Méthodes d'apprentissage par renforcement basées sur des expérimentations réelles en robotique

Reinforcement learning methods based on real experiments in robotics

• Auteur / Autrice : Clément Gaspard
• Direction : Olivier Ly
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 05/09/2022
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : LaBRI - Laboratoire Bordelais de Recherche en Informatique
• Partenaire(s) de recherche : Equipe de recherche : Méthodes et Modèles formels

Mots clés

Mots clés libres

Apprentissage par renforcement

Transfert Sim-to-Real

Calcul par réservoir

Reinforcement learning

Sim-to-Real Transfer

Reservoir Computing

Résumé

- Limiter le nombre d'expériences réalisées sur le robot réel, sans se restreindre à des optimisations qui ne fonctionnent que dans un simulateur -> Sim to Real - Où placer la “plasticité” dans le simulateur qui sera adaptée par les expériences réelles ? - Modifier le modèle afin d'être le plus fidèle aux données observées - Exemples concrets : déplacement de robots à roues holonomes, relevage de robots humanoïdes, et plus généralement des gestes sportifs notoirement difficiles du point de vue moteur.

- Limit the number of experiments performed on the real robot, without being restricted to optimizations that only work in a simulator -> Sim to Real - Where to place the “plasticity” in the simulator which will be adapted by real experiments? - Modify the model in order to be the most faithful to the observed data - Concrete examples: moving robots with holonomic wheels, lifting humanoid robots, and more generally sport gestures that are notoriously difficult from a motor point of view.