Techniques avancées en apprentissage automatique pour les systèmes autonomes

Mots clés

Systèmes Autonomes, Apprentissage Automatique, Apprentissage profond, Apprentissage par renforcement , Optimisation non convexe, Programmation DC (Difference of Convex functions) andDCA (DC Algorithms)

Détail de l'offre

Les systèmes autonomes, en particulier les véhicules autonomes, les drones et les robots, s'intègrent rapidement dans notre vie quotidienne. Ce domaine a suscité un vif intérêt de la part de la communauté scientifique comme de l'industrie, en raison de son potentiel à transformer radicalement la mobilité et les transports. Les systèmes autonomes sont conçus pour reconnaitre de manière autonome leur environnement et ensuite prendre des décisions intelligentes. Principalement, des tâches telles que la détection et la reconnaissance d'objets sont traitées par des techniques de vision par ordinateur, tandis que la prise de décision provient d'un problème d'optimisation. Les avancées récentes dans la compréhension des environnements se sont de plus en plus concentrées sur l'apprentissage profond (Deep Learning - DL), en raison de ses grandes performances pour la reconnaissance de forme ou la classification d'images. Par ailleurs, l'apprentissage par renforcement (Reinforcement Learning - RL) a émergé comme un paradigme puissant pour le développement de systèmes autonomes, permettant à ces systèmes d'apprendre des stratégies de prise de décision optimales à travers leurs interactions avec l'environnement. Contrairement aux approches de programmation traditionnelles, où des règles explicites dictent le comportement, le RL permet au système de s'adapter et de s'améliorer à partir des retours de ses actions, conduisant à des systèmes plus robustes et flexibles. Bien que les méthodes de DL et de RL aient permis des avancées remarquables dans le domaine des systèmes autonomes, plusieurs défis majeurs restent à relever, tels que le volume et la diversité des données, la robustesse et la généralisation, ou encore le traitement en temps réel.

Cette thèse vise à développer de nouvelles techniques avancées en DL et RL pour les systèmes autonomes.