PhD : Apprentissage par transfert dans des environnements à réalité mixte pour la conduite connectée et autonome

Contexte du poste

Le déploiement des véhicules autonomes est coûteux et nécessite encore beaucoup d’avancées dans les domaines de l’intelligence artificielle et de l’apprentissage artificiel. Les premiers déploiements en conditions réelles sont réalisés à petite échelle et ne permettent pas de collecter suffisamment de données pour permettre à des algorithmes basés sur des formes d’apprentissage profond d’être rapidement opérationnels dans des contextes variés. C’est pourquoi d’autres formes de déploiement doivent être explorées, par exemple en environnement virtuel, en ayant recours à des outils de simulation ou à des modèles réduits de véhicules autonomes (robots).
Le problème ici est d’être capable de transférer les stratégies apprises dans l’un ou l’autre (ou plusieurs) environnements afin de les appliquer (et les adapter à d’autres). De nouvelles formes d’apprentissage semblent particulièrement pertinentes dans ce contexte : l’IA « verte » qui consiste à réduite l’empreinte, et donc les quantités de données requises par les algorithmes ; l’apprentissage par transfert qui permet le portage de stratégies entre environnements ; l’apprentissage fédéré où les stratégies apprises sont partagées, ainsi que le méta-apprentissage qui s’intéresse à apprendre sur des expériences d’apprentissage.
Dans ce travail de thèse, la particularité de l'approche développée serait de permettre aux modèles de véhicules robots de communiquer directement (V2V) entre eux et avec des véhicules simulés dans un environnement à réalité mixte, permettant l'émergence de nouvelles stratégies de coopération entre les véhicules tout en facilitant les déploiements dans le monde réel grâce au partage d'expérience à travers les environnements et les contextes.

Description

L’objectif principal de cette thèse est d’étudier et de proposer de nouveaux algorithmes pour des tâches de conduite autonome et coopérative basées sur des techniques d’apprentissage par transfert, d’apprentissage fédéré et de méta-apprentissage afin d’améliorer la stabilité et la sécurité des véhicules autonomes dans un environnement en réalité mixte (mêlant simulation et plateforme robotique).
La feuille de route du travail pourra couvrir les pistes suivantes :
Réaliser un état de l’art des avancées récentes en matière de réalité mixte, apprentissage
par transfert, apprentissage fédéré, méta-apprentissage et transfert de domaines.
Étudieretproposerdesstratégiesparapprentissagepourlesvéhiculesautonomes.
Choisir, mettre en place et tester les deux environnements (simulation à large échelle de
véhicules autonomes et plateforme robotique à petite échelle en réalité mixte)
Proposer et implémenter des algorithmes collaboratifs/coopératifs par apprentissage pour des flottes de véhicules autonomes capables d’être transférées entre différents envi-
ronnements (simulation et robots)
Évaluer les stratégies développées dans les deux environnements et en réalité mixte du
point de vue : haut-niveau (stabilité, efficacité, sécurité de la flotte) et bas-niveau (fré-
quence des transferts, succès des transferts, sensibilité aux différents contextes)
Participer à la dissémination et valorisation scientifique sous la forme d’articles de re- cherche, démonstrations, enregistrement vidéo des expérimentations, présentation lors
de colloques et à un public plus large. Page1sur4
Ce sujet est la suite du projet de thèse porté par Imane Argui, financé par la Chaire ANR RAIMo (2021-2024), dirigée par Samia Ainouz (LITIS, STI, INSA Rouen), et co-encadré par Maxime Guériau (LITIS, STI, INSA Rouen). Les travaux ont mené à la production d’une première plateforme en réalité mixte avec un robot mobile (partie vision par ordinateur, contrôle, robotique). Dans le cadre de ce sujet, il s’agira d’étendre ces travaux antérieurs en mettant l’accent sur les problématiques d’apprentissage et de transfert de connaissances entre différents robots/et ou avec son/ses avatar(s) virtuels dans l’environnement en réalité mixte.
Contributions attendues et valorisation
Les travaux entrepris par le candidat devraient contribuer, sans s'y limiter, à :
-  une meilleure compréhension des problèmes liés à la mise en œuvre de la conduite auto- nome dans différents domaines : décalage par rapport à la réalité (reality gap), sur-
apprentissage, apprentissage frugal, biais expérimentaux, etc. ;
-  une nouvelle approche du transfert et de l'acquisition de connaissances de la simulation vers
le monde réel et du monde réel à la simulation ;
-  des résultats expérimentaux (simulation et/ou plate-forme robotique) sur les avantages de
la communication/coopération pour la circulation autonome ;
-  des pistes concernant l'utilisation d'environnements de simulation et de robotique pour fa-
voriser et accélérer le développement et le déploiement de technologies de conduite connec- tée et autonome.
Étant donné qu'une partie de la recherche sera menée à l'aide d'un environnement robotique, le travail et les architectures développés devrait permettre des expériences reproductibles qui pourraient être utilisées comme des démonstrateurs pour la recherche/l'enseignement, mais aussi pour la diffusion et la vulgarisation (comme des enregistrements vidéo) à destination du grand public mais aussi des industriels en visite à l’INSA Rouen Normandie.

Fichiers associés

Fiche de poste
Comment postuler ?

  1. Mots-clefs
    Apprentissage par transfert, réalité mixte, véhicule autonome, vision par ordinateur, décision multi-agent
    Profil recherché
    Master en informatique (ou en robotique), avec une spécialisation ou un intérêt pour les techniques basées sur l'IA et/ou l'apprentissage automatique ;
    Solides compétences en communication écrite et orale en anglais et/ou en français.
    Des connaissances et/ou une expérience dans les domaines suivants seraient grandement appréciées :
    Systèmes de transport intelligents, véhicules connectés et automatisés ;
    Techniques telles que l'apprentissage profond, l'apprentissage par renforcement, le
    transfert d'apprentissage, les systèmes multi-agents ;
    Simulation de véhicules et/ou environnements robotiques.
    Encadrement
    Samia Ainouz (Professeur des Universités) et Maxime Guériau (Maître de conférences) à l’INSA de Rouen Normandie, tous deux membres de l’équipe Systèmes de Transport Intelligents (STI) au LITIS (Laboratoire d'Informatique, de Traitement de l'Information et des Systèmes).