Mixed approaches to achieve autonomous robot mission tasks using AI Planning and Reinforcement Learning

L’utilisation de l’intelligence artificielle dans le domaine des missions robotiques complexesa donné des résultats révolutionnaires, cette technologie jouant un rôle central dansl’élaboration et le suivi des tâches. Cependant, pour démontrer sa résilience, un robot doitêtre capable d’identifier une méthode pour atteindre son objectif, même dans des circonstancesoù l’environnement présente un comportement inattendu. La planification automatiséeet l’apprentissage par renforcement se caractérisent par des visions complémentairesdes processus décisionnels. La première approche s’appuie sur des connaissances préalablespour créer un modèle, puis calculer une solution à partir de ce modèle. À l’inverse, les techniquesd’apprentissage par renforcement dépendent de l’interaction avec l’environnement etde l’expérience répétée, indépendamment des connaissances préalables. Cela permet auxrobots de s’adapter à l’environnement avec résilience, mais nécessite souvent une quantitéd’expérience peu réaliste. La thèse, intitulée « Approches mixtes pour réaliser des tâchesde mission robotique autonome à l’aide de la planification par IA et de l’apprentissage parrenforcement », propose des méthodologies pour l’intégration de ces deux approches, tirantainsi parti des atouts de chacune et traitant les problèmes qui découlent de cette intégration.Ces méthodes sont utilisées pour résoudre des problèmes d’apprentissage par renforcementdans des environnements simulés et réels.