Chair objectives

Robotics has seen tremendous progress in recent years thanks to advances in simulators, optimizers, and reinforcement learning. Despite impressive demonstrations, however, these methods have yet to be fully deployed in real-world settings, and scaling beyond the lab remains a challenge.

Principal investigator

Et si nous pouvions exploiter tout le potentiel de l’optimisation sous contrainte et de l’apprentissage par renforcement pour former des politiques sûres et efficaces pour les tâches de locomotion et de manipulation dynamiques ?
Dans le cadre de cette chaire, nous proposons d’atteindre cet objectif en revisitant le fonctionnement des algorithmes d’apprentissage par renforcement en tirant parti de l’expertise consolidée acquise par des années de progrès en commande prédictive numérique, et en exploitant les avancées récentes en matière de simulateurs différentiables.

Co-chair

Notre objectif est de parvenir à une convergence plus rapide et plus précise, en réduisant la charge de calcul et en fournissant des garanties strictes sur la politique optimale obtenue. Nous incorporerons ensuite des stratégies globales pour planifier à travers des modes dynamiques hybrides (par exemple, en raison d’interactions de contact intermittentes) et l’intégration d’informations sensorielles multimodales, y compris la détection de la force et du toucher.
These enhancements will increase the robustness and safety of our policies during physical interactions, enabling reliable robotic manipulation and locomotion in complex environments.
Les capacités expérimentales uniques de notre équipe et sa forte expertise dans les domaines de l’apprentissage par renforcement et le contrôle optimal permettront d’établir un cadre complet pour l’optimisation et le contrôle des politiques robotiques permettant à terme le développement de robots capables de mouvements complexes, adaptatifs et fiables déployés dans des cas applications réelles.
The chair will benefit from strong interactions with the synergy chair C3PO as well as other chairs in numerical optimization and machine learning. Results will be translated on practical problems through an effective collaboration with the robotic manufacturer PAL and with the end-user AIRBUS.
Le projet prendra également en compte les impacts socio-économiques directs avec une attention particulière portée sur la diffusion directe auprès des étudiants grâce à la création d’un programme d’échange international et le jeune public par le biais d’activités robotiques spécifiques.

Ne manquez rien !

Inscrivez-vous pour recevoir l'actualité d'ANITI chaque mois.

Nous n’envoyons pas de messages indésirables !

en_GBEnglish