Projets

L’objectif de ce sujet est, en s'appuyant sur le travail réalisé l'année passée, d'enrichir le comportement d'un agent de supervision afin de permettre aux utilisateurs de suivre dynamiquement le comportement des protocoles en cours d’exécution sur la plateforme JADE [5]. L'agent de supervision a la capacité de voir passer tous les messages des agents qui lui sont rattachés. Il lui faut maintenant détecter, identifier et signaler les éventuels dysfonctionnements.

l'objectif de ce p-androide est de faire évoluer une application existante qui réalise une interface entre une station sol définissant le plan de de vol d'un drone, un controleur de vol (IA ou humain), et une plateforme de réalisation (simulateur gazebo ou un drone réel), afin de pouvoir tester différentes stratégies de vol.

Les réseaux bayésiens (BNs) sont un modèle probabiliste qui s’appuie sur un graphe (orienté sans cycle) pour représenter une distribution jointe d’un grand nombre de variables aléatoires. Ce modèle à la fois numérique (distribution) et qualitatif (graphe) est un point de contact intéressant entre probabilités, statistiques et intelligence artificielle.

Il permet d’implémenter des outils de raisonnement, de calcul de fiabilité, d’explications causales, mais aussi d’apprentissages statistiques et des outils de classification (machine learning, etc.).

Résumé :

L'algorithme Stein Variational Policy Gradient (SVPG) est un algorithme à mi-chemin entre des approches évolutionnaires et des algorithmes d’apprentissage par renforcement. Un code en python est disponible sur github. L’objectif de ce projet est de prendre en main ce code et d’analyser de façon détaillée diverses propriétés de cet algorithme, notamment par des comparaisons avec les algorithmes proches.

Sujet développé :

Résumé :

L’objectif du projet est de permettre d’utiliser les Radial Basis Function Networks (RBFN) comme approximateurs de fonctions pour l’apprentissage par renforcement dans la librairie Stable Baselines 3.

Sujet développé :

On s'intéresse au problème multiagents du partage de véhicule pour effectuer un trajet, dans un cadre où les agents doivent s'accorder sur un sous-ensemble de destinations à visiter. Une approche récemment proposée consiste à utiliser le vote itératif sur des comités.
L'objectif du projet sera de:
* reproduire les résultats de l'article: http://ceur-ws.org/Vol-1678/paper15.pdf
* proposer une plateforme permettant à un utilisateur de simuler de tels scenarios de partage de véhicule

Le projet R-STEPPS piloté par Mohamed Zaoui s'intéresse au développement d'une flotte de robots pour lutter contre la désertification dans des zones arides et semi-arides. Différents types de robots permettent de creuser un trou, de planter un arbre et de l'arroser pour reboiser des zones désertiques. Ces robots doivent opérer de façon aussi autonome que possible sur des durées longues. Ils doivent donc être autonomes en énergie.

We investigate using a quantitative analysis led between 2007 and 2017 through: a social network analysis of the 3 communities, involving the 1822 scientists who participated in program committees and/or appeared as au-thors of the associated journals (IJAIED, JEDM and JLA); and a text analysis of abstracts of articles published in these journals.

We would like to apply the same methods to analyse French papers in the ECTEL community (in french Environnements informatiques pour l'apprentissage humain).

On se place dans le cadre d'un robot devant effectuer une tâche de navigation dans un environnement 2D, en présence d'objets dotés de propriétés différentes (fragilité, valeur, etc.). Par simulation, différentes trajectoires peuvent être obtenues, répondant à plusieurs critères (chemin le plus court, le plus sûr, etc.). L'objectif de ce projet est de permettre d'obtenir :
* une description qualitative de la trajectoire retenue ("je passe /à droite/ de l'objet A, puis /entre les objets/ C et D")

Ce sujet porte sur l'apprentissage en ligne et distribué de comportement pour la robotique en essaim. L'apprentissage dépendant en partie de facteurs exogènes (diversité et fréquence des rencontres, durée des interactions), un même algorithme d'apprentissage peut donner des résultats très différents selon le contexte.