« BIBL » : différence entre les versions

De Parcours SIIA
Aller à la navigation Aller à la recherche
Aucun résumé des modifications
Ligne 104 : Ligne 104 :


=== Algorithmes de comportements auto-organisés pour des essaims de drones ===
=== Algorithmes de comportements auto-organisés pour des essaims de drones ===
L'étude des "Robot swarms", ou essaims de robots, porte sur les systèmes comprenant de nombreux robots - ou drones - volants, roulants, etc.
qui se coordonnent de façon autonome, à partir de règles de contrôle locales basées sur les perceptions du robot et son état actuel, à la manière d'agents dans les SMA.
Les algorithmes de comportement que suivent les robots se basent souvent sur des principes d'auto-organisation inspirés de la biologie ou de la physique : mouvement coordonné, répartition de tâches, trouver le plus court chemin …
On s'intéresse ici particulièrement aux comportements qui mènent les robots à s'auto-organiser dans l'espace. Ces comportements sont au nombre de cinq : le flocking, l'agrégation, la couverture de zone, et la formation d'un pattern ou d'une chaine entre 2 points. Il est demandé dans ce travail de faire un état de l'art des différents algorithmes de comportement qui existent pour chacun de ces comportements. Le travail attendu doit être le plus exhaustif possible, et proposer une classification de ces algorithmes selon les critères les plus appropriés.
Références :
* Schranz M, Umlauft M, Sende M and Elmenreich W. Swarm Robotic Behaviors and Current Applications. Frontiers in Robotics and AI, vol. 7, n°136, 2020
* M. Brambilla, E. Ferrante, M. Birattari et M. Dorigo. Swarm robotics: a review from the swarm engineering perspective, Swarm Intelligence, vol. 7, n°11, pp. 1-41, 2013.
* Krishnan, Vishaal and Sonia Martínez. Distributed Control for Spatial Self-Organization of Multi-agent Swarms. SIAM J. Control. Optim. vol. 56, pp. 3642-3667, 2018.
* Trianni V., Campo A. Fundamental Collective Behaviors in Swarm Robotics. In: Kacprzyk J., Pedrycz W. (eds) Springer Handbook of Computational Intelligence. Springer Handbooks. Springer, Berlin, Heidelberg. 2015.


=== Interactions avec essaim de drones  ===
=== Interactions avec essaim de drones  ===

Version du 17 novembre 2021 à 08:31


Méthode de travail et objectifs

Affectations sujets

Here is a shared table that present sthe different subjects of study: list of studies.

Students are invited to indicate their choice(s) in this table.

Indications générales

Voici quelques indications pour la rédaction de l'étude bibliographique et sa restitution orale : instructions biblio (révision nov. 2020).

Documents à étudier

Comme toute technique d'ingénierie, ou toute démarche scientifique, la réalisation d'une étude bibliographique, appelée aussi revue de littérature (littérature review), doit être réalisée de manière méthodique et apporter des éléments pour en apprécier la justesse et la pertinence. Même si les motivations pour réaliser un tel exercice peuvent être diverses, dans ses grandes lignes, la méthodologie reste la même.

Voici quelques documents à lire avant et pendant la réalisation de votre étude.

Sujets d'étude 2021-2022

Programmation de systèmes domotiques par les utilisateurs finaux

  • Enseignant : Eric Maisel (maisel@enib.fr), Lab-STICC, ENIB
  • Sujet en lien avec un stage : non.

Le développement de la programmation événementielle, basée sur des règles trigger-action, contribue au développement des systèmes domotiques en permettant la mise en relation entre capteurs (de température, de luminosité, de présence, ...) et effecteurs (ampoules, radiateurs, stores, ...). L'utilisation de ces systèmes ayant pour objectif d'améliorer la sécurité et le confort dans les bâtiments mais également de permettre d'en réduire l'emprunte écologique. La personnalisation de ces systèmes est nécessaire de façon à les adapter aux différents contextes tant architecturaux que technologiques, environnementaux et culturels. A court et moyen terme cette adaptation passe encore par une programmation de ces systèmes domotiques par les utilisateurs finaux (tout un chacun chez soi, le personnel soignant voire les patients dans les hôpitaux, les salariés dans les bureaux, ...). Cette tâche de programmation est plus complexe qu'il n'y parait et suppose le développement d'assistants logiciels de façon à la rendre accessible.

