Thèse Techniques Avancées en Apprentissage Automatique et Optimisation pour les Systèmes Autonomes H/F

Doctorat.Gouv.Fr

Établissement : Université de Lorraine École doctorale : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES Laboratoire de recherche : LCOMS - Laboratoire de Conception, Optimisation et Modélisation des Systèmes Direction de la thèse : Hoai Minh LE ORCID 0000000173371505 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-15T23:59:59 Les systèmes autonomes, en particulier les véhicules autonomes, les drones et les robots, s'intègrent rapidement dans notre vie quotidienne. Ce domaine a suscité un vif intérêt de la part de la communauté scientifique comme de l'industrie, en raison de son potentiel à transformer radicalement la mobilité et les transports. Les systèmes autonomes sont conçus pour reconnaître de manière autonome leur environnement et ensuite prendre des décisions intelligentes. Principalement, des tâches telles que la détection et la reconnaissance d'objets sont traitées par des techniques de vision par ordinateur, tandis que la prise de décision provient d'un problème d'optimisation. Les avancées récentes dans la compréhension des environnements se sont de plus en plus concentrées sur l'apprentissage profond (Deep Learning - DL), en raison de ses grandes performances pour la reconnaissance de forme ou la classification d'images.

Cette thèse vise à développer de nouvelles techniques avancées en apprentissage automatique et optimisation pour les systèmes autonomes.

Au coeur de l'ensemble des techniques envisagées se trouve la Programmation DC et DCA, des outils puissants d'optimisation non convexe qui ont été appliqués avec grands succès dans différents domaines des sciences appliquées, en particulier en apprentissage automatique. Ces outils constituent des résultats marquants de notre équipe avec un historique de plus de 40 ans de développement et des évolutions importantes durant ces dernières années.
La première partie serait consacrée à, d'une part, développer les méthodes d'apprentissage profond ainsi que les algorithmes d'optimisation qui en sont issues pour la reconnaissance de forme et la classification d'image. Pour concevoir des méthodes d'apprentissage profond efficaces les deux questions suivantes sont cruciales : (i) quelle architecture du réseau profond construire ? (ii) Quelles méthodes d'optimisation utiliser pour obtenir des paramètres optimaux de ce réseau ? Pour répondre à ces questions, des nouvelles architectures combinant des réseaux existants afin d'exploiter les avantages de chacun seraient proposées, et des schémas DCA avancés (Advanced DCA) appartenant à la nouvelle génération de DCA seraient développés.
La seconde phase de cette thèse sera consacrée à l'extension du cadre décisionnel vers un système multi-agents (MAS), reflétant la complexité des interactions entre plusieurs entités autonomes. Dans ce contexte, chaque agent utilise les architectures de réseaux profonds développées précédemment pour percevoir son environnement, mais doit faire face à des prises de décision individuelles pouvant mener à des objectifs divergents, voire conflictuels. Pour résoudre ces interactions, nous mobiliserons la théorie des jeux coopératifs, et plus particulièrement les modèles de négociation tels que l'approche de Nash et/ou la solution de Kalai-Smorodinsky. Ces concepts permettent de définir un équilibre garantissant une solution à la fois efficace et équitable face aux contraintes de chaque agent. Enfin, la résolution de ce problème de négociation multi-agents sera formulée comme un programme DC et résolue par des schémas DCA avancés, assurant ainsi une convergence robuste et performante vers un équilibre optimal pour l'ensemble du système autonome.
Les systèmes autonomes, en particulier les véhicules autonomes, les drones et les robots, s'intègrent rapidement dans notre vie quotidienne. Ce domaine a suscité un vif intérêt de la part de la communauté scientifique comme de l'industrie, en raison de son potentiel à transformer radicalement la mobilité et les transports. Les systèmes autonomes sont conçus pour reconnaître de manière autonome leur environnement et ensuite prendre des décisions intelligentes. Principalement, des tâches telles que la détection et la reconnaissance d'objets sont traitées par des techniques de vision par ordinateur, tandis que la prise de décision provient d'un problème d'optimisation. Les avancées récentes dans la compréhension des environnements se sont de plus en plus concentrées sur l'apprentissage profond (Deep Learning - DL), en raison de ses grandes performances pour la reconnaissance de forme ou la classification d'images.

Cette thèse vise à développer de nouvelles techniques avancées en apprentissage automatique et optimisation pour les systèmes autonomes. Développer de nouvelles techniques avancées en apprentissage automatique et optimisation pour les systèmes autonomes. - Apprentissage automatique
- Apprentissage profond
- Optimisation non-convexe
- Optimisation multi-critère