Thèse Apprentissage de Modèles du Monde pour des Plans Robotiques Exécutables H/F Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris Télécom Paris École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Laboratoire de recherche : Laboratoire de Traitement et Communication de l'Information Direction de la thèse : Vadim MALVONE ORCID 0000000161384229 Début de la thèse : 2027-10-01 Date limite de candidature : 2027-01-15T23:59:59 Un véhicule autonome qui s'approche d'une intersection avec une visibilité masquée doit décider s'il doit attendre, obtenir une meilleure visibilité ou traverser. Un modèle du monde appris peut prédire à tort que la traversée se déroulera avec succès parce qu'il a écarté une observation antérieure, qu'il ne dispose pas d'informations sur la circulation masquée ou qu'il prédit incorrectement la réaction du véhicule. Ces situations nécessitent des améliorations différentes du modèle.

Cette thèse étudiera comment les échecs dans la composition de compétences robotiques réutilisables peuvent permettre d'identifier les informations et l'expérience nécessaires pour améliorer un modèle du monde appris. Nous développerons des représentations des résultats des compétences et des observations, ainsi que des méthodes de planification dont les décisions tiennent compte des informations effectivement disponibles pour le robot. Les conflits décisionnels - c'est-à-dire des situations représentées comme équivalentes mais nécessitant des actions différentes - guideront les mises à jour de la mémoire, les actions visant à recueillir des informations et la collecte de données de transition supplémentaires. L'analyse théorique permettra d'identifier les conditions dans lesquelles des stratégies abstraites peuvent être mises en oeuvre, ainsi que la manière dont les erreurs du modèle affectent les garanties de réussite des tâches.
Learned world models support planning by predicting action effects in visual representations [2]. Recent work also examines whether imagined transitions are reachable through available actions [6]. Successful execution additionally requires that the controller's decisions depend only on information available during operation.

The project builds on compositional reinforcement learning [1] to study how reusable skills can be combined using learned models. Approximate information states provide a foundation for compressing observation histories while retaining information needed for planning [3]. Abstraction and sensor-design methods relate controller synthesis to the distinctions available through observation [4]. Work on Markovian representations and strategic verification under imperfect information addresses whether transformed or abstract models preserve implementable decisions [5, 7].

The central research problem is to use decision conflicts to determine which distinctions a learned representation must retain and which additional observations or interactions would improve planning. The analysis will consider restricted abstraction classes and bounded-memory strategies, with explicit assumptions concerning observations and model uncertainty.