L'objet de cette étude bibliographique est d'une part de présenter en quoi consiste cette programmation trigger-action à partir d'articles académiques et d'autre part d'esquisser un panorama des différentes approches envisageables afin d'en faciliter l'utilisation par les utilisateurs finaux.

B. Ur, E. McManus, M. Pak Yong Ho, M. L. Littman, "Practical trigger-action programming in the smart home", Proc. of the SIGCHI Conference on Human Factors in Computing Systems, pp 802-812, CHI'14, Avril 2014, Toronto, Canada.

B. Ur, M. Pak Yong Ho, S. Brawner, J. Lee, S. Menniken, N. Picard, D. Schulze, M. L. Littman, "Trigger-Action Programming in the Wild : An Analysis of 200.000 IFTTT Recipes" in Proc. of the 2016 CHI Conference on Human Factors in Computing Systems, pp-3227-3231, CHI'16, Mai 2016, San Jose, USA.

J. Huang, M. Cakmak, "Supporting mental model accuracy in trigger-action programming" in Proc. of the 2015 ACM International Conference on Pervasive and Ubiquitous Computing, pp 215-225, UbiComp'15, Septembre 2015,Osaka, Japon.

F. Paterno, S. Alawadi, "Towards Intelligent Personalization of IoT Platforms" in Proc. of 2019 ACM Conference on Intelligent User Interfaces, IUI'19, Mars 2019, Los Angeles, USA.

A. Mattioli, F. Paterno, "A Visual Environment for End-User Creation of IoT Customization Rule with Recommendation Support" in Proc. of the International Conference on Advanced Visual Interfaces, pp 1-5, AVI'20, Septembre 2020, Salerno, Italie.

F. Corno, L. De Russis, A. Monge Roffarello, "TAPrec : Supporting the Composition of Trigger-Action Rules Through Dynamic Recommendations" in Proc. of the 25th Conference on Intelligent User Interfaces, pp 579-588, IUI'20, Mars 2020, Cagliari, Itale.

F. Corno, L. De Russis, A. Monge Roffarello, "A Semantic Web Approach to Simplifying Trigger-Action Programming in the IoT", in Computer, vol 50, Issue 11, pp 18-24, 2017.

A.-M. Vainio, M. Valtonen, J. Vanhala, "Proactive Fuzzy Control and Adaptation Methods for Smart Homes" in IEEE Intelligent Systems, vol 23 issue 2, pp 42-49, 2008.

A.-M. Vainio, M. Valtonen, J. Vanhala, "Learning and adaptive fuzzy control system for smart home", in Developing Ambient Intelligence, pp 28-47, Springer.

Systèmes de recommandation sérendipitifs

  • Enseignant•e•(s) : Eric Maisel (maisel@enib.fr), Lab-STICC, ENIB
  • sujet en lien avec un stage : non.

Les systèmes de recommandation sont utilisés pour proposer à un utilisateur particulier confronté à un problème donné un ensemble de solutions pertinentes. Ils sont d'autant plus nécessaires que la quantité d'informations accessibles ne cesse d'augmenter et de dépasser la quantité d'information qu'un être humain peut traiter.

Il s'agira dans ce travail de se focaliser sur un problème particulier : celui des bulles informationnelles. L'apparition de ces bulles est directement lié à la nature des algorithmes de recommandation : ceux-ci calculent leurs propositions en tenant compte des choix précédents de l'utilisateur ou de ceux des autres utilisateurs dans la mesure où ceux-ci sont similaires à l'utilisateur considéré. Dans les deux cas les recommandations faites à cet utilisateur restent limitées et n'évoluent que peu.

La sérendipité - une des cibles de cette étude bibliographique - est la propriété que satisfont les systèmes de recherche d'information quand ils sont capables de proposer des solutions qui sont à la fois pertinentes pour l'utilisateur et auxquelles cet utilisateur ne s'attendait pas. Cette propriété est une des solutions aux bulles informationnelles.

Cette étude bibliographique a pour objectif d'une part de rappeler ce que sont les systèmes de recommandation, en particulier les systèmes de recommandation basés sur les connaissances et d'autre part de présenter les différentes approches permettant de mettre en oeuvre des systèmes de recommandation sérendipitifs. Il faudra également s'intéresser à la manière dont ces systèmes peuvent être évalués.


