Projets

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

Le « Blob » est un organisme unicellulaire qui possède des propriétés du monde animal, du monde végétal et des champignons et a démontré sa capacité à résoudre efficacement des problèmes de routage complexes. Différents travaux [5,6] se sont inspiré de son comportement pour améliorer les protocoles de routage de l'information dans les réseaux.

Encadrants : Assia Belbachir et Cédric Herpson
Envoyer CVs à cedric.herpson@lip6.fr

Le classement par approbation repose sur le principe suivant:
un ensemble d'options sont évaluées de manière publique (par ex. scores, notes, etc.) selon plusieurs critères, et le problème est de classer ces options dans des catégories ordonnées (par ex. simplement "accepté", "refusé", pour faire simple).

Un plus court chemin stochastique est un problème de plus court chemin dans un graphe dans lequel dans un sommet donné l’arc qui sera effectivement parcouru est choisi aléatoirement. C’est un cas particulier de processus de décision Markovien. Un Processus de Décisions Markovien (PDM) [1,2] est un modèle théorique qui se situe à la frontière de l’optimisation avec incertitude et de la théorie de la décision.

Le problème de l’orchestration musicale consiste à essayer de reproduire un son cible (ou plus généralement une mélodie) par différents instruments d’un orchestre. Ce problème contient un aspect combinatoire important - il s’agit de choisir un ensemble d’instruments, et pour chaque instrument une note à jouer - et des approches algorithmiques ont été développées pour le résoudre, de manière à pouvoir proposer une ou des solution(s) aux compositeurs.

Ce sujet de P-Androide a pour but de concevoir un logiciel de démonstration (Proof Of Concept) pour des principes d'aide à la décision pour un problème de recherche opérationnelle: la planification dans l'incertain.

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.

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.