ar

منصب ما بعد الدكتوراه - تعلم الروبوت المتنقل مع الحد الأدنى من الإشراف

منصب ما بعد الدكتوراه - تعلم الروبوت المتنقل مع الحد الأدنى من الإشراف

فرنسا 19 أوت 2021
LabEx IMobS3

LabEx IMobS3

جامعة حكومية (فرنسا), تصفح الفرص المماثلة

تفاصيل الفرصة

المكافأة الإجمالية
0 $
جامعة حكومية
المنطقة
البلد المضيف
آخر موعد للتقديم
19 أوت 2021
المستوى التعليمي
نوع الفرصة
التخصصات
تمويل الفرصة
غير ممولة
الدول المؤهلة
هذه الفرصة متوفرة لجميع البلدان
المنطقة المؤهلة
جميع المناطق

في إطار المشروع البحثي "أنظمة وخدمات مبتكرة للنقل والإنتاج" IDEX / I-SITE CAP 20-25 (التحدي 2) و LabEx IMobS 3 ، وبفضل برنامج كرسي FrenchTech ، تم اقتراح وظيفة ما بعد الدكتوراه لـ المرشحون المتحمسون للغاية المهتمون برؤية الكمبيوتر والروبوتات المحمولة.

موضوع

تعلم الروبوت المحمول مع الحد الأدنى من الإشراف

سياق المشروع

يتم تمويل هذا الدكتوراة من خلال برنامج FrenchTech / I-SITE CAP 20-25 Chaire d'Excellence . سينضم المرشح إلى مجموعة Image و Perception Systems و Robotics في Institute Pascal والتي تتمتع بخبرة طويلة في رؤية الكمبيوتر والروبوتات المحمولة. سيتم إجراء هذا البحث في سياق التعاون المستمر بين معهد باسكال والبروفيسور يوخن تريش من معهد فرانكفورت للدراسات المتقدمة (FIAS).

المشروع العلمي وأهدافه

أدى الجمع بين التعلم المعزز والشبكات العصبية العميقة إلى نتائج رائعة في السنوات القليلة الماضية ، مثل تفوق أجهزة الكمبيوتر على البشر في بعض الألعاب (Mnih et al. ، 2015 ، Silver et al. ، 2016) وأظهرت نتائج واعدة في المهام الروبوتية عند توفر بعض السوابق (Lilicrap et al. 2015 ، Finn et al. 2016). ومع ذلك ، فإن تعلم المهام المعقدة لروبوتات التلاعب بالأجهزة المحمولة بدون مقدمات قوية لا يزال يمثل تحديًا نظرًا لأن السلوكيات المحددة جدًا فقط قد تؤدي إلى أي مكافآت. اكتشاف هذه السلوكيات من خلال استكشاف عواقب الحركات العشوائية أمر بعيد الاحتمال للغاية. يشير هذا إلى أن عملية التعلم لا يمكن أن تعتمد على الاستكشاف العشوائي ولكن يجب أن يتم تنظيمها بذكاء.

في أطروحة دكتوراه حديثة ، اقترحنا إطارًا جديدًا للتعلم المعزز العميق لمعالجة هذه المشكلة في سياق تعلم المهام الحركية المرئية (de La Bourdonnaye et al. 2017 ، 2018 ، 2019). لقد نظرنا في مهمة تصل إلى كائن على منصة آلية تشتمل على نظام رؤية مجهر نشط وذراع روبوت. أظهرنا التعلم الحسي الحركي على مراحل باستخدام الإشراف الهجومي فقط. على وجه الخصوص ، لم يتم استخدام الحركية الأمامية / العكسية ، والوحدات البصرية المدربة مسبقًا ، والمعرفة المتخصصة ، ولا معلمات المعايرة. ومع ذلك ، باتباع نظام تعليمي مرحلي ، حيث يتم تعلم المهارات الصعبة بالإضافة إلى المهارات الأبسط ، تم تعلم مهارة اللمس المعقدة بسرعة. في مشروع ما بعد الدكتوراه هذا ، نقترح معالجة المهام الأكثر صعوبة في سياق التنقل من خلال دمج منصة روبوت متنقلة.

