Doctorant en robotique H/F

Sujet de thèse :
L’apprentissage par renforcement est devenu un outil central pour la locomotion artificielle, mais il reste encore principalement utilisé pour contrôler des robots dont la morphologie a déjà été fixée. Cette thèse examinera comment les politiques de locomotion apprises peuvent, au contraire, devenir partie intégrante du processus de conception lui-même. L’objectif scientifique est de développer des méthodes d’apprentissage par renforcement capables d’évaluer, de comparer et, à terme, de guider le choix des morphologies robotiques pour la locomotion dynamique de quadrupèdes. Le travail abordera le défi central consistant à apprendre des politiques qui restent pertinentes malgré les variations de corps, de propriétés d’actionnement et de dynamiques de contact. Ces méthodes fourniront la base algorithmique nécessaire à la co-conception de quadrupèdes dont la mécanique et le contrôle sont optimisés conjointement plutôt que séquentiellement.

Contexte :
Le travail se déroulera au sein de l'équipe Gepetto du LAAS-CNRS, spécialisée dans la planification, la génération et la commande de mouvements de robots à pattes, en particulier des robots humanoïdes et quadrupèdes. L'activité s'inscrit dans le cadre du projet ANR QuadrupedATIM, consacré au développement de nouvelles méthodes de locomotion et de contrôle pour un robot quadrupède expérimental, en s'appuyant sur les plateformes robotiques et logicielles de l'équipe. La thèse sera encadré par Nicolas Mansard et Thomas Flayols, chercheurs au sein de l'équipe Gepetto, dans un environnement de recherche reconnu internationalement en robotique de locomotion