*

Intelligence artificielle pour la prédiction de trajectoires en robotique téléopérée

Offre de thèse

Intelligence artificielle pour la prédiction de trajectoires en robotique téléopérée

Date limite de candidature

30-09-2027

Date de début de contrat

01-10-2024

Directeur de thèse

MOURET Jean-Baptiste

Encadrement

Réunions hebdomadaires avec les encadrants et réunions supplémentaires en période importante (soumission d'articles, etc.)

Type de contrat

Financement d'un établissement public Français

école doctorale

IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

équipe

LARSEN

contexte

Nous collaborons avec l'Agence Innovation Défense (AID) pour aider à la téléopération de robots (type manipulateurs mobiles). Dans ce projet, nous exploitons l'intelligence artificielle pour prédire à chaque instant la trajectoire qu'aurait suivie un expert dans la situation courante pour l'afficher comme suggestion à l'opérateur et ainsi l'aider à effectuer ses tâches.

spécialité

Informatique

laboratoire

LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications

Mots clés

Intelligence artificielle, Robotique, Apprentissage

Détail de l'offre

Nous collaborons avec l'Agence Innovation Défense (AID) pour aider à la téléopération de robots (type manipulateurs mobiles). Dans ce projet, nous exploitons l'intelligence artificielle pour prédire à chaque instant la trajectoire qu'aurait suivie un expert dans la situation courante pour l'afficher comme suggestion à l'opérateur et ainsi l'aider à effectuer ses tâches.

Notre objectif est d'exploiter l'intelligence artificielle pour faciliter l'utilisation des robots en télé-opération directe par des non-experts. Notre idée principale est d'exploiter un jeu de données de démonstrations pour guider le pilotage par le non-expert. Le guidage (l'exploitation des suggestions expertes) lui-même sera envisagé de différente façon, que l'on comparera, notamment via des suggestions visuelles ou des assistances à la téléopération.

Cette thèse se concentre sur le développement de nouveaux algorithmes d'intelligence artificielle pour prédire le plus précisément possible les trajectoires des experts. En particulier, nous nous intéresserons à : (1) l'évaluation de l'incertitude épistémique du modèle de prédiction, (2)
l'exploitation du contexte (obstacles) et des contraintes de la robotique (contraintes cinématiques, dynamiques, etc.) (3) la sécurité des trajectoires suggérées, afin d'éviter (voire d'interdire) des trajectoires dangereuses

Keywords

Artificial Intelligence, Robotics, Machine learning

Subject details

We are collaborating with the French Defense Innovation Agency (AID) to help teleoperating robots (mobile manipulators type). In this project, we use artificial intelligence to predict at each moment the trajectory that an expert would have followed in the current situation. We plan to display it as a suggestion to the operator and thus help them carry out their tasks. Our objective is to exploit artificial intelligence algorithms to facilitate the use of robots in direct tele-operation by non-experts. Our main idea is to use a set of demonstrations to guide piloting by non-experts. Guidance (the exploitation of expert suggestions) itself will be considered in different ways, in particular via visual suggestions or shared control. This thesis focuses on the development of new artificial intelligence algorithms to predict the trajectories of experts as accurately as possible. In particular, we will be interested in: (1) evaluating the epistemic uncertainty of the prediction model (2) exploiting the context (obstacles) and the constraints of robotics (kinematic constraints, dynamics, etc.) to improve the prediction ensure the safety of suggested trajectories

Profil du candidat

- Machine learning
- Python
- Robotique

Candidate profile

- Machine learning
- Python
- Robotics

Référence biblio

[1] Chi, Cheng, et al. 'Diffusion policy: Visuomotor policy learning via action diffusion.' International Journal of Robotics Research. 2024.
[2] Shafer G, Vovk V. A tutorial on conformal prediction. Journal of Machine Learning Research. 2008 Mar 1;9(3).
[3] Amini A, Schwarting W, Soleimany A, Rus D. Deep evidential regression. Advances in NeurIPS 2021. 2020;33:14927-37.