Machine Learning-Robotics
- Domaine
- Machine Learning-Robotics
- Domain - extra
- Année
- 2010
- Starting
- Octobre 2010
- État
- Open
- Sujet
- Apprentissage de lieux par méthodes statistiques en robotique autonome
- Thesis advisor
- TARROUX Philippe
- Co-advisors
- Antoine CORNUEJOLS Agro ParisTech
- Laboratory
-
LIMSI CPU
- Collaborations
- Abstract
- La robotique autonome est un exemple de choix pour tester et développer des méthodes d’apprentissage actif qui capitalisent sur l’histoire passée du système et sur ses capacités d’anticipation. Le sujet proposé réunit des compétences concernant la perception active et les méthodes d’apprentissage en ligne dans un contexte de recherche active des données d’apprentissage.
- Context
- Le LIMSI développe depuis plusieurs années des modèles des processus perceptifs en robotique autonome selon un paradigme de perception située. Dans ce contexte, la perception est conçue comme un processus d’inférence qui permet au système de rechercher activement dans son environnement les éléments permettant la validation de ses hypothèses.
Le problème de la perception active en robotique autonome ouvre l’opportunité de développer de nouvelles méthodes en apprentissage artificiel. Un intérêt nouveau se manifeste pour l’étude de scénarios d’apprentissage en-ligne et d’algorithmes d’apprentissage actif, lorsque l’apprenant cherche lui-même des informations au lieu de les recevoir passivement.
Le sujet de cette thèse, centré sur l’apprentissage en-ligne avec recherche active d’information, mémorisation de l’histoire passée et anticipation (apprentissage de dépendances temporelles) est ainsi au cœur des préoccupations de l’équipe d’apprentissage de l’UFR d’informatique à AgroParisTech. - Objectives
- Les objectifs du travail proposé sont de développer à terme une forme de contrôleurs robotiques qui capitalise sur les dernières avancées en terme d’apprentissage statistique en particulier lorsque le flux d’information concernant les observations n’est plus susceptible d’être réduit au cas markovien, lorsque l’apprentissage doit être réalisé de façon continue en ligne et en temps réel et lorsque les données ne sont plus identiquement distribuées, ce qui est le cas lorsque le robot va acquérir de façon active les informations dont il a besoin.
- Work program
- Voir sujet complet (document joint)
- Extra information
- Prerequisite
- Une bonne connaissance des méthodes d’apprentissage statistique sera utile
Des compétences de base en traitement d’images et une connaissance des processus de perception visuelle seront appréciées
- Détails
SujetThese-2010-limsi-agro.pdf- Expected funding
- Institutional funding
- Status of funding
- Expected
- Candidates
- Utilisateur
- Créé
- Vendredi 18 juin 2010 18:25:45 CEST
- dernière modif.
- Mardi 22 juin 2010 16:23:07 CEST
Connexion
Ecole Doctorale Informatique Paris-Sud
Directrice
Nicole Bidoit
Assistante
Stéphanie Druetta
Conseiller aux thèses
Dominique Gouyou-Beauchamps
ED 427 - Université Paris-Sud
UFR Sciences Orsay
Bat 650 - aile nord - 417
Tel : 01 69 15 63 19
Fax : 01 69 15 63 87
courriel: ed-info à lri.fr