Titre : Apprentissage non-supervisé pour la découverte de propriétés d’objets par découplage entre interaction et interprétation.Développer une méthode visant à entraîner, en simulation, un robot à découvrir en totale autonomie lespropriétés physiques d’objets inconnus à l'aide de méthodes RL et d’apprentissage profond.Proposer une méthode d'apprentissage par renforcement pour interagir physiquement avec un objetinconnu.Extraire sans supervision les propriétés des objets, grâce à une architecture dite de perception-prédiction.Montrer l'efficacité accrue de l'agent dans une tâche de manipulation une fois les propriétés de l'objet connues.Articles : Towards generic object property estimation using Unsupervised Renforcement Learning (Publié)Unsupervised Discovery and Estimation of Objects Physical Properties through Maximum Entropy Reinforcement Learning (En cours de publication)

-Développement d'un système autonome de recherche et suivi d'objet basé sur l’apprentissage par renforcement.-Mise en place de plusieurs algorithmes de l’état de l’art sur l’environnement "MIT-TESSE Goseek" pour une tâche robotique complexe.

Prédire le succès d’une tâche d’un robot de découpe laser à partir de modèles entrainés grâce à l’apprentissage profond sur les données des capteurs et images de la scène.Manipuler des données du monde réel pour résoudre un problème sur un robot industriel à l’aide d’unclassifieur binaire.Concevoir plusieurs architectures de réseaux de neurones (convolutifs, Fully-connected, Autoencoder)avec Python et PyTorch.