Modèles Dynamiques Accélérés Basés sur l'Apprentissage Profond pour la Navigation Autonome des Robots Mobiles

Deep Learning based Accelerated Dynamic Models for Autonomous Navigation of Mobile Robots

• Auteur / Autrice : Thomas Rebaudet
• Direction : Nicolas Hautière
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 20/10/2025
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire Perceptions, Interactions, Comportements & Simulations

Mots clés

Mots clés libres

Robotiques

Apprentissage Profond

Ingénierie dirigé par les modèles

Robotics

Deep Learning

Model Driven Engineering

Résumé

Cette thèse CIFRE, menée en partenariat entre l'Université Gustave Eiffel et Sherpa Engineering, vise à développer une nouvelle génération de modèles dynamiques accélérés pour la navigation autonome des robots mobiles, notamment les véhicules autonomes. L'objectif principal est de concevoir des modèles basés sur l'apprentissage profond, et plus particulièrement sur les réseaux de neurones informés par la physique (PINNs), capables de reproduire avec précision les dynamiques non linéaires complexes des véhicules tout en garantissant des performances en temps réel. Les travaux portent sur quatre axes majeurs : Développement d'architectures profondes pour modéliser les dynamiques du véhicule, en intégrant des connaissances physiques pour renforcer la robustesse et la généralisation. Quantification et propagation des incertitudes (aléatoires et épistémiques) afin d'améliorer la fiabilité et la sécurité des décisions. Réduction de la latence dans la boucle perception–décision–action pour permettre des réactions rapides dans des environnements dynamiques. Intégration dans une approche de modélisation système (MBSE) et préparation à la génération de code embarqué (ONNX, TensorRT) pour un déploiement industriel effectif. Les modèles développés seront validés sur des jeux de données simulés et réels, en collaboration avec Sherpa Engineering, afin d'évaluer leur performance, leur robustesse et leur transférabilité du Sim-to-Real. Les retombées attendues incluent une amélioration significative de la sûreté et de la performance des systèmes autonomes, ainsi qu'un accélérateur technologique pour l'industrie des véhicules autonomes.

This CIFRE PhD thesis, conducted in collaboration between Université Gustave Eiffel and Sherpa Engineering, aims to develop a new generation of accelerated dynamic models for autonomous navigation of mobile robots, with a focus on autonomous vehicles. The main goal is to design deep learning-based models, especially Physics-Informed Neural Networks (PINNs), capable of accurately capturing the complex nonlinear dynamics of vehicles while ensuring real-time performance. The research focuses on four main objectives: Development of deep learning architectures incorporating physical knowledge to enhance robustness and generalization capabilities. Uncertainty quantification and propagation (aleatoric and epistemic) to improve safety and reliability in decision-making. Latency reduction in the perception–decision–action loop to enable responsive and adaptive navigation in dynamic environments. Integration within a Model-Based Systems Engineering (MBSE) framework and preparation for embedded code generation (ONNX, TensorRT) to facilitate industrial deployment. The proposed models will be validated using high-fidelity simulation datasets and, when possible, real-world data provided by Sherpa Engineering, ensuring industrial relevance and robustness. Expected outcomes include a significant enhancement of safety, reliability, and efficiency in autonomous systems, and a technological bridge accelerating the deployment of deep learning models in the automotive industry.