Optimisation et intégration FPGA d'algorithmes RL basés
fonction-Q : Application planification de trajectoire
Optimization and FPGA Implementation of Q-Function-Based RL Algorithms: Application to Path Planning
Jury
Directeur de these_TANOUGAST_Camel_Université de Lorraine
Rapporteur_BAKIR_Toufik_Université de Bourgogne
Examinateur_AGLZIM_El Hassane_Université de Bourgogne
CoDirecteur de these_DIOU_Camille_Université de Lorraine
Rapporteur_CHILLET_Daniel_Université de Rennes
Examinateur_CHIHI_Ines_Université du Luxembourg
Examinateur_MACARTHUR_Jennifer_Toronto Metropolitan University
école doctorale
IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
Laboratoire
LCOMS - Laboratoire de Conception, Optimisation et Modélisation des Systèmes
Mention de diplôme
Systèmes électroniques
Amphithéâtre de l'ISEA
Amphithéâtre de l'ISEA, ISEA, 7, rue Marconi, 57070 Metz
Mots clés
FPGA,Architecture matérielle,Apprentissage automatique,Q learning,Système embarqué,
Résumé de la thèse
L'intelligence artificielle embarquée, et plus particulièrement l'apprentissage par renforcement (Reinforcement Learning, RL), s'impose comme une solution clé pour les systèmes autonomes évoluant dans des environnements dynamiques et incertains. Ces travaux s'inscrivent dans le contexte de la mobilité intelligente autonome, avec un focus sur la planification de trajectoire de robots mobiles logistiques opérant en environnements complexes, où la réactivité, la fiabilité et la sobriété énergétique sont critiques.
Keywords
Q learning,Hardware architecture,FPGA,Machine learning,Embedded system,
Abstract
Embedded artificial intelligence — particularly reinforcement learning (RL) — is emerging as a key enabler for autonomous systems operating in dynamic and uncertain environments. This research addresses the domain of intelligent autonomous mobility, focusing on trajectory planning for mobile logistic robots in complex settings, where responsiveness, reliability, and energy efficiency are essential.
