Modélisation gaussienne consciente de l'incertitude pour l'intelligence multi-robots

Description

Avec le développement concurrent de la vision par ordinateur et de la robotique, les méthodes basées sur les distributions gaussiennes pour la modélisation spatiale et temporelle tenant compte de l'incertitude en vision par ordinateur (e.g., Gaussian splatting pour la scènes, et les processus gaussiens pour l'occupation) ont émergé comme des outils puissants pour représenter des modèles complexes en robotique (e.g., cartographie, dynamique et modélisation de l'environnement). Un avantage clé des représentations gaussiennes réside dans leur traitement principiel de l'incertitude. En encodant conjointement les estimations d'état et la confiance, les modèles gaussiens fournissent des représentations tenant compte de l'incertitude qui soutiennent naturellement l'inférence et le raisonnement, les rendant adaptées aux systèmes robotiques du monde réel opérant dans des conditions dynamiques et sous observabilité partielle. Ces représentations ont permis des avancées en SLAM, en apprentissage et en prise de décision tenant compte de l'incertitude, et ont été appliquées avec succès dans des systèmes à robot unique ainsi que dans des équipes multi-robots entièrement connectées opérant dans des missions réelles.

Des défis importants subsistent néanmoins lors de l'extension de ces approches à des systèmes multi-robots décentralisés ou partiellement connectés (i.e., essaims de robots), où le modèle de l'environnement et du plan d'action doit faire partie d'un consensus (i.e., information partagée et cohérente entre tous les robots). L'obtention d'un consensus dans de tels contextes nécessite de prendre en compte des observations hétérogènes et partielles, des contraintes de communication, des comportements potentiellement défaillants et l'incertitude omniprésente dans la perception. Les représentations gaussiennes soutiennent intrinsèquement le raisonnement sur l'incertitude et la confiance, ce qui en fait une base naturelle pour des mécanismes de consensus robustes permettant une prise de décision collective fiable.

Ce projet de doctorat de 4 ans vise à concevoir et valider des modèles gaussiens pour l'apprentissage et la coordination multi-robots décentralisés, avec un accent particulier sur:

- Le développement de méthodes de représentation basées sur des gaussiennes pour la perception, la cartographie et l'estimation d'état décentralisées en systèmes multi-robots.
- La conception d'un cadre de consensus avec un modèle partagé basé sur des gaussiennes, exploitant potentiellement des bases de données distribuées avec des protocoles de cohérence (e.g., blockchain) et des contrôleurs de machines à états déployés sur le consensus (e.g., smart contracts) pour gouverner les mises à jour du consensus et la prise de décision.
- L'exploitation de la modélisation gaussienne pour le rejet des valeurs aberrantes, la gestion de la réputation et les mécanismes de récompense, afin de guider l'apprentissage coopératif et des comportements robotiques robustes.
- L'évaluation des approches proposées dans des scénarios multi-robots simulés et réels, avec un accent particulier sur la perception active et le SLAM collaboratif.

Ce que nous offrons

- Un projet de doctorat innovant à l'interface de la robotique, de la vision par ordinateur et de l'apprentissage automatique.
- L'accès à des plateformes multi-robots et à des outils de simulation de pointe.
- Un environnement de recherche collaboratif avec une expertise en robotique, vision par ordinateur et apprentissage automatique.
- Des opportunités de collaboration internationale et de publication dans des conférences et revues majeures en robotique et en IA.
- Un financement compétitif, un soutien aux déplacements et l'accès à des infrastructures expérimentales et de calcul modernes.

Exigences et conditions

- Diplôme de maîtrise ou équivalent en robotique, vision par ordinateur, commande, génie informatique ou mathématiques appliquées
- Solide formation en robotique, apprentissage automatique probabiliste et vision/perception
- Expérience dans au moins deux (2) des domaines suivants:
i) Commande d'essaims de robots,
ii) Modélisation de l'incertitude basée sur des gaussiennes
iii) Protocoles de consensus et de coordination distribuée.
- Compétences en programmation (Python, Solidity, C++ de préférence) et familiarité avec des outils logiciels (simulateur ArGoS, ROS, PyTorch, etc.)
- Autonomie, créativité et motivation pour faire le lien entre théorie et pratique en robotique

Veuillez envoyer vos dossiers de candidature par courriel à hanqing.zhao@gel.ulaval.ca
en mettant jflalonde@gel.ulaval.ca en copie.

Merci d'inclure les documents suivants:
1. Lettre de motivation
2. CV
3. Relevés de notes du baccalauréat et de la maîtrise