Introduction à la robotique cognitive - cours Cogmaster
|
|
- Marie-Ange Lajoie
- il y a 7 ans
- Total affichages :
Transcription
1 Introduction à la robotique cognitive - cours Cogmaster Raja Chatila Institut des Systèmes Intelligents et de Robotique (ISIR) UPMC/CNRS R. Chatila 1
2 Le robot, paradigme de l IA... Initialement, l Intelligence Artificielle est: A. Turing J. McCarthy Un ensemble de programmes informatiques qui résolvent des problèmes habituellement résolus par des processus mentaux de haut niveau chez les humains Mais le robot est une machine Matérialisée (embodied, encorporée ); agissant dans un milieu qui est le monde réel, elle est mise en situation (situated). Robot : agent rationnel délibératif et réactif. Fonctions inter-agissantes et intégrées. 2
3 Le robot: principales capacités cognitives 3
4 Le robot: principales capacités cognitives Percevoir/représenter/ Apprendre l espace, les situations, les humains 3
5 Le robot: principales capacités cognitives Percevoir/représenter/ Apprendre l espace, les situations, les humains Se déplacer et agir: Le mouvement 3
6 Le robot: principales capacités cognitives Percevoir/représenter/ Apprendre l espace, les situations, les humains Se déplacer et agir: Le mouvement Anticiper décider réagir 3
7 Le robot: principales capacités cognitives Percevoir/représenter/ Apprendre l espace, les situations, les humains Communiquer Interagir Se déplacer et agir: Le mouvement Anticiper décider réagir 3
8 Le robot: principales capacités cognitives Percevoir/représenter/ Apprendre l espace, les situations, les humains Apprendre de nouvelles capacités Communiquer Interagir Se déplacer et agir: Le mouvement Anticiper décider réagir 3
9 La perception est imprécise et incertaine Vert: ultrasons Rouge: Laser Bleu: trajectoire odométrique Odométrie Stéréo Trajectoire réelle Laser 3D - Carte d élevation 4
10 La perception est imprécise et incertaine Vert: ultrasons Rouge: Laser Bleu: trajectoire odométrique Odométrie Stéréo Trajectoire réelle Laser 3D - Carte d élevation 4
11 Questions R. Chatila Comment le robot représente-t-il son environnement de manière cohérente et comment s'y localise-t-il? Comment planifie-t-il son propre mouvement, tout en étant réactif aux évolutions de l'environnement? Comment prend-il ses décisions et élabore-t-il des plans d'action, en particulier dans un monde incertain et partiellement connu? Comment peut-il interagir d'autres agents ou des humains? Comment apprend-il à améliorer ses actions? Et enfin, comment toutes ces fonctions peuventelles être organisées dans une architecture globale permettant un fonctionnement cohérent? 5
12 Cartographie et localisation simultanées: incertitudes R 0 6
13 Cartographie et localisation simultanées: incertitudes O 1 O 2 O 3 observation R 0 6
14 Cartographie et localisation simultanées: incertitudes O 1 O 2 O 3 observation R 0 6
15 Cartographie et localisation simultanées: incertitudes O 1 O 2 O 3 observation R 0 déplacement R 1 6
16 Cartographie et localisation simultanées: incertitudes O 1 O 2 O 3 observation R 0 déplacement R 1 6
17 Cartographie et localisation simultanées: incertitudes O 4 O 1 O 2 O 3 observation R 0 déplacement R 1 6
18 Cartographie et localisation simultanées: incertitudes O 4 O 1 O 2 O 3 observation R 0 déplacement R 1 6
19 Cartographie et localisation simultanées: incertitudes O 4 O 4 O 1 O 2 O 3 O 1 O 2 O 3 R 0 R 1 R 0 R 1 7
20 Outil fondamental: le filtre Bayésien x = état: robot + éléments de l environnement (amers) t = temps, (k: instants discrets) z = mesure u = commande η = normalisation Kalman Particulaire Markov 8
21 Outil fondamental: le filtre Bayésien Posteriori x = état: robot + éléments de l environnement (amers) t = temps, (k: instants discrets) z = mesure u = commande η = normalisation Kalman Particulaire Markov 8
22 Outil fondamental: le filtre Bayésien Posteriori Vraisemblance de la mesure zt si robot à xt x = état: robot + éléments de l environnement (amers) t = temps, (k: instants discrets) z = mesure u = commande η = normalisation Kalman Particulaire Markov 8
