Apprentissage par inférence active appliqué à la conduite autonome de véhicule

Why.
Evaluer une approche récente d’Intelligence Artificielle tirée de récents travaux en Neuroscience par l’application à la conduite autonome de véhicule par l’interfaçage avec un simulateur de conduite
Partant de l’expérience Octo sur l’apprentissage par renforcement appliqué à la conduite autonome, nous proposons d’expérimenter une nouvelle approche novatrice plus proche du fonctionnement humain






Profil.Vous aimez explorer le fonctionnement d’un système jusque dans ses tréfonds, et vous faites preuve d’intérêt par le fait d’appliquer de l’IA à un cas concret. Vous êtes capable d’implémenter et de faire du « hands on ». Vous aimez le Machine Learning : plonger dans un papier de recherche plein de calculs matriciels et de dérivations de gradient ne te fait pas peur. Vous êtes à l’aise avec Python, idéalement TensorFlow / Keras, voire équivalent. Idéalement, vous avez une première expérience en Reinforcement Learning.





Missions.L’objectif de ce stages est de : Comprendre et expliquer les spécificités de l’application de l’approche d’Intelligence Artificielle par inférence active à un problème de simulation de conduite autonome de voiture (pas de « reward », transformation du flux video, …) Mettre en oeuvre un modèle d’inférence active utilisant la simulation Donkey Car portée sur OpenGYM (optionnel) Mettre en oeuvre le modèle d’inference active sur le prototye OCTO d’Iron Car (Octonomous)





Déroulement.
Étape 1 : Etat de l’art Se familiariser avec les différents algorithmes d’active inference au travers d’une étude bibliographique et des mises en application simples. Prendre connaissance des modèles d’inférence active & de RL existants à Octo sur des sujets connexes

Étape 2 : Cadrage Participer à la définition de l’architecture de l’algorithme à utiliser l’agent, ainsi que des objectifs de performance précis Recherche d’une métrique, de l’intégration de flux vidéo, …

Étape 3 : Réalisation Travailler à la réalisation de l’agent et de l’interfaçage avec le simulateur, dans le but d’obtenir une première version fonctionnelle (simplifiée) le plus rapidement possible, puis de se rapprocher de la réalité par itérations Optionnel

Étape 4 : Mettre en oeuvre l’algorithme sur le prototype Octo d’Iron Car Déployer l’algorithme sur Octonomous afin d’évaluer ses performances en situation réelle, en fonction du temps imparti
Étape 5 : Partage de connaissances Outre les deux présentations obligatoires, vous pourrez partager vos avancées via : La rédaction d’un article sur le blog OCTO Des présentations / discussions informelles entre Octos




Et après...Après la signature du CDI débute le Graduate Program, un accélérateur de carrière de 8 mois.


En savoir plus




Conditions.Stage de pré-embauche, Rémunération : 1500€/mois