En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Doctorant(e) en automatique (H/F) : Projet ANR HM-Science : Human-Machine Shared Control for Intelligent Safety and Energy of Smart Vehicles

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : vendredi 1 juillet 2022

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Informations générales

Référence : UMR8201-JOSBRO-010
Lieu de travail : VALENCIENNES
Date de publication : vendredi 10 juin 2022
Nom du responsable scientifique : Thierry-Marie GUERRA
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 septembre 2022
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Sujet de Thèse : Comment prendre en compte l'Humain dans une boucle de commande ? Application au contrôle partagé d'un véhicule « intelligent ».

Le projet entre dans un des challenges les plus difficiles et les plus intéressants de l'Automatique ; pour reprendre les propos de Benjamin Recht (2019 UC Berkeley) « Un dernier problème important, qui pourrait être le plus redoutable de tous, est de savoir comment les machines devraient apprendre lorsque les humains sont dans la boucle. Que peuvent faire les humains qui interagissent avec les robots et comment pouvons-nous modéliser les actions humaines ? ». Cette problématique nécessite des solutions qui utilisent les techniques les plus avancées de l'automatique mises en relation avec celles de l'apprentissage et/ou de l'IA. Comment garantir la stabilité des solutions ? La sécurité ? La convergence des estimations faites ? Comment appliquer des commandes dans un environnement partiellement connu ? Comment gérer, apprendre des conflits entre intention humaine et proposition de la machine ? Autant de questions qui se poseront dans un contexte de contrôle partagé Humain-Machine avec une application temps réel au véhicule intelligent.

Dans le cadre du projet interdisciplinaire HM-Science, cette thèse vise à développer de nouvelles approches et architectures de contrôle pour la conduite partagée des véhicules intelligents dans une perspective générique centrée sur l'Humain. L'idée est de prendre en compte l'interaction entre le conducteur et la commande, en particulier de fournir à la commande des capacités d'apprentissage de sorte que les deux acteurs de la conduite puissent apprendre et s'adapter à différents utilisateurs et à différentes situations. À cette fin, un système de contrôle partagé utilisant l'apprentissage / l'intelligence artificielle (IA) sera développé. Il se compose de deux niveaux : le niveau de contrôle de décision et le niveau de contrôle de sécurité. Au niveau du contrôle de décision, les algorithmes d'apprentissage de l'IA seront utilisés pour fournir les informations qui peuvent être impossibles ou trop complexes à obtenir directement du système conducteur-véhicule, par exemple l'intention et l'attention humaine. Les algorithmes d'IA utilisés doivent répondre à deux spécifications. Premièrement, ils doivent être capables d'apprendre de leur expérience passée, notamment des conflits Humain-Machine, afin d'améliorer les performances du contrôle partagé dans des situations de conduite complexes. Deuxièmement, la complexité numérique des algorithmes d'IA doit être compatible avec les objectifs temps réel. Les résultats obtenus de l'apprentissage de l'IA seront introduits dans le niveau de contrôle de la sécurité sous la forme de références de trajectoires réalisables et/ou de points de consigne souhaités. Ensuite, une commande robuste basée sur un modèle sera utilisée au niveau sécurité pour effectuer les tâches de conduite correspondantes. Il convient de noter que la conception de la commande robuste doit tenir compte non seulement des contraintes physiques du système, imposées par des raisons soit de sécurité soit économiques, mais aussi de la disponibilité et de l'état des capteurs et des actionneurs dans la conception de la commande. Du point de vue de la commande, les algorithmes d'apprentissage sont intégrés dans le schéma de commande de la conduite partagée en tant que partie "feedforward", tandis que les algorithmes de commande robuste sont utilisés comme partie "feedback" de sécurité. Grâce à cette combinaison de deux domaines majeurs, à savoir le contrôle robuste et l'apprentissage, le schéma de contrôle partagé de l'automatisation de la conduite mis au point devrait garantir les performances souhaitées du véhicule en temps réel en termes de sécurité, de confort et d'acceptabilité dans diverses conditions de conduite avec différents styles de conduite.

Nous étudierons la stabilité/robustesse du système conducteur-véhicule en boucle fermée par le biais de preuves formelles. L'objectif final sera de valider les approches théoriques par des expériences en temps réel au LAMIH-France et à la NTU-Singapour.

Profil recherché du candidat :
• Master ou équivalent en automatique, en mathématiques appliquées ou dans un domaine similaire.
• Excellente expérience en automatique
• Bonnes compétences en programmation
• Bonne maîtrise de l'anglais (le français n'est pas nécessaire)
• Une certaine connaissance de l'intelligence artificielle, et des expérimentations en temps réel serait un plus.

Contexte de travail

Dans le cadre d'un projet de recherche international ANR-NRF (HM-Science) entre le LAMIH UMR CNRS 8201, France et Nanyang Technological University, Singapour, nous offrons 36 mois de contrat de doctorat. Pour plus de détails, voir https://bit.ly/3fpdenj.

Lieu de travail : Valenciennes (LAMIH CNRS UPHF - Le Mont Houy), France, avec des périodes de mobilité multiples à NTU, Singapour.

On en parle sur Twitter !