Type de recrutement
Thèse
Durée
Rattachement
LS2N / IMT Atlantique
Fin de l'affichage
Détails (fichier)
Réseaux Neuronaux Récurrents pour une Commande à base d’Apprentissage avec des Garanties de Robustesse (NN4ROC)
Directeur de thèse : M. Philippe Chevrel
Laboratoire : LS2N – Laboratoire des Sciences du Numérique de Nantes (UMR CNRS 6004)
École Doctorale : SPIN – Sciences pour l’Ingénieur et le Numérique
Début de la thèse : 1er septembre 2025 – Fin : 31 août 2028
Contact : philippe.chevrel@imt-atlantique.fr
Résumé du sujet
Les systèmes dynamiques complexes – véhicules autonomes, robots industriels, réseaux d’énergie, dispositifs biomédicaux – nécessitent des stratégies de commande capables d’anticiper et de s’adapter aux variations de l’environnement tout en garantissant robustesse et performance. Or, la modélisation de ces systèmes à partir de données réelles est difficile, surtout quand les lois physiques sont partielles ou imprécises.
Cette thèse vise à développer une approche hybride combinant apprentissage automatique (réseaux neuronaux) et modélisation physique pour la commande de systèmes dynamiques. L’originalité du projet repose sur l’intégration de contraintes structurelles dans l’apprentissage de modèles neuronaux (notamment RNN, LPV, PWL), afin qu’ils soient exploités efficacement dans des algorithmes de commande prédictive ou de commande à modèle interne (IMC), tout en garantissant stabilité, robustesse et faible coût de calcul.
Directeur de thèse : M. Philippe Chevrel
Laboratoire : LS2N – Laboratoire des Sciences du Numérique de Nantes (UMR CNRS 6004)
École Doctorale : SPIN – Sciences pour l’Ingénieur et le Numérique
Début de la thèse : 1er septembre 2025 – Fin : 31 août 2028
Contact : philippe.chevrel@imt-atlantique.fr
Résumé du sujet
Les systèmes dynamiques complexes – véhicules autonomes, robots industriels, réseaux d’énergie, dispositifs biomédicaux – nécessitent des stratégies de commande capables d’anticiper et de s’adapter aux variations de l’environnement tout en garantissant robustesse et performance. Or, la modélisation de ces systèmes à partir de données réelles est difficile, surtout quand les lois physiques sont partielles ou imprécises.
Cette thèse vise à développer une approche hybride combinant apprentissage automatique (réseaux neuronaux) et modélisation physique pour la commande de systèmes dynamiques. L’originalité du projet repose sur l’intégration de contraintes structurelles dans l’apprentissage de modèles neuronaux (notamment RNN, LPV, PWL), afin qu’ils soient exploités efficacement dans des algorithmes de commande prédictive ou de commande à modèle interne (IMC), tout en garantissant stabilité, robustesse et faible coût de calcul.
