites, une nouvelle méthode permettant  d’entraîner  par  renforcement  des  réseaux  de  neurones  avec  bien  plus  de  paramètres  et  des  entrées  de plus grande dimension que les travaux précédents en DRL. Cette technique nous a ainsi permis de démontrer pour la première fois un algorithme de renforcement capable de conduire dans un simulateur complexe incluant des piétons, des véhicules et surtout des feux tricolores. Finalement, nous avons utilisé toutes nos contributions précédentes pour effectuer de l’apprentissage par renforcement sur données réelles pour de la conduite en environnement urbain. L’idée fondamentale de notre approche est d’utiliser un simulateur fondé sur des images réelles pour réussir à entraîner des agents capables de généraliser aux données réelles »