23 Outil fondamental: le filtre Bayésien Posteriori Vraisemblance de la mesure zt si robot à xt Priori: Distribution de probabilité de xt si le robot était à xt-1 et qu il a effectué l action ut-1 x = état: robot + éléments de l environnement (amers) t = temps, (k: instants discrets) z = mesure u = commande η = normalisation Kalman Particulaire Markov 8
24 Outil fondamental: le filtre Bayésien Posteriori Vraisemblance de la mesure zt si robot à xt Priori: Distribution de probabilité de xt si le robot était à xt-1 et qu il a effectué l action ut-1 Distribution de probabilité de xt-1 (itération précédente) x = état: robot + éléments de l environnement (amers) t = temps, (k: instants discrets) z = mesure u = commande η = normalisation Kalman Particulaire Markov 8
25 Exemple Laser 2D Approximations linéaires EKF 9
26 Exemple Laser 2D Approximations linéaires EKF 9
27 Exemple: Stéréo 10
28 Exemple: Stéréo 10
29 Example: SLAM à partir d images aériennes (uniquement) 11
30 Example: SLAM à partir d images aériennes (uniquement) 11
31 Perception: apprentissage et classification A partir d exemples, d observations: apprentissage supervisé. l environnement (ou le tuteur) fournit un nombre suffisant de couples entrée/sortie (pas toujours possible). Apprentissage de distributions de probabilités. Classique. Les problèmes sont liés aux modèles et à la complexité Apprentissage par renforcement R. Chatila 12
32 Classification par apprentissage supervisé Choix d attributs caractéristiques pour chaque cellule: Densité des points Différence de l élévation et variance Orientation moyenne de la normale et variance Classification supervisée bayésienne 4 classes: obstacle, accidenté, plat, inconnu Elaboration des associations Classes-Attributs pour construire les P(A Ci) à partir d exemples. P (A C i ) Utilisation en ligne P (C i A) = P (A C i)p (C i ) P (A) P (A) = X i P (A C i )P (C i ) 13
33 Modèle de terrain Plat Accidenté Obstacle Inconnu Image stéréo Classification Reprojection dans l image 14
34 Apprentissage de représentations sensori-motrices LEARNED SYMBOLS (Memory) Value (Reinforcement learning) LEARNED SKILLS (Memory) Associative memory: Learned sensori-motor representations Object Representations Composed Action synthesis Sensing Proprioception Actuation Environment R. Chatila 15
35 Génération du mouvement: plusieurs stratégies local: Potentiel Evaluation de mouvement local Easy terrains Suivi de chemin Stratégie de navigation R. Chatila 16
36 Planification du Mouvement
37 Planification du Mouvement
38 Raisonnement géométrique dans l espace des configurations du robot Espace des configurations. Topologie en général différente de celle de l espace réel. Recherche probabiliste pour structurer l espace des configurations C = S 1 x S 1
39 Raisonnement géométrique dans l espace des configurations du robot Espace des configurations. Topologie en général différente de celle de l espace réel. Recherche probabiliste pour structurer l espace des configurations C = S 1 x S 1
40 Raisonnement géométrique dans l espace des configurations du robot Espace des configurations. Topologie en général différente de celle de l espace réel. Recherche probabiliste pour structurer l espace des configurations C = S 1 x S 1
41 Raisonnement géométrique dans l espace des configurations du robot Espace des configurations. Topologie en général différente de celle de l espace réel. Recherche probabiliste pour structurer l espace des configurations C = S 1 x S 1
42 Raisonnement géométrique dans l espace des configurations du robot Espace des configurations. Topologie en général différente de celle de l espace réel. Recherche probabiliste pour structurer l espace des configurations C = S 1 x S 1
43 Raisonnement géométrique dans l espace des configurations du robot Espace des configurations. Topologie en général différente de celle de l espace réel. Recherche probabiliste pour structurer l espace des configurations C = S 1 x S 1
44 Raisonnement géométrique dans l espace des configurations du robot Espace des configurations. Topologie en général différente de celle de l espace réel. Recherche probabiliste pour structurer l espace des configurations C = S 1 x S 1
