Projets

Dans le cadre de l'analyse décisionnelle, il est souvent intéressant, par exemple dans une application d'aide au diagnostic, de chercher à optimiser les séquences de questions/réparations qui permettront de trouver la cause d'une panne, d'un défaut, d'une maladie, etc. Un outil souvent décrit dans ce cadre est celui du calcul de la valeur de l'information parfaite (Value of Perfect Information, VPI).

L'évaluation d'algorithmes d'apprentissage par renforcement profond à actions continues repose sur l'utilisation de benchmarks standards qui consistent souvent en la simulation d'un système physique plus ou moins complexe qu'il faut contrôler. Parmi ces nombreux benchmarks (Half-Cheetah, Ant, Humanoid, etc.), Swimmer est un cas particulier.

Un projet P-ANDROIDE réalisé en 2019 a permis de démontrer la faisabilité d'utiliser différents algorithmes d'apprentissage par renforcement pour apprendre à piloter une voiture sur circuit, en utilisant l'environnement de simulation TORCS:
https://github.com/WissamAKRETCHE/DDPG-Keras-TORCS

Les algorithmes d'apprentissage par renforcement, en particulier profonds, font l'objet d'un compromis entre biais et variance qui joue un rôle important dans leur performance. Comme illustré dans mon cours en ligne et des ouvrages récents, les méthodes de Monte Carlo souffrent surtout de variance tandis que les méthodes dites "de bootstrap" qui utilisent un critique souffrent surtout de biais.

Nous disposons d'un essaim de 100 robots Kilobots de petites tailles. Chaque robot fait environ 2 cm de diamètre et peut communiquer avec ses voisins immédiats via infrarouge. Ces robots sont faciles à utiliser car on peut les programmer directement, et tous ensemble, via un émetteur infrarouge placé au dessus d'une arène.

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. Le fonctionnement du robot est développé sous la forme d'un agent logiciel dont l'originalité est son processus de planification contextuelle tirant parti de l'exécution réelle des actions pour définir des plans d'exécution optimaux.

L'objectif de ce proejt est de développer un framework multi-agents en Python et s'appuyant sur DIMA.

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.

Nous nous intéressons aux problèmes de l’allocation de tâches dans des groupes d’agents coopératifs (par exemple une équipe de robots mobiles devant exécuter des tâches en différents lieux d’un environnement). Afin de permettre une plus grande autonomie des agents et une meilleure robustesse du système, nous souhaitons que les agents soient capables de se répartir les tâches de manière distribuée, c’est-à-dire sans avoir recours à une entité centrale décidant de l’allocation pour tout le monde.

Encadrant : Cédric Herpson
Envoyer Cv : cedric.herpson@lip6.fr

Objectif : Permettre à un Thymio associé à un Raspberry-Pi doté uniquement d'une caméra de reconstruire très grossièrement sont environnement au sein d'un moteur java 3D (JME3) et de se localiser.