Doctorant (F/H) Contribution à La Trajectographie Basée Sur L'apprentissage Automatique

**Type de contrat**: CDD

**Niveau de diplôme exigé**: Bac + 5 ou équivalent

**Fonction**: Doctorant

**Contexte et atouts du poste**:
**Contexte**
L’objectif de cette thèse est de revisiter le problème de la trajectographie passive par mesure d’angles, également connu sous le nom de BOTMA (Bearings-Only Target Motion Analysis). Cette thèse s’inscrit dans le cadre d’un défi Inria (ImAnAI), en partenariat avec Naval Group, l’IIT New Delhi et quatre équipes Inria.
Le/la doctorant(e) sera co-encadré(e) par François Charpillet (Directeur de Recherche Inria Nancy) et David Daney (Directeur de Recherche Inria Bordeaux). Il/elle bénéficiera de l’expertise combinée des équipes Auctus et Larsen, à l’intersection de la robotique et de l’intelligence artificielle, et collaborera étroitement avec les différents partenaires du projet. La thèse se déroulera au centre Inria de l’Université de Lorraine.

**Mission confiée**:
**Mission**
L’émergence et la maturation des approches modernes en apprentissage automatique (Machine Learning, ML) et en intelligence artificielle (IA) offrent de nouvelles opportunités pour développer des méthodes innovantes, reposant davantage sur les données que sur les modèles traditionnels. Ces méthodes d’IA démontrent une grande capacité à gérer l’incertitude des modèles et des observations, ouvrant ainsi la voie à des avancées significatives dans des problématiques complexes.
Dans ce contexte, cette thèse vise à proposer et développer des approches basées sur des techniques d’apprentissage par renforcement, de contrôle optimal, d’apprentissage par renforcement inverse et/ou de contrôle optimal inverse. Une attention particulière sera portée à l’intégration des modèles avancés de deep learning, tels que les modèles de diffusion, les Transformers et les approches Physics-Informed Machine Learning (PIML), afin d’explorer leur potentiel dans ce cadre.
Le problème étudié, connu sous le nom de BOTMA (Bearings-Only Target Motion Analysis), peut être formulé dans sa version la plus simple comme suit:

- Deux agents mobiles, O (observateur) et S (source), évoluent sur un même plan.
- L’agent O observe l’agent S et cherche à estimer sa trajectoire. Cependant, l’observation est partielle et limitée à l’angle d’observation.

Les solutions classiques à ce problème s’appuient sur la théorie standard du contrôle et de l’estimation. Cependant, ces approches souffrent souvent de limitations importantes, notamment l’impossibilité d’estimer la trajectoire de la source de manière non ambiguë à partir des seules mesures d’angle. Cela conduit généralement à des solutions dégradées.
L’objectif de cette thèse est de surmonter ces limitations en développant des techniques novatrices basées sur:
1. L’apprentissage par renforcement et/ou le contrôle optimal pour proposer des solutions originales.
2. L’apprentissage par renforcement inverse et/ou le contrôle optimal inverse pour intégrer les contraintes et les incertitudes du problème.
3. Les modèles avancés de deep learning (modèles de diffusion, Transformers, PIML) pour enrichir les capacités prédictives et d’adaptation des algorithmes.
Cette thèse s’inscrit dans un cadre interdisciplinaire, à l’interface entre la robotique, l’IA et la théorie du contrôle, et vise à apporter des contributions théoriques et pratiques pour résoudre des problématiques complexes liées à l’analyse de trajectoires par observations angulaires.

Références bibliographiques:
1. Dahmani, A.M., Daney, D., & Charpillet, F. (2024). Parametric trajectories and measurement error in inverse optimal control. MMT Symposium 2024 - Mechanism and Machine Theory Symposium, June 2024, Guimarães, Portugal.
2. Colombel, J., Daney, D., & Charpillet, F. (2023). Holistic view of Inverse Optimal Control by introducing projections on singularity curves. Proceedings of the 2023 IEEE International Conference on Robotics and Automation (ICRA), May 2023, London, United Kingdom, pp. 12240-12246.
3. Colombel, J., Daney, D., & Charpillet, F. (2022). On the Reliability of Inverse Optimal Control. Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), May 2022, Philadelphia, United States, pp. 8504-8510.
4. Achaji, L., Moreau, J., Fouqueray, T., Aioun, F., & Charpillet, F. (2022). Is attention to bounding boxes all you need for pedestrian action prediction? Proceedings of the 2022 IEEE Intelligent Vehicles Symposium (IV), June 2022, Aachen, Germany, pp. 895-902.
5. Nguyen, V. Q., Colas, F., Vincent, E., & Charpillet, F. (2019). Motion planning for robot audition. Autonomous Robots, 43(8), 2293-2317.
6. Ziebart, B. D., Maas, A., Bagnell, J. A., & Dey, A. K. (2008). Maximum Entropy Inverse Reinforcement Learning. Proceedings of the AAAI Conference on Artificial Intelligence, 2008.

**Compétences**:
Compétences requises
- Bonne connaissance en machine learning et en algèbre linéaire.
- Solides compétences en programmation, notamment en Python et PyTorch.
- Une expérience préalable en intelligence a