45 Raisonnement géométrique dans l espace des configurations du robot Espace des configurations. Topologie en général différente de celle de l espace réel. Recherche probabiliste pour structurer l espace des configurations C = S 1 x S 1
46 Formalisation de la prise de décision R. Chatila Notion d état et de transition d état par l action Contexte déterministe: logique des prédicats. Production d un plan Contexte incertain: <S, A,T, R, Ω, O > Indéterminisme de l action. Transition probabiliste entre états T: SxA S (distribution de probabilités). Processus markovien. Production d une politique maximisant une utilité. Si état S inconnu (probabilité de se trouver dans un état donné): Processus markovien partiellement observable. O: SxA π(ω). R: S A R : récompenses associées aux états et/ou aux actions Si probabilités de transition inconnues: apprentissage par renforcement. 19
47 Exemple observation état x 1 action u 3 état x 2 observation actions u 1, u 2 récompense récompense 20
48 Action a Processus markovien Monde: T(s,a,s ) Etat s Politique optimale AGENT: π a π*(s) = argmax a s' T(s, a, s )U(s ) R. Chatila T(s, a, s ) = Probabilité d atteindre un état s à partir de l état s U(s ) = Utilité de l état s. 21
49 Observabilité partielle MDP: Etat connu après exécution d une action POMDP:Estimation bayésienne de l état Observation o Monde: s s T(s,a,s ), O(s,a,o) Estimation b b b π: b a Action a R. Chatila 22
50 Mécanisme de décision Problème d optimisation séquentiel Principe d optimalité de Bellman. Maximiser l utilité U(s) qui s écrit comme fonction d un état et de la transition vers ses voisins: U i+1 (s) ß R(s) + γ max a s (T(s, a, s ) U i (s )) R. Chatila 23
51 Apprentissage par renforcement (RL) Q(s,a) = R(s) + γ s T(s,a,s )max a Q(s,a ) Environnement t+1 t st+1 st Action at R. Chatila rt+1 rt Actions non déterministes 24
52 Objectif de l apprentissage Apprendre l utilité d une politique U π (s) : Somme des récompenses espérées pour cette politique. Politique maximisant l utilité. U (s) =E " 1 X t=0 t R(s t ), s 0 = s Combiner: Exploitation: maximise la récompense globale dans l état d estimation actuel des utilités. Exploration: pour éviter l application systématique de politiques sousoptimales. Tirage aléatoire d une action pour explorer d autres voies. # R. Chatila 25
53 Interaction et coopération Evaluation de la situation Coopération La perspective de l autre 26
54
55
56 Le robot délibératif et réactif Intégrer dans un seul système Les capacités d anticipation et de décision au long terme La prise en compte de l incertain dans la perception, l action et l évolution du monde Les capacités d apprentissage Les capacités de réaction et d adaptation à l environnement immédiat R. Chatila 28
57 Architecture Planification/Action Modèle BDI Planification (états, temps, ressources) symbolique Supervision réactive Modules fonctionnels ( numérique ) Coopération et redondance R. Chatila Architecture hybride 3 couches Représentations symboliques Raisonnement logique 29 Calcul numérique
58 Décisions simples Modularité Module. Modèle formel: automate à états finis T T S S T T S T S T S T R. Chatila T 30
59 Architecture cognitive conceptuelle
60 Remarques de conclusions Compatibilité de la représentation avec la tâche Obligation du sens : le monde doit faire sens pour permettre l action Compatibilité de la décision et de l action avec la dynamique de l environnement et de la tâche (et non pas la rapidité) La nécessité de l auto-référence (conscience de soi) par rapport à l extérieur? R. Chatila 32
Intelligence artificielle et les défis en robotique mobile et autonome
Intelligence artificielle et les défis en robotique mobile et autonome Éric Beaudry http://planiart.usherbrooke.ca/~eric/ Étudiant au doctorat en informatique Laboratoires Planiart et Laborius 13 février
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailAudition pour le poste de Maître de conférence INSA Lyon distributed Robotics avec aectation au CITI. Guillaume Lozenguez.