A. Ameen, "Knowledge based Recommendation System in Semantic Web - A Survey" in International Journal of Computer Applications, Vol. 182, No 43, Mars 2019 .

Y. Du, S. Ranwez, N. Sutton-Charani, V. Ranwez, "Apport des ontologies aux systèmes de recommandation : état de l'art et perspective", In Proc. of 30es Journées Francophones d'Ingéniérie des Connaissances, IC 2019, AFIA, Juillet 2019, Toulouse, France, pp 64-77 .

Y. Wang, N. Stash, L. Aroyo, L. Hollink, G. Scheiber, "Using Semantic Relations for Content-based Recommender Systems in Cultural heritage", in Proc. of Worshop on Ontology Patterns 2009 in ISWC workshop, 2009.

D. Kotlov, S Wang, J. Veijalaien, "A survey of serendipity in recommender system", Knowledge-based Systems, vol 111, pp 180-192, November 2016 .

D Kotlov, J. Veijalain, S. Wang, "Challenges of Serendipity in Recommender Systems", in Proc. of the 12th International Conference on Web Information Systems and Technologies, WEBIST 2016, Vol 2 pp 251-256 .

N.I.Y. Saat, S.A.M. Noah, M. Mohd, "Towards Serendipity for Content-Based Recommender Systems", International Journal on Advanced Science Engineering Information Technology, Vol. 8, No 4-2, pp 1762-1769, 2018 .

L. Iaquinta, M.de Gemmis, P. Lops, G. Semeraro, M. Filannino, P. Molino, "Introducing Serendipity in a Content-based Recommender System", in Proc. of the IEEE Eighth International Conference on Hybrid Intelligent Systems, Barcelone, Espagne.

E. E. Toms, "Serendipitous Information Retrieval", in Proc. of DELOS, Workshop : Information Seeking, Searching and Quering in Digital Libraries, pp 17-20, 2000 .

L. McGinty, B. Smyth (2003) On the Role of Diversity in Conversational Recommender Systems. In: Ashley K.D., Bridge D.G. (eds) Case-Based Reasoning Research and Development. ICCBR 2003. Lecture Notes in Computer Science, vol 2689. Springer, Berlin, Heidelberg. https://doi.org/10.1007/3-540-45006-8_23

T. Dorjmaa, T. Shin, "Evaluating the Quality of Recommendation System by Using Serendipity Measure", in Journal of Intelligent Systems, Vol 25, No 4, pp 89-103, Décembre 2019.

M. Kaminskas, D. Bridge, "Measuring Surprise in Recommender Systems", in Proc. of Workshop on Recommender Systems Evaluation : Dimensions and Design (REDD 2014), held in conjunction with RecSys 2014, Octobre 2014, Silicon Valley, USA.

A. S. Nugroho, I. Ardiyanto, T. B. Adji, "User Curiosity Factor in Determining Serendipity of Recommender System", in proc of the International Journal of Innovative Technology and Exploring Engineering IJITEE, Vol 5, No 3, Septembre 2021.

A. Menk, L. Sebastia, R. Ferreira, "Curumin, A serendipitous Recommender System based on Human Curiosity" in Procedia Computer Science 112 (2017), pp 484-493.

X Niu, F. Abbas, M. L. Maher, K. Grace, "Surprise Me If You Can : Serendipity in Health Information", Proc of the 2018 CHI Conference on Human Factors in Computing SystemsCHI 2018, CHI 2018, pp 1-12, Avril 2018, Montréal, Canada.

Étude des techniques de prédiction en Machine Learning pour lutter contre l’échec et le décrochage scolaire

  • Enseignante : Fahima DJELIL
  • Sujet en lien avec un stage : non.