أولاً ، سيتم تكييف إطار الرؤية المجهر لدينا للتعامل مع الخلفيات والمشاهد المختلفة التي تنشأ عندما يتحرك الروبوت. ثانيًا ، باستخدام درجات إضافية من الحرية ، سيتعلم الروبوت بشكل مستقل الاقتراب من الأشياء حتى يتمكن من لمسها والتعامل معها. في عملنا السابق ، أظهرنا بالفعل كيف يمكن للروبوت أن يتعلم بشكل مستقل ما إذا كان الكائن في متناول اليد. الآن سوف يتعلم الروبوت أيضًا التحرك نحو الكائن بحيث يمكن لمسه ومعالجته بشكل موثوق. في الخطوة الأخيرة ، سيتعلم الروبوت بشكل مستقل متابعة الأشياء (أو الأشخاص) من خلال البيئة. سنقتصر أولاً على عمليات المحاكاة. وفكر في تجارب الروبوت الحقيقي بناءً على التقدم والنتائج.

متطلبات

مراجع

De La Bourdonnaye، F.، Teulière، C.، Triesch، J.، & Chateau، T. (2019). في متناول اليد؟ تعلم لمس الأشياء بدون نماذج سابقة ، في ICDL-EpiRob.

De La Bourdonnaye، F.، Teulière، C.، Triesch، J.، & Chateau، T. (2018). التعلم على مراحل للوصول باستخدام القليل من المعرفة السابقة. الحدود في الروبوتات والذكاء الاصطناعي ، 5 .

De La Bourdonnaye، F.، Teulière، C.، Chateau، T.، & Triesch، J. (2017، May). تعلم التثبيتات ثنائية العين باستخدام كشف الشذوذ مع التعلم المعزز العميق. في IJCNN 2017 (ص 760-767).

Mnih، V.، Kavukcuoglu، K.، Silver، D.، Rusu، AA، Veness، J.، Bellemare، MG، ... & Petersen، S. (2015). التحكم على مستوى الإنسان من خلال التعلم المعزز العميق. الطبيعة ، 518 (7540) ، 529.

Silver، D.، Huang، A.، Maddison، CJ، Guez، A.، Sifre، L.، Van Den Driessche، G.، ... & Dieleman، S. (2016). إتقان لعبة Go مع الشبكات العصبية العميقة والبحث عن الأشجار. الطبيعة ، 529 (7587).

Lillicrap، TP، Hunt، JJ، Pritzel، A.، Heess، N.، Erez، T.، Tassa، Y.، ... & Wierstra، D. (2015). التحكم المستمر مع التعلم التعزيزي العميق. طبع arXiv التمهيدي arXiv: 1509.02971.

Finn، C.، Tan، XY، Duan، Y.، Darrell، T.، Levine، S.، & Abbeel، P. (2016، May). المشفرات التلقائية المكانية العميقة للتعلم البصري الحركي. في ICRA 2016.

المعلومات والاتصال

المستشارون :

- البروفيسور يوخن تريش (معهد فرانكفورت للدراسات المتقدمة)

- الدكتورة سيلين توليير (معهد باسكال ، جامعة آسيا الوسطى)

المدة : عقد مدته سنة واحدة

تاريخ البدء : يونيو 2021

المجموعة البحثية : معهد باسكال

الجامعة : جامعة كليرمون أوفيرني (UCA) - كليرمون فيران - فرنسا

جهة الاتصال : celine.teuliere@uca.fr

مؤسسات أخرى


اختر وجهتك الدراسية


اختر البلد الذي توّد السفر إليه للدراسة مجانا أو العمل أو التطوع

يمكنك أن تجد أيضا