Audition pour le poste de Maître de conférence INSA Lyon distributed Robotics avec aectation au CITI Guillaume Lozenguez Chercheur post-doctorant, École Normale Supérieure de Lyon, CNRS Doctorat en cotutelle
Plus en détailSLAM Visuel 3D pour robot mobile autonome
Master de Sciences Mention «Imagerie, Robotique et Ingénierie pour le Vivant» - Projet de Fin D étude - SLAM Visuel 3D pour robot mobile autonome Romain Drouilly Encadrants ECA Benoit Morisset Pierrick
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailRobotique Mobile. David Filliat
Robotique Mobile David Filliat Avril 2012 David FILLIAT École Nationale Supérieure de Techniques Avancées ParisTech Robotique Mobile 2 Cette création est mise à disposition selon le Contrat Paternité-Pas
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
Plus en détailContrôle stochastique d allocation de ressources dans le «cloud computing»
Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailIntroduction à la robotique Licence 1ère année - 2011/2012
Introduction à la robotique Licence 1ère année - 2011/2012 Laëtitia Matignon GREYC-CNRS Université de Caen, France Laetitia Matignon Université de Caen 1 / 61 Plan Définitions 1 Définitions 2 3 Robots
Plus en détailLes apports de l informatique. Aux autres disciplines
Les apports de l informatique Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailun environnement économique et politique
Vision d un économiste sur le risque agricole et sa gestion un sol un climat un environnement économique et politique Jean Cordier Professeur Agrocampus Ouest Séminaire GIS GC HP2E Prise en compte du risque
Plus en détailProgrammation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006
vendredi 8 septembre 2006 Programmation d'agents intelligents Vers une refonte des fils de raisonnement Stage de fin d'études Master IAD 2006 Benjamin DEVEZE Responsable : M. Patrick TAILLIBERT Plan Plan
Plus en détailIntroduction à l informatique temps réel Pierre-Yves Duval (cppm)
Introduction à l informatique temps réel Pierre-Yves Duval (cppm) Ecole d informatique temps réel - La Londes les Maures 7-11 Octobre 2002 -Définition et problématique - Illustration par des exemples -Automatisme:
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailCouplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites
Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailRappel sur les bases de données
Rappel sur les bases de données 1) Généralités 1.1 Base de données et système de gestion de base de donnés: définitions Une base de données est un ensemble de données stockées de manière structurée permettant
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailRepères Gérer la capacité
Repères Gérer la http://www.agilecom.fr Les enjeux de la gestion de la Réaliser cet ajustement est un effort continuel : La stratégie de l entreprise évolue avec la conjoncture ; Les métiers développent
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailUne dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU
Une dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU Gabriel Antoine Louis Paillard Ce travail a eu le soutien de la CAPES, agence brésilienne pour
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailApprentissage artificiel pour l ordonnancement des tâches dans les grilles de calcul
Université Paris-Sud Apprentissage artificiel pour l ordonnancement des tâches dans les grilles de calcul Thèse de doctorat en vue de l obtention du grade de docteur de l université Paris XI Spécialité
Plus en détailPréparé au Laboratoire d Analyse et d Architecture des Systèmes du CNRS
Année 2004 THESE Préparé au Laboratoire d Analyse et d Architecture des Systèmes du CNRS En vue de l obtention du titre de Docteur de l Institut National Polytechnique de Toulouse Spécialité : Informatique
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
Plus en détailEnvironnement Architecture de controle. Décisions
Chapitre 1 Introduction 1.1 Robot Mobile Il existe diverses définitions du terme robot, mais elles tournent en général autour de celle-ci : Un robot est une machine équipée de capacités de perception,
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailEléments de spécification des systèmes temps réel Pierre-Yves Duval (cppm)
Eléments de spécification des systèmes temps réel Pierre-Yves Duval (cppm) Ecole d informatique temps réel - La Londes les Maures 7-11 Octobre 2002 - Evénements et architectures - Spécifications de performances
Plus en détailLIDAR LAUSANNE 2012. Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés
LIDAR LAUSANNE 2012 Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés LIDAR 2012, nouveaux modèles altimétriques 1 Affaire 94022 /
Plus en détailLa Geo-Business Intelligence selon GALIGEO avec 26/10/2005 1
La Geo-Business Intelligence selon GALIGEO avec ESRI 2005 session «Décisionnel» 26/10/2005 1 La Business Intelligence : Une Définition La Business intelligence permet l utilisation des données opérationnelles
Plus en détailConstruction bayésienne de prévisions probabilistes à partir des sorties d'un modèle déterministe pluie-débit
Construction bayésienne de prévisions probabilistes à partir des sorties d'un modèle déterministe pluie-débit Marie Courbariaux, Éric Parent & Pierre Barbillon INRA/AgroParisTech, UMR518 MIA, 75231 Paris,
Plus en détailProbabilités (méthodes et objectifs)
Probabilités (méthodes et objectifs) G. Petitjean Lycée de Toucy 10 juin 2007 G. Petitjean (Lycée de Toucy) Probabilités (méthodes et objectifs) 10 juin 2007 1 / 19 1 Déterminer la loi de probabilité d
Plus en détailimvision System Manager
SYSTIMAX Solutions imvision System Manager Logiciel de Gestion de l Infrastructure www.commscope.com imvision System Manager Vision imvision System Manager peut vous donner une vue complète de votre infrastructure
Plus en détailOptimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailGENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT
Remarque : Tous les cours sont en français, sauf contre-indication. Pour des traductions anglaises des titres, des descriptifs, et plus de renseignements, consultez l intégralité du Programme des enseignements
Plus en détailProgramme détaillé des enseignements
Programme détaillé des enseignements SEMESTRE S1 commun aux spécialités (MSIR, IDL, TechMed) Type d'u.e. (1) OP Intitulé et descriptif des U.E. GENIE LOGICIEL AVANCE Gestion de projets. Qualité logicielle.
