Thèse en cours

Apprentissage de modèles dynamiques à partir de données capteurs pour le contrôle des systèmes robotiques
FR  |  
EN
Auteur / Autrice : Oumayma Bounou
Direction : Jean Ponce
Type : Projet de thèse
Discipline(s) : Informatique
Date : Inscription en doctorat le 01/09/2020
Etablissement(s) : Université Paris sciences et lettres
Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre
Partenaire(s) de recherche : Laboratoire : DIENS - Département d'informatique de l'École normale supérieure
établissement opérateur d'inscription : École normale supérieure (Paris ; 1985-....)

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

En robotique, la présence de modèles dynamiques s'avère indispensable pour permettre à la fois d'anticiper l'influence d'une action sur le mouvement futur d'un système robotique, mais aussi en vue de bénéficier pleinement d'un cadre théorique et algorithmique bien établi, offert par la théorie de la commande optimale par exemple ou par le domaine de l'apprentissage par renforcement. Classiquement, ces modèles dynamiques sont issus de lois physiques empiriques, limitant de ce fait les contextes dans lesquels les systèmes robotiques peuvent évoluer. La véritable difficulté réside ainsi dans notre capacité à pouvoir apprendre ces modèles dynamiques directement depuis les données capteurs du robot (seules véritables informations perçues par le robot) et appréhender de nouvelles dynamiques en exploitant les modèles d'interaction déjà appris. Pendant cette thèse, nous proposons de développer un cadre à la fois théorique et applicatif permettant d'apprendre en ligne la dynamique des systèmes robotiques, et ce, directement depuis les données capteurs du robot. Nous proposons d'utiliser l'opérateur de Koopman (opérateur mathématique permettant de caractériser un système dynamique depuis ses observables) afin d'apprendre la dynamique des systèmes robotiques depuis leurs données capteurs (caméras, capteurs de forces, encodeurs, accéléromètres, etc.). Nous proposons notamment de plonger cet opérateur au sein du formalisme de l'apprentissage profond pour bénéficier du cadre technique actuel permis par les réseaux convolutifs profonds afin d'appréhender des données visuelles complexes et hétérogènes.