Présentation du sujet

Algorithmes de comportements auto-organisés pour des essaims de drones

L'étude des "Robot swarms", ou essaims de robots, porte sur les systèmes comprenant de nombreux robots - ou drones - volants, roulants, etc. qui se coordonnent de façon autonome, à partir de règles de contrôle locales basées sur les perceptions du robot et son état actuel, à la manière d'agents dans les SMA. Les algorithmes de comportement que suivent les robots se basent souvent sur des principes d'auto-organisation inspirés de la biologie ou de la physique : mouvement coordonné, répartition de tâches, trouver le plus court chemin …

On s'intéresse ici particulièrement aux comportements qui mènent les robots à s'auto-organiser dans l'espace. Ces comportements sont au nombre de cinq : le flocking, l'agrégation, la couverture de zone, et la formation d'un pattern ou d'une chaine entre 2 points. Il est demandé dans ce travail de faire un état de l'art des différents algorithmes de comportement qui existent pour chacun de ces comportements. Le travail attendu doit être le plus exhaustif possible, et proposer une classification de ces algorithmes selon les critères les plus appropriés.

Références :

  • Schranz M, Umlauft M, Sende M and Elmenreich W. Swarm Robotic Behaviors and Current Applications. Frontiers in Robotics and AI, vol. 7, n°136, 2020
  • M. Brambilla, E. Ferrante, M. Birattari et M. Dorigo. Swarm robotics: a review from the swarm engineering perspective, Swarm Intelligence, vol. 7, n°11, pp. 1-41, 2013.
  • Krishnan, Vishaal and Sonia Martínez. Distributed Control for Spatial Self-Organization of Multi-agent Swarms. SIAM J. Control. Optim. vol. 56, pp. 3642-3667, 2018.
  • Trianni V., Campo A. Fundamental Collective Behaviors in Swarm Robotics. In: Kacprzyk J., Pedrycz W. (eds) Springer Handbook of Computational Intelligence. Springer Handbooks. Springer, Berlin, Heidelberg. 2015.

Interactions avec essaim de drones

  • Enseignant•e•(s) : Jérémy Rivière
  • Lien avec le stage Robotique en essaims et Systèmes Multi-Agents.

Il s'agira dans la bibliographie de faire une veille technologique des différents dispositifs de tracking existants, puis de comparer et d'évaluer ceux qui sont utilisés en particulier dans des travaux de recherche sur les essaims de robots (Mona et autres).

Techniques et usages possibles de la réalité virtuelle pour l’empathie environnementale

Teacher: Anne-Gwenn Bosser (ENIB) Lab-STICC - COMMEDIA. Subject related to an internship.

Génération automatique d’humour ou de jeux de mots

Teacher: Anne-Gwenn Bosser(ENIB) Lab-STICC - COMMEDIA. Subject not related to an internship

Principes et mise en oeuvre des architectures de Machine Learning de type « Transformers »

  • Teacher: Pierre De Loor, ENIB, Lab-STICC - COMMEDIA.
  • Subject not related to an internship

Subject summary

L'incarnation sensorimotrice d'un agent virtuel chez un humain en RV

Self-learning agents having intrinsic motivation to learn

  • Teacher: Pierre Chevaillier (ENIB) Lab-STICC COMMEDIA
  • Study not related to an internship

Intrinsic motivation drives artificial agents, such as robots, to discover novel ’states’ by exploring their environment. The exploration is not motivated by any explicit task-oriented goal, unless the one to learn. In other words, intrinsic motivation is for an agent the quest of novelty, which suppose for the agent to intrinsically curious. The concept has been used for self-learning agents using the principle of reinforcement learning. It leads the agent to learn new skills which may become useful to get some rewards in the future. This heuristic is interesting in situations where the agent would only get very sparse extrinsic rewards from its successful actions.

The above paragraph is dense in concepts which must be explained and formally defined: intrinsic motivation, novelty, curiosity-driven learning, etc. This study aims at presenting the scientific motivations behind this approach, the main principles of curiosity-driven learning and intrinsic motivation and their recent applications in reinforcement learning. The benefits of this approach should be clearly stated.

    • Aubret, A., Matignon, L., and Hassas, S. (2019). A survey on intrinsic motivation in reinforcement learning. ArXiv.
    • Nguyen, S. M., Duminy, N., Manoury, A., Duhaut, D., and Buche, C. (2021). Robots learn increas- ingly complex tasks with intrinsic motivation and automatic curriculum learning. Ku ̈nstliche Intelligenz, 35:81–90.
    • Oudeyer, P.-Y. (2018). The New Science of Curiosity, chapter Computational Theories of Curiosity- Driven Learning, pages 43–72. Psychology of Emotions, Motivations and Actions. Nova Science Publisher.
    • Pathak, D., Agrawal, P., Efros, A. A., and Darrell, T. (2017). Curiosity-driven exploration by self-supervised prediction. In Precup, D. and Teh, Y. W., editors, Proceedings of the 34th In- ternational Conference on Machine Learning, volume 70 of Proceedings of Machine Learning Research, pages 2778–2787. PMLR.

