A contribution to robust adaptive robotic control acquisition

Cette these etudie des principes de mise en œuvre de processus d’apprentissage artificiels pour la conception robuste de controleurs robotiques. Un defi recurrent en apprentissage artificiel concerne la notion de generalite qui se traduit en termes de robustesse des controleurs. Un controleur appris dans une situation donnee doit se montrer aussi general que possible afin d’eviter toute situation potentiellement dangereuse ou inadequate. Ce probleme de robustesse est d’autant plus important que le contexte d’apprentissage en robotique implique des situations senseur/action dependantes de contexte donnes, qui n’est pas pris en compte par las algorithmes d’apprentissage standards. L’apprentissage artificiel, ainsi que les algorithmes evolutionnistes sont consideres pour l’apprentissage de controleurs en simulation et sur robots reels. Une approche neuronale issue du Reservoir Computing, les Echo State Networks(ESN) sont employes, d’abord dans un contexte d’apprentissage par demonstration, ou un operateur humain donne explicitement le controle attendu, et egalement en evolution, sur un probleme temporel connu sous le nom du peigne de Tolman. Sur cette derniere experimentation, les ESNs sont compares a un algorithme de neuro-evolution de topologies augmentantes (NEAT). La these propose des cadres generiques de mise en pratique, et ouvre de nouvelles pistes, pour l’apprentissage robuste de controleurs robotiques.