Note ABES Méta-apprentissage par renforcement pour le contrôle adaptatif Meta-reinforcement learning for adaptive control Apprentissage profond Apprentissage par renforcement Conduite autonome Simulateur Carla Méta-apprentissage Deep learning Reinforcement learning Meta-learning Autonomous driving Carla simulator 006.31 519.5 Apprentissage profond Véhicules autonomes Conduite Réseaux neuronaux (informatique) Calcul adaptatif Avec l'avènement de l'apprentissage profond, l'intelligence artificielle a franchi un pas décisif vers l'automatisation des tâches de grande dimensionnalité. L'apprentissage par renforcement a été révolutionné grâce aux nouveaux concepts de représentation profonde. Toutefois, l'extension de l'application de ce paradigme vers la sphère du monde réel a engendré des nouveaux défis de généralisation et d'optimisation face à la non-stationnarité des tâches. Dans cette thèse, nous nous intéressons à l'évolution méthodologique récente de l'apprentissage automatique vers le méta-apprentissage afin de remédier aux limites de l'apprentissage profond. L'approche proposée est construite sur la base d'une formulation Markovienne évoluant graduellement selon 2 axes d'amélioration. Au niveau de la robustesse de l'apprentissage, nous intégrons dans l'expression du gradient de la politique la fonction avantage estimée par une version généralisée de l'apprentissage par différence temporelle. Concernant la capacité de généralisation, nous implémentons un méta-optimiseur de type gradient apprenant les évaluations de l'algorithme de base à travers les tâches. Le modèle généralisable obtenu a montré une adaptation rapide aux nouveaux contextes de conduite autonome en milieu urbain. With the advent of deep learning supported by substantial technological advances, the Artificial Intelligence has taken a decisive step towards the automation of large dimension tasks. Reinforcement learning has been revolutionized thanks to new representation concepts introduced by deep learning. However, the extension of this paradigm application to the real world has triggered new challenges of generalization and optimization associated with higher level of tasks non-stationarity. In this thesis, we are interested in the recent methodological evolution of machine learning towards meta-learning in order to remedy the deep learning limits. The proposed approach is built on the basis of a Markovian formulation gradually evolving along 2 axes of improvement. In terms of learning robustness, we integrate in the policy gradient expression, the advantage function estimated by a generalized version of temporal difference learning. Regarding the generalization capacity, we implement a gradient meta-optimizer, learning the evaluations of the base-level algorithm across tasks. The resulting generalizable model showed a rapid adaptation to new contexts of urban autonomous driving. Electronic Thesis or Dissertation Text fr PDF 6407239 Université de Strasbourg Strasbourg 2021-12-31 https://theses.hal.science/tel-03505327 application/pdf 2722801 https://publication-theses.unistra.fr/public/theses_doctorat/2020/JAAFRA_Yesmina_ED269_2020.pdf http://www.theses.fr/2020STRAD011/abes https://theses.hal.science/tel-03505327 https://theses.hal.science/tel-03505327 https://theses.hal.science/tel-03505327 Jaafra Yesmina 1987-11-19 FR 259252832 https://theses.fr/2020STRAD011 2020STRAD011 https://doi.org/10.70675/4a9b4240zabb1z45abz8446z5a014f63e1c0 2020-09-11 Informatique Strasbourg 131056549 Université de la Manouba (Tunisie) MADS_ETABLISSEMENT_DE_COTUTELLE_1 121095797 Doctorat Docteur es non oui Deruyver Aline MADS_DIRECTEUR_DE_THESE_1 077748700 Naceur Mohamed Sabeur MADS_DIRECTEUR_DE_THESE_2 149100566 Collet Pierre MADS_PRESIDENT_DU_JURY 112048854 Deruyver Aline MADS_MEMBRE_DU_JURY_1 077748700 Naceur Mohamed Sabeur MADS_MEMBRE_DU_JURY_2 149100566 Collet Pierre MADS_MEMBRE_DU_JURY_3 112048854 Filliat David MADS_MEMBRE_DU_JURY_4 070072337 Yacoub Slim MADS_MEMBRE_DU_JURY_5 225814161 Fromont Élisa MADS_MEMBRE_DU_JURY_6 095621601 Idoumghar Lhassane MADS_MEMBRE_DU_JURY_7 071016295 Filliat David MADS_RAPPORTEUR_1 070072337 Yacoub Slim MADS_RAPPORTEUR_2 225814161 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 176969721 260728 ddc:004 ddc:510 Université de la Manouba (Tunisie) Deruyver Aline Naceur Mohamed Sabeur Collet Pierre Deruyver Aline Naceur Mohamed Sabeur Collet Pierre Filliat David Yacoub Slim Fromont Élisa Idoumghar Lhassane Filliat David Yacoub Slim École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 6407239