How naive agents can learn a representation of space from their sensorimotor experience?

  • Teacher: Pierre Chevaillier (ENIB) Lab-STICC COMMEDIA
  • Study not related to an internship

According to the Sensorimotor Contingency Theory (SCT), the acquisition of space knowledge results from the interaction between perception and body movements. This theory is based on Poincar ́e’s assumption that our body naturally compensates a change in our perception by a movement and thus ’embodies’ a representation of space. The (hidden) relationship between the agent’s sensations (sensory inputs) and its body movements (motor outputs) depends on the characteristics of its surrounding space, as the agent can experience it, that also depends on its own capabilities (perception and action).

It is an ambitious scientific track to try to implement such an embodied cognition in an artificial agent. Up to now it has been experimented by simulation on very simple setups, having in mind applications to robotics (Le Clec’H et al., 2016). Other authors have tried to put the SCT in action and to characterize what a space representation could be (Terekhov and O’Regan, 2016) and what kind of spacial properties could be learned (Laflaquière et al., 2018; Laflaquière, 2020).

This study shall briefly introduce the Sensorimotor Contingency Theory and present the principles and the recent results in the learning of space representation by a naive robotic agent.

Références

    • Laflaquière, A., O’Regan, J. K., Gas, B., and Terekhov, A. V. (2018). Discovering space – grounding spatial topology and metric regularity in a naive agent’s sensorimotor experience. Neural Network, 105:371–392.
    • Laflaquière, A. (2020). Emergence of spatial coordinates via exploration. arXiv:2010.15469v1 [cs.LG]. 4 pages, 2 figures, BabyMind Workshop at NeurIPS 2020.
    • Le Clec’H, G., Gas, B., and O’Regan, J. K. (2016). Acquisition of a space representation by a naive agent from sensorimotor invariance and proprioceptive compensation. International Journal of Advanced Robotic Systems, 13(6):172988141667513.
    • Terekhov, A. V. and O’Regan, J. K. (2016). Space as an invention of active agents. Frontiers in Robotics and AI, 3.

Recommandations de visualisation pour la cybersécurité

  • Teacher: Nicolas Delcombel, IMT Atlantique, Lab-STICC - INUIT.
  • Study not related to an internship

Présentation de l'étude

Méthodes de segmentation sémantique de nuages de points

  • Teacher: Cédric Buche (CNRS) IRL CROSSING
  • Study related to an internship (see 'page des stages')

Étude de l'impact des techniques d'interaction sur la perception en Réalité Augmentée

  • Teacher: Etienne Paillard (IMT Atlantique), Lab-STICC INUIT.
  • Study related to an internship (see page des stages).

IHM pour l'exploration de données temporelles

  • Teacher: Olivier Augereau (ENIB, Lab-STICC COMMEDIA)
  • Subject related to an internship

Communication non verbale en environnement virtuel

  • Teachers: Olivier Augereau (ENIB, Lab-STICC COMMEDIA), Antoine Dellavalle
  • Subject related to an internship (see page des stages)

Caractérisation Affective Automatique d’une Expérience Immersive

  • Teachers: Anne-Gwenn Bosser (ENIB), Olivier Augereau (ENIB), Lab-STICC COMMEDIA
  • Subject related to an internship (see 'page des stages')

Digital commensability in VR

  • Teachers: Elisabetta Bevacqua (ENIB), Gireg Desmeulles (ENIB), Lab-STICC - COMMEDIA
  • Subject related to an internship (see 'page des stages')

Reconnaissance automatique d’activités humaines

  • Teacher: Alexis Nédélec (ENIB) Lab-STICC - INUIT
  • Subject related to an internship.
  • Student : Vincent FER.
Récupérée de « http://siia.univ-brest.fr/w/index.php?title=BIBL&oldid=1070 »