Connexions entre apprentissage par renforcement et contrôle

Connections between reinforcement learning and control

• Auteur / Autrice : Lucas Weber
• Direction : Laurent Massoulié
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/09/2021
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : DIENS - Département d'informatique de l'École normale supérieure
• Partenaire(s) de recherche : établissement opérateur d'inscription : École normale supérieure (Paris ; 1985-....)

Mots clés

Mots clés libres

Apprentissage par renforcement

Théorie du contrôle

Dynamique contrainte

Commande prédictive

Reinforcement learning

Control theory

Constrained dynamics

Model predictive control

Résumé

L'objectif de cette thèse est de proposer de nouveaux modèles d'algorithmes d'apprentissage par renforcement inspirés par des outils de la théorie du contrôle. Pour appliquer ces idées au monde réel, de nombreuses questions ouvertes doivent être traitées. Différentes pistes pourront être suivies : - Exploiter une connaissance partielle de la dynamique du système et/ou de sa politique optimale - Dynamique contrainte - Apprentissage par renforcement et commande prédictive

The objective of this PhD thesis is to make advances in designing new RL algorithms that are inspired by control theory tools. In order to bring these ideas closer to real world applications, there are still many open questions to be addressed. Following directions may be considered: -Exploiting a partial knowledge of the system dynamics and/or optimal policy -Constrained dynamics -RL and MPC.