Thèmes Scientifiques TS5 : Données et Modèles

LES TS

LES AP

TS5 : Données et Modèles

Le TS5 s’intéresse aux questions scientifiques liées aux Données et Modèles utilisés dans les différents champs de la robotique.

Les approches data-driven prennent aujourd'hui une place de plus en plus importante en Robotique. Ces approches font référence à l'utilisation massive et intensive de données dans les phases de conception, d'exploitation et d'amélioration des robots. Elles couvrent de nombreux domaines scientifiques allant de la perception (localisation, cartographie, etc.) au contrôle (commande, planification, aide à la décision, diagnostic, etc.). Les champs applicatifs sont également très larges : robotique autonome (sous-marine, terrestre, aérienne), robotique médicale, robotique sociale, robotique industrielle, etc.

Bien que ces stratégies prennent de plus en plus de place dans tous les domaines de la Robotique, il est cependant important de ne pas négliger les approches basées modèle et d'étudier les possibilités et les limites, ainsi que le potentiel de l'hybridation de ces deux approches.

Il est également indispensable d'avoir une réflexion autour de la qualité et la quantité de données nécessaires à l'obtention de modèles fiables et stables mais surtout explicables. En effet, il n'est pas toujours facile d'obtenir les données nécessaires à la modélisation de systèmes robotiques sachant que des contraintes humaines, financières, énergétiques et éthiques peuvent être bloquantes. On peut également se questionner sur la manière de réduire le besoin en données et en annotation.

Thèmes émergents et défis

Acquisition, génération et mise à disposition des données
Les expérimentations robotiques génèrent de grandes quantités de données, de manière particulièrement coûteuse (en temps, en argent, en énergie). L'effort de mettre à disposition ces données à la communauté s'accroît avec le temps, et de plus en plus de bases de données pour le benchmarking sont partagées. L'annotation, le stockage, le respect des données personnelles restent cependant des problématiques qui doivent être étudiées. La question de la simulation est également clé pour réduire le coût de génération des données.

Frugalité des données et modèles
Un défi majeur des recherches actuelles consiste à aller vers une robotique plus "frugale", à la fois en termes de données et d'annotation (apprentissage faiblement ou auto-supervisé, apprentissage actif, simulation et transfert d'apprentissage), et de modèles et calculs (apprentissage de représentations parcimonieuses, réseaux impulsionnels).

Hybridation modèles et données
L'hybridation entre les approches basées modèle et données est en pleine expansion. Le but est de pouvoir tirer profit des avantages de ces deux approches. En particulier, l'utilisation de modèles en association avec les méthodes basées données peut permettre de réduire le besoin en données, d'obtenir des garanties de stabilité et robustesse et une meilleure explicabilité du modèle obtenu. Une réflexion pourra également être menée sur les possibilités d'enrichir les modèles physiques grâce aux enseignements des méthodes statistiques.

Explicabilité, stabilité, fiabilité, certification
L'essor des méthodes s'appuyant sur des données, pose de nouveaux défis pour garantir un niveau de stabilité, de fiabilité et d'explicabilité suffisant pour permettre leur intégration et leur certification pour des applications robotiques. Pour répondre à ces enjeux, des travaux sont à mener notamment sur l'amélioration des connaissances formelles sur le fonctionnement et la stabilité des méthodes d'apprentissage, l'estimation de l'incertitude des prédictions des réseaux de neurones, ou encore l'étude des vulnérabilités potentielles des modèles appris face aux attaques adversaires.