Plus en détailPensezdifféremment: la supervision unifiéeen mode SaaS
Pensezdifféremment: la supervision unifiéeen mode SaaS Web-séminaire Bull-CA Technologies 25 Mars 2014 2014 CA. All rights reserved. Agenda Introduction : pourquoi la supervision unifiée? Pourquoi le SaaS?
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailCartographie mobile implantée au service de police de la ville de Québec
Cartographie mobile implantée au service de police de la ville de Québec NSim Technology Jimmy Perron, M. Sc. Président NSim Technology Le SPVQ > Désert plus de 550 000 citoyens > 1000 employés (Policiers
Plus en détailEconomie de l Incertain et des Incitations
Economie de l Incertain et des Incitations CHAPITRE 2 Eléments de théorie des jeux en information symétrique et asymétrique Equilibres Bayesiens - Université de Tours - M1 AGE - Arnold Chassagnon - Automne
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailIntelligence Artificielle et Robotique
Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité
Plus en détail25/12/2012 www.toubkalit.ma
25/12/2012 www.toubkalit.ma 1 Définition Exemple des méthodes agiles Valeurs Principes Le cycle itératif et incrémental (Itération/Sprint) Schéma de travail Méthode Scrum. Méthode XP (Extreme programming).
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailZOOM SUR 10 DEMONSTRATIONS
ZOOM SUR 10 DEMONSTRATIONS Colombes, jeudi 3 février 2010 UN SYSTEME DE VIDEO SURVEILLANCE GRANDEUR NATURE Thales révolutionne l affichage des systèmes de vidéo surveillance en permettant aux opérateurs
Plus en détailDiagnostic adaptatif d'un flux d'alarmes par méta diagnostic distribué Application à la détection d'intrusions dans un serveur Web
LogAnalyzer Thomas Guyet 1,2, René Quiniou 2 et Marie Odile Cordier 3 1 AGROCAMPUS OUEST 2 INRIA/IRISA Centre de Rennes (Équipe DREAM) 3 Université de Rennes/IRISA (Équipe DREAM) Contact : thomas.guyet@irisa.fr
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailIAFACTORY. sommaire MATERIALIZE YOUR NEXT SUCCESS. étude marketing, expérience utilisateur, ergonomie étude concurrentielle. principes.
sommaire principes p objectifs méthode prestation, livrable, tarif aperçu visuel à propos d MATERIALIZE YOUR NEXT SUCCESS conseil en architecture de l information www.iafactory.fr contact@iafactory.fr
Plus en détailPagaie rouge. Lieu de pratique Plan d eau calme ou piscine comprenant un parcours sur deux buts (terrain 36 mètres par 20 mètres).
Compétences Compétences générales Naviguer avec vitesse et précision (performance) en s engageant et en prenant des informations pertinentes dans un contexte très complexe et incertain de déplacement,
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailConception d un lecteur de musique intelligent basé sur l apprentissage automatique.
