Apprentissage de modèles de comportement pour le contrôle d'exécution et la planification robotique

Autonomous robotic systems evolve in unpredictable environments, and have to deal with sensor uncertainties. They are usually built with robustness in mind and not to give a model of their behaviour. These models are necessary for high-level decision making like planning or execution control. In nowadays applications, their are often very simplified with respect to a real application. We propose to talk about automated building of intermediate stochastic models for real-world robotics. First, we are going to explain how to learn hidden Markov models from raw sensor data to hidden internal states. Then we are going to talk about larger models and explain why exact inference in such models is not tractable. We will show an algorithm for learning such models. We then show how to use these models to optimize a robotic behaviour and for the system to decide to learn.Les systèmes robotiques autonomes évoluent dans des environnements fortement imprévisibles, et sont sujets à des très grandes imprécisions des capteurs et de leur connaissance en général. De fait, ils sont construits dans l'objectif de robustesse et non pas de fournir des modèles de leur comportement, qui sont nécessaires à la prise de décision de plus haut niveau, type planification ou contrôle d'exécution. Dans les applications actuelles, ils sont souvent très abstraits et simplifiés par rapport à une application réelle. Nous proposons d'explorer la construction automatique de modèles intermédiaires stochastiques pour des systèmes robotiques réels. Dans un premier temps, nous expliquons la construction de modèles de Markov cachés, des données brutes à la définition d'états inobservables, et leur apprentissage. Nous passons ensuite à des modèles d'expressivité plus grande, et expliquons pourquoi les méthodes de calcul exact sont impossibles à appliquer. Nous montrons alors un algorithme original d'apprentissage quantitatif de tels modèles, et passons en revue différentes méthodes d'apprentissage de la causalité sous-jacente. Nous montrons une utilisation de tels modèles pour optimiser un comportement robotique, et pour que le système puisse décider d'apprendre