Université de Mons Faculté des Sciences Institut d Informatique Service d Algorithmique Conception d un lecteur de musique intelligent basé sur l apprentissage automatique. Mémoire réalisé par Xavier DUBUC
Plus en détailModèles et simulations informatiques des problèmes de coopération entre agents
Modèles et simulations informatiques des problèmes de coopération entre agents Bruno Beaufils LIFL Axe CIM Équipe SMAC Laboratoire d'informatique Plan 1. Motivations 2. Dilemme itéré du prisonnier 3. Simulations
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailJeux sous forme extensive (Jeux dynamiques)
(Jeux dynamiques) Plan du chapitre ( juillet 008) / éfinitions, exemples et équivalences Arbres de jeux, information et mémoire tratégies et réduction en forme normale Équilibre de Nash parfait en sous-jeux
Plus en détailENREGISTREUR DE COMMUNICATIONS
ENREGISTREUR DE COMMUNICATIONS CRYSTAL Des innovations technologiques pour des avantages incomparables Dans le monde des affaires, de la sécurité, des administrations, les communications téléphoniques
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détailMise en place du Business Activity Monitoring (BAM) pour piloter les processus logistiques grâce aux Echanges de Données Informatisés (EDI)
Mise en place du Business Activity Monitoring (BAM) pour piloter les processus logistiques grâce aux Echanges de Données Informatisés (EDI) Thierry BIARD (DHL) MSIR 2006-2008 Soutenance de thèse professionnelle
Plus en détailIntelligence Artificielle Planification
Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes
Plus en détailVertec Engineering L ERP professionnel pour ingénieurs
Vertec Engineering L ERP professionnel pour ingénieurs Gestion simple des projets, clients et prestations la solution modulaire et complète destinée aux ingénieurs Vertec Engineering couvre en un produit
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailIV - Programme détaillé par matière (1 fiche détaillée par matière)
IV - Programme détaillé par matière (1 fiche détaillée par matière) Matière : Asservissement numérique Introduction aux systèmes échantillonnés (signal échantillonné, échantillonnage idéal, transformation
Plus en détailJoueur B Pierre Feuille Ciseaux Pierre (0,0) (-1,1) (1,-1) Feuille (1,-1) (0,0) (-1,1) Ciseaux (-1,1) (1,-1) (0.0)
CORRECTION D EXAMEN CONTROLE CONTINU n 1 Question de cours Question 1 : Les équilibres de Cournot et de Stackelberg sont des équilibres de situation de duopole sur un marché non coopératif d un bien homogène.
Plus en détailLe programme d examens du Bureau canadien des conditions d admission en génie d Ingénieurs Canada englobe 19 domaines du génie.
INTRODUCTION Le programme d examens du Bureau canadien des conditions d admission en génie d Ingénieurs Canada englobe 19 domaines du génie. Le programme d examens de chaque domaine se divise en deux catégories
Plus en détailCréer le schéma relationnel d une base de données ACCESS
Utilisation du SGBD ACCESS Polycopié réalisé par Chihab Hanachi et Jean-Marc Thévenin Créer le schéma relationnel d une base de données ACCESS GENERALITES SUR ACCESS... 1 A PROPOS DE L UTILISATION D ACCESS...
Plus en détailProgrammation de services en téléphonie sur IP
Programmation de services en téléphonie sur IP Présentation de projet mémoire Grégory Estienne Sous la supervision du Dr. Luigi Logrippo Introduction La téléphonie sur IP comme support à la programmation
Plus en détailData 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients
Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares
Plus en détailSéduisez, informez et gardez tous vos clients en ligne!
Séduisez, informez et gardez tous vos clients en ligne! Accueil musical Pré-décroché Répondeur Paramétrable par le web Une solution très simple d utilisation et sans abonnement D un simple clic, vos messages
Plus en détailManuel d utilisation de la plate-forme de gestion de parc UCOPIA. La mobilité à la hauteur des exigences professionnelles
Manuel d utilisation de la plate-forme de gestion de parc UCOPIA La mobilité à la hauteur des exigences professionnelles 2 Manuel d utilisation de la plate-forme de gestion de parc UCOPIA 1 Table des matières
Plus en détailOutils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP
Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP Christophe Joubert Séminaire VASY 2002 30 Octobre 2002 Aix les Bains Contexte du projet
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailEXERCICE 2 : SUIVI CINETIQUE D UNE TRANSFORMATION PAR SPECTROPHOTOMETRIE (6 points)
BAC S 2011 LIBAN http://labolycee.org EXERCICE 2 : SUIVI CINETIQUE D UNE TRANSFORMATION PAR SPECTROPHOTOMETRIE (6 points) Les parties A et B sont indépendantes. A : Étude du fonctionnement d un spectrophotomètre
Plus en détailINF 1250 INTRODUCTION AUX BASES DE DONNÉES. Guide d étude
INF 1250 INTRODUCTION AUX BASES DE DONNÉES Guide d étude Sous la direction de Olga Mariño Télé-université Montréal (Québec) 2011 INF 1250 Introduction aux bases de données 2 INTRODUCTION Le Guide d étude
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailLes enjeux de la mobilité et de la réalité augmentée dans les jeux éducatifs localisés. GéoEduc3D
Les enjeux de la mobilité et de la réalité augmentée dans les jeux éducatifs localisés Le projet de recherche GéoEduc3D Sylvain GENEVOIS Chargé d études et de recherche (INRP, équipe EducTice) Docteur
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détail